SWOT-analyysi: “Mapping America”

Kurssiaiheidemme puitteissa meidän oli tehtävä myös SWOT-analyysi New York Timesin karttapalvelusta, joka esitteli paikkatietoaineistoa Amerikasta (Mapping America: Every City, Every Block 2010). SWOT-analyysi muodostuu sanoista Strengths, Weaknesses, Opportunities ja Threats (SWOT-analyysi 2014). Sen tarkoituksena on siis analysoida tutkittavan asian sisäisiä hyötyjä ja heikkouksia sekä ulkoisia mahdollisuuksia ja uhkia.

Kun katsoo sivuston otsikkoa, ”Mapping Amerca: Every City, Every Block”, tulee mieleen, että palvelusta löytyy kattavaa ja tarkkaa tietoa Amerikasta. Sivusto on siistin näköinen ja yksinkertainen. Kun palvelusta löytyvää paikkatietoa alkaa tutkimaan todellisuudessa siitä löytyviä aiheita on vain muutamia. On myös hieman erikoista, että heti avaussivulla esitetään tietoa etnisten ryhmien sijoittumista alueella (kuva 1). Tämän lisäksi palvelusta löytyy karttoja tuloista, asutuksesta ja perhetiedoista sekä koulutuksesta.

Kuva 1. Etnisten rotujen sijoittuminen New Yorkissa ja sen lähialueilla ().

Kuva 1. Etnisten ryhmien sijoittuminen New Yorkissa ja sen lähialueilla (Mapping America: Every City, Every Block 2010).

Sisäiset hyödyt. Suurin positiivinen tekijä palvelussa on varmasti se, että se on hyvin helppokäyttöinen. Edes takaisin zoomailu onnistuu nopeasti ja tarkempaa tietoa alueista saa vain siirtämällä kursorin alueen päälle. On myös kätevää, että halutun alueen voi etsiä jopa osoitteen tarkkuudella. Myös aineisto on merkitty karttaan suhteellisen selkeästi, vaikka joissakin kartoissa luokkien värejä on hankalampi erottaa toisistaan. Aineistosta saa yleiskuvan kuvatuista ilmiöistä.

Sisäiset heikkoudet. Selkeä heikkous palvelussa on tiedon epätarkkuus. Kartan yläpuolella mainitaankin “Because these figures are based on samples, they are subject to a margin of error,”. Aineisto on arvioitu otosten avulla, joten varsinkin harvaan asutuilla alueilla tieto voi olla huomattavasti vääristynyttä. Kun näitä karttoja on tässä jo jonkin verran väännetty, huomaan myös, että kartassa ei ole lainkaan mittakaavaa. Mia Erikson tuo tärkeän pointin esiin blogissaan: ”Mainittakoon vielä pistekarttojen kohdalla se, että pisteet eivät sijoitu siihen, missä kohde todella sijaitsee, vaan levittäytyvät tasaisesti alueen sisällä. Tämä saattaisi aloittelevalta kartanlukijalta jäädä huomiotta.” (Mia Erikson 2014).

Ulkoiset mahdollisuudet. Palvelun esittämät tiedot ovat sinänsä hyödyllisiä ja tärkeitä, joiden avulla voidaan yrittää kehittää alueita parempaan suuntaan. Kun tiedetään missä on segregaatiota, köyhyyttä tai mahdollista työvoimaa voidaan käyttää hyödyksi saatuja tietoja ja tehdä muutoksia. Tutkijoille ja viranomaisille tämä on luonnollisesti tarpeellista tietoa, mutta entä tavalliselle kansalaiselle? Palvelun hyödyntämisen mahdollisuudet olisivat kuitenkin suuret, jos esitettävä aineisto olisi tarkempaa ja esitettäviä aihealueita olisi enemmän. Palvelua voitaisiin käyttää esimerkiksi opetuskäytössä.

Ulkoiset uhat. Ihmisellä on taipumus käyttää hyviäkin asioita väärin. Kuka tahansa voi katsella tätä aineistoa, joka voi olla monessa mielessä myös provosoivaa. Tieto eri etnisten rotujen sijoittumisesta voi itsessään vahvistaa segregaatiota, kun alueet leimautuvat tietynlaisten ihmisten asuinalueeksi. Muutto päätös voidaan tehdä näillä perusteilla. Erityisesti homoseksuaalisuuden esittäminen tällaisessa palvelussa luulisi aiheuttavan enemmän negatiivisuutta kuin positiivisuutta. Myös esimerkiksi terrorismi voisi löytää iskupaikkansa tällä palvelulla.

Suomalainen käytäntö on, että tieto on suhteellisen tarkkaa ja luotettavaa, mutta sen saaminen ei ole kovinkaan vapaata. USA:ssa tietoa on vapaammin saatavilla, mutta se on huomattavasti epätarkempaa. Kummassakin tiedon saatavuudessa on omat vahvuutensa ja heikkoutensa, mutta enemmän olen suomalaisen näkökannan puolella. Mielestäni tietoa ei tarvitse piilotellakaan, mutta onko tarpeellista tämänkaltaisessa julkisessa palvelussa esittää esimerkiksi homoseksuaalisuuden esiintymistä alueella? Näin suomalaisena tämän kaltaisen tiedon näyttäminen, varsinkin niin yleisellä otsikolla kuin ”Mapping America” tuntuu kummalliselta. Onko tästä tiedosta oikeasti kenellekään hyötyä, vai auttaako se vain ääriaktivisteja paikantamaan uhrejaan? Tuntuu muutenkin, että palvelun aiheet keskittyvät esittämään eriarvoisuuksia. Toisaalta, suomalaiset tuntuvat välillä olevan liiankin pihejä tiedon luovuttamisessa muiden käsiin.

 

Lähteet:

Mapping America: Every City, Every Block (2010). 2005-2009 American Commynity Survey. 3.3.2014. <http://projects.nytimes.com/census/2010/explorer>

Mia Erikson (2014). Mapping America: SWOT-analyysi, Mian kurssityöblogi. 11.3.2014. <https://blogs.helsinki.fi/miaeriks/>

SWOT-analyysi (2014). Opetushallitus. 5.3.2014. <http://www.oph.fi/saadokset_ja_ohjeet/laadunhallinnan_tuki/wbl-toi/menetelmia_ja_tyovalineita/swot-analyysi>

7. kurssikerta: Huhuja ja karttoja Euroopasta

Viimeistä viedään! Seitsemäs kurssikerta onkin viimeinen kurssikertamme. Niin ne viikot vain vierähtivät.

Tällä kerralla tavoitteemme oli tutustua paikkatiedon tuottamiseen kokonaisuutena, ihan alusta lähtien. Meidän oli hankittava koko aineisto itse, sekä pohjakartta että itse tiedot. Katri Ruudun sanoin: “Tiedostojen etsiminen oli jo jossain määrin työlästä, mutta pientä verrattuna siihen, kuinka paljon aivosoluja vaati itse karttojen tekeminen.” (Katri Ruutu 2014). Vaikka opettajamme tietenkin auttoi tarvittaessa meidän oli pääasiassa pärjättävä omillamme ja ainakin yrittää käyttää kaikkea sitä tietoa, jota olemme tällä kurssilla oppineet.

Päätin tehdä karttani Euroopasta. Olin onnekas siinä mielessä, että pystyin käyttämään kurssilla aikaisemmin käytettyä kartta-aineistoa. Valitsin koko maailmaa käsittelevästä aineistosta vain Euroopan maat. Tämäkin aiheutti aluksi suuria ongelmia, sillä en meinannut saada edes yksinkertaista Select -työkalua toimimaan. Onneksi opettajamme tuli ystävällisesti huomauttamaan, että olin jättänyt haku- kohdasta lainausmerkit käyttämättä. Niin pienestäkin se voi jäädä kiinni.

Tietoa Euroopasta löytyi yllättävän paljon ja ne sai kätevästi ladattua Excel- tiedostoksi, vaikka nämä tiedostot vaativatkin hieman käsittelyä ennen MapInfoon siirtämistä. Valitsemani aiheet osoittautuivat puoli vahingossa hyvin negatiivisiksi (ei olisi ehkä kannattanut etsiä niitä sen Suomi-Ruotsi ottelun jälkeen….). Toisaalta ne käsittelevät käsityksiä Suomesta, joita olen jo aikaisemmin pohtinut. Olen monesta suunnasta kuullut, että suomalaiset ovat itsemurhatilastojen kärjessä ja juovat alkoholia keskimääräistä enemmän. Näiden aiheiden rinnalle otin vielä BKT:n asukasta kohden sekä köyhyys – ja syrjäytymisvaarassa olevien ihmisten osuuden väestöstä.

On valitettavaa, että monista maista tiedot puuttuivat tai olivat selvästi puutteelliset. Harmaa ”ei tietoa” – aineisto hankaloittaa jonkin verran kartan lukemista. Corel ei ilmeisesti taaskaan ollut tyytyväinen MapInfon väreihin ja päätti vaihtaa värisävyt enemmän marjapuuron väriseksi (kuva 1, 2).

Kuva 1. Itsemurhat 100 000 asukasta kohden Euroopan maissa. Karttaan on merkitty myös näiden maiden BTK asukasta kohden. Tiedot ovat vuodelta 2010 (Europe Map 2014, Statistic database 2014).

Kuva 1. Itsemurhat 100 000 asukasta kohden Euroopan maissa. Karttaan on merkitty myös näiden maiden BTK asukasta kohden. Tiedot ovat vuodelta 2010 (Europe Map 2014, Statistic database 2014).

Itsemurhatilastot eivät näytä suomalaisesta näkökulmasta kovinkaan positiiviselta, vaikka olisin odottanut huhujen mukaan paljon suurempaa eroa. Suomi kuuluu toiseksi suurimpaan luokkaan muun muassa Puolan, Viron, Latvian ja Itävallan kanssa, jossa itsemurhia tehdään 15,5 – 25,6. Kaikista eniten itsemurhia vuonna 2010 tehtiin Unkarissa ja Liettuassa. On hämmentävää, että kaikista vähiten itsemurhia tehdään Kreikassa, joka voi hyvin johtua myös väärästä ja puutteellisesta tiedosta. Ainakaan tällä hetkellä se tuskin on mahdollista, tosin tiedot ovat vuodelta 2010. Jos verrataan bruttokansantuotetta itsemurhatilastoihin, voidaan huomata, että Suomi ja Belgia ovat ainoat maat, jotka sijoittuvat itsemurhatilastoissa korkealle, vaikka BKT:kin on korkea.

Kuva 2. Alkoholismin aiheuttamat kuolemat 100 000 asukasta kohden Euroopan maissa. Karttaan on merkitty myös näiden maiden köyhyys – ja syrjäytymisvaarassa olevat ihmiset prosentteina. Tiedot ovat vuodelta 2010 (Europe Map 2014, Statistic database 2014).

Kuva 2. Alkoholismin aiheuttamat kuolemat 100 000 asukasta kohden Euroopan maissa. Karttaan on merkitty myös näiden maiden köyhyys – ja syrjäytymisvaarassa olevat ihmiset prosentteina. Tiedot ovat vuodelta 2010 (Europe Map 2014, Statistic database 2014).

Myös alkoholikuolemissa suomalaiset sijoittuvat toiseksi suurimpaan luokkaan. Erityisesti tässä olisin odottanut huonompaa sijoittumista, vaikka ei tämäkään sijoitus erityisen hyvä ole. Kaikista eniten alkoholikuolemia tapahtuu muun muassa Norjassa, Virossa, Latviassa, Saksassa ja Itävallassa. Norjan korkeat alkoholikuolemat olivat minulle yllätys, sillä tuntuu siltä, että Norjaa pidetään kaikin puolin lähes täydellisenä maana asua. Ehkä Norjassa on niin hauskaa, että ihmiset juhlivat itsensä hengiltä? No, ei ehkä sentään. Köyhyys – ja syrjäytymisvaaran ja alkoholikuolemien välillä ei näyttäisi olevan mitään merkittävää korrelaatiota.

Suomi ei erottunutkaan kartoista ihan niin paljon kuin odotin. Suomessa itsemurhien määrä olikin suurimmillaan vuonna 1990, jolloin tehtiin yli 1 500 itsemurhaa. Sen jälkeen itsemurhakuolleisuus on pienentynyt 20 vuodessa yli 40 prosenttia ja on edelleen laskussa. Kuitenkin verrattuna muihin EU-maihin alle 65-vuotiaiden suomalaisten itsemurhakuolleisuus oli vielä vuonna 2010 noin puolitoistakertainen EU:n keskimäärään verrattuna (Itsemurhat 2013). Myös alkoholin käyttö on vähentymässä Suomessa. Alkoholijuomien kokonaiskulutus on laskenut vuodesta 2007 alkaen. Vuonna 2012 se oli ensimmäistä kertaa lähes kymmeneen vuoteen alle 10 litran sataprosenttisena alkoholina asukasta kohden. Alkoholijuomien kulutuksen rakenne on muuttunut myös mietoja alkoholijuomia suosivaksi. Väkevien alkoholijuomien kulutus on vähentynyt 24 prosenttia viimeisen viiden vuoden aikana (Alkoholijuomien kulutus 2012 ).

Näihin aiheisiin päättyy tämä PAK -kurssi. Vaikka viimeisen kurssikerran aiheeni eivät ehkä positiivisuudella loistaneet, ainakin mieli jäi positiiviseksi. Kurssin aiheiden kanssa oli hauska puuhastella, vaikka välillä MapInfon kanssa saikin taistella kynsin ja hampain. Varmasti joudun vielä moneen kertaan paikkatieto-ohjelmien kieltä kertaamaan, mutta nyt nämä ohjelmat eivät enää tunnu pelottavilta sokkelohirviöiltä. Ainakaan kovin paljon.

 

Lähteet:

Alkoholijuomien kulutus 2012 (2012). Terveyden ja hyvinvoinnin laitos. 26.2.2014. <http://www.thl.fi/fi_FI/web/fi/tilastot/aiheittain/paihteet_ja_riippuvuudet/alkoholi/alkoholijuomien_kulutus>

Europe Map (2014). Maps of World. 25.2.2014. <http://www.mapsofworld.com/europe/>

Itsemurhat (2013). Findikaattori, Tilastokeskus. 26.2.2014. <http://www.findikaattori.fi/fi/10>

Katri Ruutu (2014). Kurssikerta 7: Viimeinen taistelu MapInfon kanssa, Katrin kurssiblogi. 10.3.2014. <https://blogs.helsinki.fi/karuutu/>

Statistic database (2014). Eurostat. 25.2.2014. <http://epp.eurostat.ec.europa.eu/portal/page/portal/eurostat/home/>

 

 

 

 

6. kurssikerta: Opetuskarttoja

Tällä kertaa emme heti avanneetkaan MapInfoa, vaan menimme ulos keräämään omaa aineistoa.

Tehtävämme oli keksiä oma aihe pienissä ryhmissä ja kerätä tähän aiheeseen liittyvien kohteiden koordinaattitietoja. Saimme käyttöömme GPS-paikantimet. Päätimme kerätä tietoa siitä, mihin kampuksen lähettyvillä ihmiset ovat jättäneet pyöränsä parkkiin. Kerättyämme tarpeeksi aineistoa kirjasimme tiedot Excel-ohjelmaan, josta taas edelleen siirsimme ne MapInfoon tarkasteltavaksi (kuva 1). 

Kuva 1. Ryhmämme paikantamat pisteet pohjakartalla. Jotkut pisteistä ovat väärässä kohdassa mittauspaikkaan verrattuna. Opettajamme sanoi tämän johtuvat siitä, että GPS-paikannin ei saa hyvin yhteyttä satelliitteihin lähellä rakennuksia.

Kuva 1. Ryhmämme paikantamat pisteet pohjakartalla. Jotkut pisteistä ovat väärässä kohdassa mittauspaikkaan verrattuna. Opettajamme sanoi tämän johtuvat siitä, että GPS-paikannin ei saa hyvin yhteyttä satelliitteihin lähellä rakennuksia.

Kokeilimme myös geokoodausta tällä kurssikerralla. Harjoituksessa käytimme aineistoa Helsingin pelikoneista. Eetu Summanen kirjoittaa tästä blogissaan: “Harjoituksessa opettelimme geokoodauksen perusteet eli tavan, millä pisteaineistoa saadaan sidottua jo olemassa olevan sijaintitietokannan avulla kartalle mahdollisimman tarkasti. Molemmista tietokannoista täytyy siis löytyä yhteneväisiä tietoja, jotta sijoittaminen ja kartalla esittäminen olisi mahdollista” (Eetu Summanen 2014). Vaikka MapInfoa oli välillä opastettava prosessissa, tapahtui tämän suuren aineiston geokoodaminen yllättävän nopeasti ja ongelmitta.

Itsenäistehtävänä tällä kurssikerralla oli tehdä kolme erilaista, hazardeihin liittyvää karttaa. Tarkoituksena oli pohtia, miten näitä karttoja voitaisiin hyödyntää opetustilanteessa. Tällä kertaa aineistokaan ei löytynyt sujuvasti meille valmiiksi tehdyistä kansioista, vaan se piti itse etsiä netistä. Löydetty aineisto oli ensin muokattava Excel-ohjelmassa (ja myös Wordissa, sillä Excel kovasti pitää päivämääristä) ja siirrettävä edelleen käsiteltäväksi MapInfoon.

Tein kolme varsin yksinkertaista karttaa Maapallon tulivuorista, maanjäristyksistä ja meteoriitti-iskuista (kuva 2, 3, 4). Yritin muistella, mitä ajattelin silloin näistä luonnon hazardeista, kun en tiennyt niistä vielä oikein mitään. Päällimmäisenä minulle tuli mieleen, että nämä ilmiöt tuntuivat sellaisilta, joita tapahtuu todella harvoin. Totuus on tietenkin toisenlainen. Halusin siis kartoillani lähteä esittämään, kuinka usein kyseisiä ilmiötä tapahtuu. Ideaalinen tilanne olisi ollut, jos olisin saanut kaikkien kolmen kartan ilmiöt samalta aikajanalta, vuosilta 2000-2014, mutta valitettavasti tulivuori-aineisto oli luokiteltu eri tavalla muihin aineistoihin verrattuna, enkä saanut sitä muutettua.

Kuva 2. Vuosina 2000-2014 tapahtuneet yli 6 richterin maanjäristykset (ANSS. 2014).

Kuva 2. Vuosina 2000-2014 tapahtuneet yli 6 richterin maanjäristykset (ANSS. 2014).

 

Kuva 3. Tulivuoret, jotka ovat olleet aktiivisia vuosina 1964-2014 (Volcano location database 2014).

Kuva 3. Tulivuoret, jotka ovat olleet aktiivisia vuosina 1964-2014 (Volcano location database 2014).

 Kuva 4. Paikkoja, johon meteoriitti on törmännyt vuosina 2000-2014 (Meteoritessize 2014).


Kuva 4. Paikkoja, johon meteoriitti on törmännyt vuosina 2000-2014 (Meteoritessize 2014).

Tulivuoriaineistossa huomasimme Iina Asunnan kanssa, että yksi aktiivinen tulivuori oli merkitty Ruotsiin (Iina Asunta 2014). Se hämmensi meitä ja luulimme olevamme aivan pihalla maailman asioista, kunnes tutkimme asiaa internetistä. Kävi ilmi, että Ruotsiin oli merkitty vuori Lakagigar on todellisuudessa Islannissa. Ei pidä kai sokeasti mihinkään luottaa.

Mielestäni kartat soveltuvat esittämään sitä, kuinka usein näitä hazardeja tapahtuu (vaikkakin vain suurin piirtein). Vaikka kartoissa pisteet menevät päällekkäin ja niitä on vaikea erottaa toisistaan, sillä ei tässä tapauksessa ole sen suurempaa merkitystä. Erityisesti maanjäristyskartasta voidaan myös havainnollistaa, missä maanjäristykset yleensä esiintyvät. Meteoriittikartasta ei voida lukea, mille alueelle meteoriitit usein osuvat, sillä havaitut törmäyspaikat voivat perustua siihen, missä meteoriitteja eniten etsitään ja mistä niitä helpoiten löydetään.

 

Lähteet:

ANSS. (2014). Northern California Earthquake Data Center. 17.2.2014 <http://quake.geo.berkeley.edu/anss/catalog-search.html>

Eetu Summanen (2014). KK6: Omin käsin kerätyn aineiston hyödyntäminen ja MapInfo opetuskäytössä, Eetun Pakki. 23.2.2014. <https://blogs.helsinki.fi/eesu/>

Iina Asunta (2014). Iasunta’s blog. <https://blogs.helsinki.fi/iasunta/>

Meteoritessize (2014). 17.2.2014. <https://www.google.com/fusiontables/DataSource?docid=1vHSvjNgCIl6kRhFXPHhvESnnYx_ShToJWtWdjm8#rows:id=1>.

Volcano location database (2014). National Geophysical Data Center. 17.2.2014. <http://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5>

5. kurssikerta: Bufferointia ja taistelua

Nyt täytyy kyllä todeta, että olipa kurssikerta! Opettajamme pelottelut tästä kurssikerrasta eivät olleet vain pelotteluja, vaan saimme tehdä työtä toden teolla. Tarkoitus oli käyttää kaikkea sitä tietoa, jota olimme keränneet tähän asti tällä kurssilla (olettaen tietenkin, että muistaisimme vielä kaiken…).

Aloitimme harjoittelemalla bufferointia edellisellä kerralla tekemäämme aineistoon Pornaisten keskustasta. Tämä oli vielä varsin helppoa, kun meitä ohjattiin kädestä pitäen ja MapInfosta löytyi käteviä työkaluja. Bufferointi-harjoituksen jälkeen siirryimme itsenäistehtäviin ja siitähän se alamäki sitten alkoi.

Oli vaikea kuvitella, että muutaman tehtävän ratkaisu veisi niin paljon aikaa. Tehtävämme liittyivät muun muassa Helsingin lentokenttien meluhaittoihin ja taajama-alueisiin. Vaikka lähdin matkaan taisteluhengellä se alkoi pikku hiljaa kulua pois, kun oikeat reitit MapInfon sokkelossa eivät meinanneet millään löytyä. Oli myös lannistavaa, että lopulta jonkinlaisen tien löydettyäni vastaukset heittivät oikeasta, no, sanotaanko muutamalla tuhannella. Myöhemmin toki huomasimme vierustoverin kanssa, että olimme muun muassa kirjanneet rakennusten määrät asukkaiden määrän sijasta. Tuntui, että kaikki teoria oli heitetty ikkunasta ulos ja ratkaisin ongelmia vain asenteella ”no kokeillaan jos se menisi vaikka näin”. Saatoin melkein kuulla MapInfon nauravan  tietäen tasan tarkkaan miten ongelmat ratkaistiin, mutta se ei viitsinyt niistä minulle kertoa.

Onneksi opettajamme sanoi pian minulle tarpeellisen kommentin: ”Ei sun tarvitse tehdä niitä niin kauheen monimutkaisesti”. Tajusin tämän olevan suurin ongelmani. Tein kaiken kymmenellä välivaiheella vaikka kaksikin olisi riittänyt. Samalla kuitenkin huomasin, että tehtävien tekemiseen on monta eri ratkaisuvaihtoehtoa. Ei tietenkään ollut järkevää valita juuri sitä ratkaisua, joka vei neljä kertaa enemmän aikaa.

Suurien alkuvaikeuksien jälkeen homma alkoi kuitenkin sujua paremmin ja toivottavasti oikeitakin vastauksia alkoi löytyä (taulukko 1, 2). Oli kyllä maailman kahdeksas ihme, että sain tehtyä tehtävät kurssikerran aikana.

 

     Taulukko 1. Vastausyrityksiä ja vastauksia itsenäistehtäviin.

Tehtävä 1.

Kuinka monta ihmistä asuu pahimalla melualueella Malmin lentokentällä?

1km säteellä = 4693*

2km säteellä = 775*

Kuinka monta ihmistä asuu Helsinki-Vantaan lentokentän välittömässä yhteydessä?

2261*

Pahimmalla melualueella Helsinki-Vantaan lentokentän yhteydessä asuvat?

15%*

Kuinka monta ihmistä asuu vähintään 55dB melualueella?

1696*

Kuinka monen ihmisen elämää lentomelu haittasi Tikkurilassa?

1752*

 

Kuinka monta asukasta asuu alle 500m päässä lähimmästä juna-asemasta?

80576

Kuinka monta prosenttia asukkaista asuu alle 500m päässä juna-asemasta?

16%

Kuinka monta prosenttia näistä ihmisistä on työikäisiä?

73%

*Tehtävän 1 vastaukset ovat väärin, sillä huomasin myöhemmin kirjanneeni ylös rakennusten määrän asukkaiden määrän sijasta. Workspace-tallentaminen olisi ollut hyvä idea.

 

   Tehtävä 2

Kuinka monta prosenttia asukkaista asuu taajamissa?

86%

Kuinka monta kouluikäistä asuu taajamien ulkopuolella?

7537, kaikista kouluikäisistä 15%

Kuinka monella alueella ulkomaalaisten osuus on yli 10%, 20%, 30%?

22, 6, 4

 

   Taulukko 2. Tietoja Helsingin Yhtenäiskoulun koulupiiristä.

Seuraavana vuonna koulunsa aloittavat oppilaat

16

Seuraavana vuonna opetettavat yläaste-ikäiset

79

Koulupiirin alueen kouluikäisten osuus

9%

Muunkieliset kouluikäiset alueella

7

 Tällä kerralla käsiteltyä bufferointia voitaisiin käyttää monella eri tavalla. Bufferoinnilla voidaan laskea kohteen yhteyksiä naapurialueiden ominaisuuksiin. Käytännössä sitä voitaisiin hyödyntää myös esimerkiksi toimipisteiden sijainnin suunnittelussa tai ympäristövaikutusten arvioinnissa. Piia Heimolakin mainitsee blogissaan: “Bufferointia voidaan käyttää myös silloin jos pohditaan, voitaisiinko jollekin alueelle perustaa joitakin toimintoja ja bufferoinnilla voidaan selvittää, riittäisikö tälle toiminnolle potentiaalisia käyttäjiä tai asiakkaita.” (Piia Heimola 2014).

Käyttötapoja on varmasti lukuisia. Henri Järvisalo mainitsee blogissaan puskuroinnin hyödyt logistiikka suunnittelussa: ”Puskurivyöhykkeet ovat erittäin käytännöllisiä myös logistisessa suunnittelussa, esimerkiksi haluttaessa tietää, kuinka suuri osa ihmisistä asuu liikenteen solmukohtien lähiympäristössä.” (Henri Järvisalo 2014). Voidaan siis laskea, mitkä kohteet osuvat tietyn tekijän vaikutusalueelle.

Teoriassa tiedän jo paljon MapInfon perusteista, mutta käytännössä ne vaativat vielä harjoittelua. Pelkästään ulkomuistista ohjelman käyttäminen on vielä hankalaa ja hidasta. Teemakarttojen tekeminen tuntuu jo suhteellisen turvalliselta, vaikka ilman muiden ohjelmien apua visuaalliset toiminnot jäävät tönköksi. Kaikista haastavinta on tietokantojen kanssa leikkiminen, niiden tietojen yhdistely ja niistä tiedon etsiminen ongelman ratkaisun mukaisesti. Vaikka nämä toiminnot eivät vielä suju kuin vettä vaan, ne ainakin tässä vaiheessa tuntuvat olevan MapInfon tärkeimpiä ominaisuuksia. Valtavienkin tietokantojen käsittely käy suhteellisen helposti, varsinkin kun sopivat toiminnot sattuvat löytymään. Tietokantoja voi myös muokata ja päivittää varsin kivuttomasti.

Tänään huomasin erityisesti, että suurin vaikuttava tekijä siihen, millaisia ongelmia ohjelmalla voi ratkaista, on ohjelman käyttäjä itse. Jos tiedot ohjelman toiminnasta ovat puuttelliset, ongelmia ei ole helppo ratkaista oikein. Seuraava rajoittava tekijä on tietenkin itse ohjelmasta löytyvät työkalut ja niiden kapasiteetti. Hienolta tuntuu aina silloin, kun pääsemme MapInfon kanssa jostain yhteisymmärrykseen (vaikka tätä tapahtuukin vielä suhteellisen harvoin) ja haluttu vastaus löytyy. Tänään MapInfo oli taas parempi, se voitti 4-2. Mutta peli ei ole vielä pelattu?

 

Lähteet:

Henri Järvisalo (2014). KK5: Bufferointia ja menneiden aikojen muistelua, Paikkatietotaito: Biologiblogi. 12.2.2014. <https://blogs.helsinki.fi/hpjarvis/>

Piia Heimola (2014). 5. kurssikerta, Piia Heimolan PAK-blogi. 13.3.2014. <https://blogs.helsinki.fi/pheimola/>

 

 

4. kurssikerta: Ruututeemakartta

Kauhean nopeasti aika menee, kun nyt suoritimme jo neljännen kurssikerran! Tällä kerralla paneuduimme ruututeemakarttojen luomiseen, joka ei ollutkaan niin vaikeaa kuin kuvittelin. Aineistona käytimme rakennuskohtaista väestötietoa pääkaupunkiseudusta vuodelta 2009. Hauskaa oli, että löysin aineistosta myös itseni, 17-vuotiaan Christan vanhasta kotiosoitteestani.

Ruudukon asettaminen kartalle kävi näppärästi, ainoastaan se oli ikävää, että ruutujen kokoa ei voinut enää myöhemmin muuttaa. Kokeilin erikokoisia ruutuja koosta 200m x 200m kokoon 20 000m x 20 000m. Tuossa isommassa koossa ei tietenkään ollut mitään järkeä. Päädyin lopulta kokoon 600m x 600m. Testasin myös erilaisia aiheita ja päädyin tekemään ruututeemakarttani eläkeläisten määrästä (Eläkeläisten määrä 2014).

Aineiston luokittelun kanssa minulla oli tällä kertaa eniten ongelmia. Histogrammityökalussa aineistoa tutkiessani epäilin jakaumaa vinoksi ja opettajamme nimesikin sen ”SUPER-vinoksi” (Histogrammityökalu 2014). Kokeilin kaikkia vinoon jakaumaan sopivia luokittelutapoja, mutta mikään ei oikein tuntunut näyttävän läheskään hyvältä. Onneksi tajusin kysyä uudestaan apua, sillä olin unohtanut, että karttaa tehdessäni olin jättänyt kaikki 0-arvot huomiotta. Näin ollen tietokannan aineisto on siis eri kun itse kartan aineisto. Todellinen aineisto paljastuikin epämääräiseksi ja käytin luokittelutapana luonnollisia luokkavälejä. Värisävyksi valitsin violetin.

Koska MapInfo ei halunnut tehdä kaikkea itse, siirryin jatkamaan kartan viimeistelyä Coreliin (Corel Draw X5), jossa poistin muun muassa kartalta löytyviä turhia viivoja ja mittakaavan valkoisen taustan sekä muuntelin kaupunkien rajaviivojen kokoa. Myöhemmin Corelista tulostettua kuvaa katsellessani huomasin, että värisävyt olivat muuttuneet siirtäessäni kuvaa ohjelmasta toiseen (kuva 1). Suurinta ja toiseksi suurinta luokkaa on nyt vaikeampi erottaa toisistaan. Kuulin myös, että toisillakin opiskelijoilla oli ollut samanlaisia ongelmia. Muuten kartta on selkeälukuinen ja siitä näkee mihin eläkeläiset keskittyvät. Rantaviivan olisi voinut jättää rajaamaan merialueille ulottuvia ruutuja, mutta Corel-seikkailun jälkeen MapInfoon palaaminen ei tuntunut kivalta idealta. Jos aikaa jää, palaan korjaamaan virheet myöhemmin. (Niin varmaan…)

Kuva 1. Eläkeläisten absoluuttinen määrä pääkaupunkiseudulla.

Kuva 1. Eläkeläisten absoluuttinen määrä pääkaupunkiseudulla vuonna 2009 (Eläkeläisten määrä 2014).

Kartasta voi nähdä, että eläkeläisiä on eniten alueella, jossa väestöntiheys on suurin. Vähiten eläkeläisiä on Espoon ja Vantaan pohjoisosissa, joissa ei muutenkaan asu paljon ihmisiä. Eniten yli 65-vuotiaita näyttäisi olevan Helsingissä, suhteellisesti eniten taas Kauniaisissa. Hyvät kulkuyhteydet ja lähellä sijaitsevat palvelut helpottavat iäkkäiden ihmisten elämää. Koska kartalla esitettävä tieto on absoluuttista, ei voida kuitenkaan tarkasti sanoa, mihin alueille eläkeläiset suhteellisesti ovat keskittyneet. Joko huonojen etsitätaitojeni tai tiedon puuttumisen takia en löytänyt kaikista pääkaupunkiseudun kunnista tietoa eläkeläisten suhteellisesta määrästä. Ainoastaan Espoon ja Vantaan tiedot löytyivät varsin helposti, Vantaalla yli 65-vuotiaita oli 13,4% ja Espoossa 12,4% vuonna 2013 (Vantaan väestö 2012/2013 2014, Väestörakenne 2014). Tietenkin pitää tässä vaiheessa taas muistaa, että kartan aineisto on valitettavasti vuodelta 2009. Myös kuntien huoltosuhde kertoo eläkeläisten suhteellisesta jakaumasta, ja aiheesta löysinkin seuraavan diagrammin (kuva 2).

Kuva 2. Vanhushuoltosuhde Helsingin seudun kunnissa vuonna 2013. (Väestö 2014).

Kuva 2. Vanhushuoltosuhde Helsingin seudun kunnissa vuonna 2013. (Väestö 2014).

Suhteellinen määrä näyttää todella olevan korkeinta Kauniaisissa ja matalinta Espoossa. Pääkaupunkiseudulla on kuitenkin muihin kuntiin verrattuna vähemmän eläkeläisiä, kuten voi huomata ensimmäisellä kurssikerralla tekemästä kartastani.

Myös Minni Aalto on tehnyt kartan eläkeläisten absoluuttisesta määrästä pääkaupunkiseudulla (Minni Aalto 2014). Minni on käyttänyt ruutukokoa 300m x 300m, joka tekee hänen kartastaan tarkemman. Käytännössä kartat näyttävät kuitenkin samalta. Minni teki myös erikseen kartan yli 60-vuotiaiden jakautumasta pk-seudulla, sillä osa tästäkin ikäluokasta on jo eläkkeellä. Hänen sanojensa mukaan kuitenkin: ”Kuten kartoista nähdään (kuvat 1 ja 2), eroa ei juurikaan huomaa eli todennäköisesti 60-64-vuotiaat jakautuvat alueelle melko samalla tavalla kuin iäkkäämmätkin ihmiset.

Vielä tunnin loppukevennykseksi pääsisimme kokeilemaan MapInfon piirto-ominaisuuksia. Nämä ominaisuudet taitavat olla muiden ohjelmien heiniä, vaikka pari hauskaa työkalua voisi olla hyvä lisätä Coreliinkin. (kuva 3).

Kuva 3. Sekoilua MapInfon piirtotyökaluilla. Miksei tätä pistetyökalua ole Corelissa?

Kuva 3. Sekoilua MapInfon piirtotyökaluilla. Miksei tätä pistetyökalua ole Corelissa?

 

Lähteet:

Eläkeläisten määrä (2014). Tilastokeskus, Helsinki.

Histogrammityökalu (2014). <http://illuminations.nctm.org/Activity.aspx?id=4152>. 6.2.2014.

Minni Aalto (2014). Kurssikerta 4: Rasterikarttoja MapInfolla. https://blogs.helsinki.fi/mmaalto/

Vantaan väestö 2012/2013 (2014). Vantaan kaupunki. 6.2.2014.http://www.vantaa.fi/instancedata/prime_productjulkaisu/    vantaa/embeds/vantaawwwstructure/91053_vaestoraportti_2013_nettiversio.pdf

Väestö (2014). Helsingin seudun keskeiset tunnusluvut / Helsingin kaupungin tietokeskus. 6.2.2014 <http://www.hel.fi/hel2/Helsinginseutu/HS_tunnusluvut/01_Vaesto_2013.pdf>

Väestörakenne (2014). Espoon kaupunki. 6.2.2014. <http://www.espoo.fi/fi-FI/Espoon_kaupunki/Tietoa_Espoosta/Tilastot_ja_tutkimukset/Vaesto_ja_ vaestonmuutokset/Vaestorakenne(340)>

 

3. kurssikerta: Tietokantoja ja teemakartta valuma-alueista

Taas pääsemme mapinfoilemaan, tällä kertaa hyvin väsyneenä maanantaina. Tähän asti olemme käyttäneet valmiita tietokantoja karttojemme laatimiseen, mutta tällä kerralla harjoittelimme tekemään niitä itse yhdistelemällä aineistoa eri tietokannoista.

Tutustuimme tähän monivaiheeseen prosessiin Afrikka-esimerkin kautta, jossa yhdistimme tietoa afrikkalaisten internet -käyttäjistä, timanttikaivoksista, öljylähteistä ja konflikteista (kuva 1). Loimme uusia sarakkeita käyttämäämme tietokantaan, annoimme ohjelmalle ohjeita etsiä niihin uutta tietoa muista tietokannoista ja laskimme myös ihan uutta tietoa.

Kuvan 1 kartalta voidaan pohtia luonnonvarojen vaikutusta konflikteihin, joilla näyttäisi
olevan selvä yhteys. Näyttää myös siltä, että esitetyt ilmiöt ovat kasaantuneet

Kuva 1. Kartta Afrikan konflikteista ja luonnonvaroista. (PAK-tiedotusblogi 2014).

Kuva 1. Kartta Afrikan konflikteista ja luonnonvaroista. (PAK-tiedotusblogi 2014).

samoille alueille. Afrikassa on runsaasti luonnonvaroja, joista aiheutuvat voitot menevät valitettavan usein aivan muihin maihin. On myös valitettavaa, kuinka paljon karttaa peittää siinä esitetty konfliktien määrä.

Mielenkiintoista olisi, jos voisimme tutkia Afrikan
tietokannasta näiden ilmiöiden ajoittumista tai
esimerkiksi Internet-käyttäjien määrää kyseisellä
alueella. Jos tarkastelisimme tietoja ilmiöiden
ajankohdista (konfliktien alkaminen, luonnonvarojen löytäminen), voitaisiin löytää enemmän yhtäläisyyksiä ja ehkä jopa jollain tavalla ennustaa konfliktien alkamista.
Internetin käyttö on selvä kehityksen mittari ja sen avulla voitaisiin tarkastella, vaikuttaako luonnonvaroista saatu mahdollinen tuotto alueen kehitykseen. Tämä on kuitenkin monessa maassa ongelmallista, sillä voitot kertyvät usein vain tietylle ihmisryhmälle, eivätkä näin auta maan kehitystä.

Olisi myös mielenkiintoista verrata, miten Internetin käyttö vaikuttaa konfliktien syntymiseen. Johanna Hakanen kirjoittaa blogissaan: “Internet voi toimia esimerkiksi väylänä mielipiteiden ilmaisuun tai tiedonvälitykseen, ja sitä kautta se voi olla osa konflikteja, kuten nähtiin esimerkiksi joissain Arabikevään konflikteissa. Toisaalta Internet voi toimia myös sananvapauden ja rauhanomaisen vaikuttamisen välineenä ja sitä kautta vähentää konfliktien määrää.” (Johanna Hakanen 2014).

Tämän kerran toisena harjoituksena oli tehdä teemakartta tulvaindeksistä ja järvisyydestä valuma-alueittain. Tulvaindeksi saadaan, kun keskiylivirtaama jaetaan keskialivirtaamalla. Kartan laatimisessa jouduimme yhdistelemään eri tietokantojen tietoja, kuten Afrikka-esimerkissäkin. Täytyy myöntää, että vähän suurempi univaje (joka ei tietenkään johtunut viikonlopun haalarikastajaisista) teki tästä prosessista aikamoisen välivaiheiden sokkelon, ja huomasin muun muassa tehneeni saman välivaiheen moneen kertaan. Painiskelin myös aineiston luokitteluvalinnan kanssa, sillä mikään vaihtoehto ei tuntunut oikein sopivan. Ongelmia aiheutti tulvaindeksi-aineiston suurin arvo, joka oli 1100 seuraavaksi suuremman ollessa 500. Tästä syystä suurimmasta luokasta tuli varsin erikoinen, sillä siihen kuuluvat arvot vaihtelevat välillä 180-1100. No, tulihan se kartta lopulta tehtyä (kuva 2).

Kuva 1. Tulvaindeksi ja järvisyys valuma-alueittain. Tulvaindeksi esitetään koropleettikarttana ja järvisyys pylväsdiagrammina. Aineiston luokittelussa käytettiin kvantiileja.

Kuva 2. Tulvaindeksi ja järvisyys valuma-alueittain. Tulvaindeksi esitetään koropleettikarttana ja järvisyys pylväsdiagrammina. Aineiston luokittelussa käytettiin kvantiileja (Syke 2014).

Kaikista tulva-alttiimat alueet esitetään kartalla tumman sinisellä, vähiten tulva-alttiit vaaleammalla sävyllä. Järvisyyttä kuvaavat diagrammit on värjätty vaalealla violetilla. Siniset ja sinertävät sävyt sopivat kartan teemaan, sillä siinähän käsitellään veteen liittyviä ilmiöitä. Koropleetti-alueet erottuvat hyvin toisistaan, mutta pylväiden väritykseksi olisi ehkä voinut valita vähän enemmän taustasta poikkeavan värin. Kaikista pienempiä pylväitä on vaikea erottaa kartalta. Muun muassa Meri Korhonen on käyttänyt kartassaan punaisia pylväitä, jotka voivat olla hitusen helpommin erotettavissa koropleeteista (Meri Korhonen 2014). Meri on tehnyt myös kovan työn nimetessään karttaan Suomen jokia, joka tuo karttaan mielenkiintoisen lisän.

Nopeallakin silmäyksellä voi huomata, että tulva-alttiimat alueet sijaitsevat Itämeren rannikon läheisyydessä. Loput valuma-alueet kuuluvat matalimpaan tulvaindeksi-luokkaan, aivan pohjoisinta Lapin aluetta lukuun ottamatta. Järvisyys on suurinta Järvi-Suomessa ja pienintä rannikolla. Syitä kartalla esiintyviin ilmiöihin on varmasti useita. Asia, joka selkeästi näkyy kartalla on se, että järvien vähyys näyttää nostavan tulvaindeksiä. Mitä vähemmän järviä, sitä enemmän tulvia. Järvet ovatkin ”vesivarastoja”, jotka varastoivat sadevettä estäen näin jokien ylikuormittumisen. Rannikkoalueet ovat myös hyvin alavia, jolloin tulvat herkemmin leviävät laajemmalle alueella. Myös sademäärä saattaa olla sisämaan sademäärää suurempaa. Tosin en tiedä, pitääkö tämä Suomessa paikansa, sillä esimerkiksi föhn-tuuli taitaa kuivattaa aikalailla läntistä rannikkoa? Voisi myös kuvitella, että valuma-alueen koko voi vaikuttaa tulvimiseen jollain tavalla. On hyvä muistaa, että luonnollisten tekijöiden lisäksi tulva-alttiutta nostavat myös ihmisen teot. Esimerkiksi Pohjanmaan tulvat ovat voineet lisääntyä suo-ojitusten seurauksena.

Vaikka MapInfolla tietokantojen kanssa säätäminen tuntui etenkin tänä maanantaina erityisen hankalalta, en halua edes kuvitella, minkälaista olisi tuottaa näin isoista aineistoista (etenkin Afrikka-esimerkin aineistosta) karttaa ilman paikkatieto-ohjelmia. Vaikka monta kertaa on tullut kirottua, on kai lopulta vain kiitettävä näiden ohjelmien olemassa olosta.

 

Lähteet:

Afrikan kartan lähteet (2014): Afrikan pohjakartta: http://www.maplibrary.org/stacks/Africa/index.php  Timantit: http://www.prio.no/CSCW/Datasets/Geographical-and-Resource/Diamond-Resources/ Öljyvarat: http://www.prio.no/CSCW/Datasets/Geographical-and-Resource/Petroleum-Dataset/Petroleum-Dataset-v-12/ Konfliktien sijainnit: http://www.prio.no/CSCW/Datasets/Armed-Conflict/Conflict-Site/

Johanna Hakanen (2014). Kurssikerta 3: Datan lisääminen MapInfoon,
pohdintoja harjoituskartasta sekä valuma-aluekartta, PAK-2014 Johannan blogi. 10.3.2014. <https://blogs.helsinki.fi/johakane/>

Meri Korhonen (2014). Kolmas oppitunti: tietokantojen nypläystä, PAK-2014. 29.1.2014. < https://blogs.helsinki.fi/mtpkorho/ >

PAK-tiedotus blogi (2014). <https://blogs.helsinki.fi/pak-2014/>

Syke (2014). Valuma-alueet, Oiva-tietokanta. <http://wwwp2.ymparisto.fi/scripts/paikkatieto.asp>

 

2. kurssikerta: Kaksi päällekkäistä teemaa

Toisella kurssikerralla pureuduimme syvemmälle MapInfon ihmeelliseen maailmaan tekemällä monimutkaisempia teemakarttoja. Kun ensimmäisellä kerralla teimme yksinkertaisen koropleettikartan yhdestä teemasta, nyt pääsimme tutustumaan moniin muihinkin mahdollisiin karttaesityksiin.

Suurimman osan kurssikerrasta harjoittelimmekin yhdessä opettajan johdolla, miten erilaisia karttoja MapInfolla tehdään. Saimme kokeilla erilaisia vaihtoehtoja kaksiteemaisesta kartasta 3D-esitykseen. Oli mielenkiintoista nähdä, kuinka paljon erilaisia esitysvaihtoehtoja löytyy samalle aineistolle ja kuinka helppoja ne oli loppuen lopuksi toteuttaa. Välivaiheita ja yksityiskohtia oli kuitenkin sen verran, että voin arvella myös virheiden tekemisen olevan helppoa.

Itse tehtävä tällä kurssikerralla oli tehdä teemakartta, jossa on kaksi teemaa päällekkäin. Ohjeistus ”käytä kaikkea sitä oppimaasi, mitä tiedät teemakarttojen tekemisestä” muodosti kieltämättä pieniä paineita. Esitettäväksi alueeksi valitsin Uudenmaan maakunnan, mutta itse teema oli vaikeampi keksiä. Ajattelin ensin tehdä ympyräkartogrammin ikäluokkien jakaantumisesta, mutta äkkiä tässä prosessissa tuli Corelia ikävä. Kokelin useampaa eri teemaa ja esitystyyppiä, mutta MapInfo ei ollut useinkaan samaa mieltä, vaan päätti kaatua useamman kerran.

Lopulta sain valittua kahdeksi teemakseni työttömyysasteen ja korkea-koulutettujen osuuden väestöstä. Kummatkin aineistot muodostavat epämääräisen jakauman, joten käytin kummassakin luokittelutapana luonnollisia luokkavälejä (kuva 1, kuva 2).

kk2_histog1

Kuva 1. Histogrammi työttömyysasteesta Uudenmaan kunnissa vuonna 2010 (Histogrammityökalu 2014, Työssäkäyntitilasto 2010).

 

kk2_histog2

Kuva 2. Histogrammi korkea-asteen tutkinnon suorittaneiden osuudesta Uudenmaan kunnissa vuonna 2010 (Histogrammityökalu 2014, Oppilaitostilastot 2010).

Työttömyysasteen esitin kolmeluokkaisena koropleettikarttana. Enemmän kuin kolme luokkaa olisi tehnyt kaksiteemaisesta kartasta vaikeasti luettavan, varsinkin kun MapInfon omia värityksiä ja rastereita on joskus vaikea erottaa toisistaan. Esityksen väritykseksi valitsin kirkkaan punaisesta vaaleampaan punaiseen muuttuvat sävyt. Hertta Lehvävirtakin blogissaan toteaa, että punainen koetaan ”hälyttäväksi” väriksi, ja siksi se sopiikin työttömyyden kuvaamiseen (Hertta Lehvävirta 2014). Haastavampaa oli toisen teeman, ”korkea-asteen tutkinnon suorittaneiden osuus väestöstä” merkitseminen kartalle. En millään meinannut löytää sopivaa esitysmuotoa, ja MapInfosta tuntui löytyvän yllättävän vähän rasterivaihtoehtoja. Lopulta päädyin valitsemaan pisterasterin, jossa arvon suuruus näkyy pisteiden etäisyydestä toisistaan (kuva 3).

Tyottomyysaste_Korkeanasteen_koulutus

Kuva 3. Teemakartta työttömyysasteesta ja korkeakoulutettujen osuudesta Uudellamaalla vuonna 2010 (Työssäkäyntitilasto 2010; Oppilaitostilastot 2010).

Tehdystä kartasta voidaan tehdä joitakin johtopäätöksiä, vaikka ihan selkeää korrelaatiota näiden kahden teeman välillä ei voi nähdä. Ainakin voi sanoa, että tässä esitetyissä kunnissa, joissa korkeakoulutettuja on yli 37,5 %, ei työttömyys kuulu hälyttävimpään luokkaan, eli luokkaan 8,3-11,2%. Kaikista eniten korkeakouluttautuneita on kartan mukaan Helsingissä, Espoossa, Kirkkonummella ja Kauniaisissa. Espoo, Kauniainen ja Kirkkonummi kuuluvat myös alhaisimman työttömyysasteen luokkaan. Mitä kauemmaksi mennään Helsingistä, sitä vähemmän kunnissa asuu korkeakoulutettuja, johtuen kai ainakin osittain siitä, että korkeakoulutettujen työpaikat sijaitsevat enimmäkseen pääkaupunkiseudulla. Helsinki ja sitä ympäröivät kunnat näyttävät myös työttömyyden kannalta parhaimmalta, poikkeuksena toisin Vantaa, joka kuuluu korkeimpaan työttömyyden luokkaan. Syyt tähän eroon voisivat olla esimerkiksi Vantaan ”huono maine” muuhun pääkaupunkiseutuun verrattuna ja korkea vieraskielisten työttömyys. Kartassa on otettava huomioon, että käytetty aineisto on vuodelta 2010. Nykytietojen mukaan kartta näyttäisi erilaiselta. Esimerkiksi Espoossa työttömyysaste oli marraskuun 2013 loppupuolella 7,6 % (Työttömyys kuukausittain 2014).

Täsmälleen samasta teemasta on tehnyt myös Laura Hintsainen (Laura Hintsainen 2014). Myös hänen karttansa koostuu kahdesta päällekkäisestä koropleettikartasta, jossa työttömyysaste esitetään punaisella sävyllä ja korkea-asteen tutkinnon suorittaneiden osuus pisterasterilla. Selkeä ero kartoissamme on siinä, että käytimme aineistoa luokitellessamme erilaista luokittelutapaa; minä luonnollisia luokkavälejä ja Laura tasavälistä luokitusta. Uudenmaan työttömyystilanne näyttää paljon paremmalta Lauran kartasta, sillä korkeimman työttömyysasteen luokkaan kuuluu vain 6 kuntaa. Erityisesti vantaalaiset ovat varmasti tyytyväisempiä tasaväliseen luokitukseen; Lauran kartassa Vantaa kuuluu samaan työttömyysluokkaan kuin Helsinki, eikä suinkaan korkeamman työttömyyden luokkaan. Teoriassa kummatkin luokittelutavat sopivat epämääräiselle jakaumalle. Tästä herää kysymys siitä, minkälaisen viestin kartan avulla halutaan välittää. Meneekö Uudellamaalla hyvin vai huonosti? Kartantekijä voi viedä lukijaa jompaankumpaan suuntaan.

Lauran kartta: https://blogs.helsinki.fi/lhintsan/files/2014/01/Kurssikerta-2-Työttömyys-ja-koulutus-e1390330706763.png>

Tällä kurssikerralla huomasin erityisesti, kuinka helppo erilaisia karttaesityksiä on tuottaa. MapInfo saa näyttämään kaiken yksinkertaiselta, vaikka oikeasti taustalla olisikin meneillään lukuisia prosesseja. Tekisi myös mieli valita aineiston esittämiseen jokin erikoinen ja visuaalisesti jännittävä kartta, kuten 3D-mallinnus, vaikka se ei kyseisen aiheen esittämiseen sopisikaan. Kuka tahansa pystyisi luomaan MapInfolla jonkinlaisen kartan tietämättä itse ohjelmasta yhtään mitään, mutta yhden pienen välivaiheen pois jääminen voi vaikuttaa dramaattisesti lopputulokseen ja varsinkin siitä tehtyihin päätelmiin. Pakko palata siihen, mitä mietiskelin ensimmäisenkin kurssikerran jälkeen; kuinka paljon ohjelmat vaikuttavat kartan lopputulokseen. Meidän on opittava kontrolloimaan paikkatieto-ohjelmia, jotta ne eivät kontrolloisi meitä!

 

Artikkeli kaksiteemaisista kartoista

Puolalainen tutkija Anna Leonowicz esittelee artikkelissaan kaksiteemaisen koropleettikartan ominaisuuksia ja etuja verrattuna yksiteemaiseen karttaan (Leonowicz, A. 2006).

Leonowiczin mukaan yksiteemaiset koropleettikartat ovat yleisiä kartografiassa, mutta eivät sovi monimutkaisempien ilmiöiden ja suhteiden kuvaamiseen. Kaksi teemaisessa koropleettikartassa esitetään kaksi teemaa samanaikaisesti. Kahden yksiteemaisen kartan vertaaminen toisiinsa aiheuttaa enemmän virheitä kuin tilanteessa, jossa teemat esitetään samalla kartalla.

Kaksiteemaisia karttoja pidetään kuitenkin vaikea lukuisina. Niitä on vaikeampi ymmärtää, erityisesti niiden poikkeavaa legendaa. Leonowiczin artikkeli kuitenkin kertoo, että huono luettavuus ei kuitenkaan johdu itse kaksiteemaisuudesta, vaan huonosta visualisoinnista. Kartoissa voi olla liian monta luokkaa, tai värit voivat olla epäloogisia tai epäselviä toisiinsa nähden. Sopivaksi luokkien määräksi Leonowicz esittää neljä tai yhdeksän luokkaa (2×2 tai 3×3). Värien pitäisi selvästi erottua toisistaan ja edustaa omaa luokkaansa. Esimerkiksi värit magenta ja syaani sopivat tähän tarkoitukseen.

Leonowicz teki tutkimuksen, jossa oli tarkoitus verrata yksiteemaisen ja kaksiteemaisen koropleettikartan käyttötarkoitusta. Tutkimuksen hypoteesi oli, että yksiteemaiset kartat esittävät paremmin ilmiöiden jakaantumista, kun taas kaksiteemaiset sopivat ilmiöiden välisten suhteiden esittelyyn, silloin kun ne on toteutettu oikein. Koehenkilöinä tutkimuksessa käytettiin 128 maantieteen opiskelijaa. Leonowiczin mukaan tulokset olivat hypoteesin mukaiset.

Kaksiteemaiset koropleettikartat tuntuvat olevan hyviä esittämistapoja, jos ne osataan tehdään oikein. On sitten eri asia, onko niiden tekeminen oikein helppoa. Taidokkaan kartanlaatijan lisäksi kartan lukijalta vaaditaan hyvää kartanlukutaitoa. Etenkin hankalalta näyttävä, kaksiteemainen legenda saattaa saada kokemattoman lukijan turhautumaan; se koostuu hajontakuviosta, jossa akselit esittävät arvoja kummastakin muuttujasta.

Mitä monimutkaisempi kartta on, sitä enemmän kartanlukija saattaa tehdä lukuvirheitä. Jessica Järvinen huomauttaa blogissaan, että tätä voidaan käyttää myös hyväksi: Jäin miettimään, että kuinka helppo kartalla olisi esittää ・väärää・ tietoa ja saada kartta näyttämään luotettavalta ilman oikeaa korrelaatioyhteyttä. Kartan esitystapaa voisi käyttää siis väärin laittamalla sellaiset muuttujat kartalle, joilla näyttäisi olevan yhteys kartan perusteella, mutta totuudessa yhteys olisikin vähäinen. Tällä tavoin voisi käyttää karttaa omiin tarkoitusperiinsä ja yrittää muokata ihmisten mielipiteitä.” (Jessica Järvinen 2014). Erityisesti kartanlukutaidottomia ihmisiä voidaan helposti johtaa harhaan kartoilla, jotka eivät ole kovinkaan yksiselitteisiä.

Kun katson omaa karttaani huomaan, että minulla on vielä paljon opittavaa. Onneksi on olemassa tälläisiä kursseja, joissa näitä taitoja on mahdollista kehittää. Muuten eksyisin nopeasti karttojen mahdollisuuksien sekamelskaan.

 

Lähteet:

Hertta Lehvävirta (2014.) Ensimmäinen kurssikerta: tutustumista MapInfoon, PAK 2014/ Hertan kurssiblogi. 20.1.2014 <https://blogs.helsinki.fi/herttale/ >

Histogrammityökalu (2014). < http://illuminations.nctm.org/Activity.aspx?id=4152 >

Jessica Järvinen (2014). Artikkeli 1, Jessican PAK-blogi. 8.3.2014. <https://blogs.helsinki.fi/jessicaj/>

Laura Hintsainen (2014) Kahden teeman teema kartat, Lauran PAK-blogi. 23.1.2014. https://blogs.helsinki.fi/lhintsan/

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

Oppilaitostilastot (2010). Tilastokeskus.

Työssäkäyntitilasto (2010). Tilastokeskus.

Työttömyys kuukausittain (2014). Espoon kaupunki. 20.1.2014. <http://www.espoo.fi/fiFI/Espoon_kaupunki/Tietoa_Espoosta/ Tilastot_ja_tutkimukset/Tyossakaynti_tyottomyys_ja_elinkeinot/Tyottomyys_kuukausittain(549)>

 

 

1. kurssikerta: MapInfoon tutustuminen ja koropleettikartta

Paikkatiedon hankinta, analyysi ja kartografia -kurssilla on tarkoitus tutustua paikkatieto-ohjelmien käyttöön kartografiassa ja harjoitella niiden avulla laadukkaiden karttojen laatimista. Tarkoituksena on myös pohtia ja analysoida kurssilla saatua tietoa ja jakaa saadut päätelmät muille tämän blogin avulla.

Ensimmäisellä kurssikerralla kerrattiin paikkatiedon ja paikkatietojärjestelmien perusteita, sekä aloitettiin tutustumaan paikkatiedon käsittelemiseen MapInfo-ohjelmalla, jota aikaisemmin oli vain nopeasti vilkaistu TAK-kurssilla.

MapInfoa tutkittiin tekemällä harjoitus, jonka tarkoituksena oli luoda koropleettikartta jostain aiheesta. Aluksi teimme yhdessä opettajan johdolla kartan Helsingin osa-alueista, tutustuen MapInfon erilasiin toimintoihin. Vaikka teemakartan laatiminen vaikutti yksinkertaiselta ja ohjelman toiminnot loogisilta, heti kun aloin tekemään omaa karttaani olivat vaiheet unohtuneet samantien. Oli kuitenkin hauska yrittää etsiä, missä halutut toiminnot löytyvät ja samalla huomata mitä muuta ohjelmalla voi tehdä.

Oman koropleettikarttani tein eläkkeellä olevien osuudesta Suomen kunnissa vuonna 2010 (Eläkeläisten osuus väestöstä 2010). Itse kartan laatiminen ei ollut vaikeaa, kun vain oikeat toiminnot löytyivät ohjelmasta. Halutut tiedot pystyi valitsemaan kivuttomasti ja ohjelmasta löytyi erilaisia esitysvaihtoehtoja. Ohjelma osasi myös monessa kohtaa etukäteen arvata, mitä seuraavaksi halusin tehdä. Aineiston luokitteleminen oikein oli kuitenkin pelkällä MapInfo -ohjelmalla haastavaa, sillä ohjelmalla itsellään ei voinut luoda histogrammeja. Aineiston histogrammi tehtiin netistä löytyvällä histogrammi-ohjelmalla (Histogrammityökalu 2014). Aineisto on normaalisti jakaantunut (kuva 1). Voin siis käyttää luokittelutapoina kvantiileja, keskiarvoja ja hajontalukuja. MapInfossa ei ollut ollenkaan vaihtoehtona käyttää keskiarvoja, jota olisi myös ollut kiva kokeilla. Valitsin luokittelutavaksi kvantiilit. Jaoin aineiston vain kolmeen luokkaan, jolloin jokaiseen luokkaan tuli yhtä monta arvoa.

Elakkeella olevien osuus

Kuva 1. Histogrammi eläkkeellä olevien osuudesta Suomen kunnissa vuonna 2010 (Eläkeläisten osuus väestöstä 2010).

Hankalinta tässä harjoituksessa oli varsinaisen tulosteen luominen. Valmiin kuvan tekemiseen käytettiin layout -ikkunaa, joka muuttui samalla, kun varsinainen työikkuna muuttui. Tämä oli toisaalta kätevää, mutta Suomen kartan sommitteleminen layout-ikkunaan osoittautui hankalaksi. Erityisesti pohjoisnuolen ja mittakaavan asettaminen sopivaan paikkaan ei meinannut millään onnistua. Tähänkin ongelmaan voi olla ratkaisuja, joita en vielä tiedä. Yleisesti ottaen ohjelman visuaaliset toiminnot tuntuivat ainakin tähän asti hieman `tönköiltä`, varsinkin kun aikaisemmalla TAK-kurssilla totuttiin käyttämään Corel Draw -piirto-ohjelmaa. Myös Jonne Alkiomaa oli törmännyt samaan ongelmaan ja toteaa blogissaan: “Eri elementtien pitäminen oikeilla paikoillaan ja sen kokoisena kuin niiden halusi olevan tuntui olevan huomattavasti vaikeampaa kuin sen kuuluisi olla.” (Jonne Alkiomaa 2014).

Valmiista koropleettikartasta tuli kuitenkin suhteellisen selkeä ja helppolukuinen (kuva 2). Vihreä väri on mukava silmille, vaikka vähäisten luokkien takia tummin sävy saattaa erottua liikaa muista. Pientä hienosäätöä voisi vielä tehdä, sillä esimerkiksi kartan rannikko on turhan tarkkaan kuvattu tähän tarkoitukseen. Kartalta voi lukea, että vähiten eläkeläisiä on suurimmissa väestökeskittymissä, kuten pääkaupunkiseudulla ja vähemmän harva-asuisemmilla alueilla, kuten Ilomantsissa.

Elakkeella olevien osuus kartta – Kopio

Kuva 2. Koropleettikartta eläkeläisten osuudesta Suomen kunnissa vuonna 2010 (Eläkeläisten osuus väestöstä 2010).

Helpoiten kai huomaa omat virheensä, kun vertaa omia tuotoksiaan muiden tuotoksiin. Myös Natalia Erfving käytti samanlaista vihreää väritystä kartassaan, joka kuvaa työssäkäyvien henkilöiden osuutta 18–74-vuotiaista vuonna 2010 (Natalia Erfving 2014). Hän on värivalinnasta kanssani samaa mieltä: “valittu rasteriväri toimii myös mielestäni  hyvin: minimi- ja maksimiarvojen alueet erottuvat selkeästi kartalta, mutta väriskaala ei kuitenkaan ole korostetun silmiinpistävä.” Natalia käytti aineistossaan viittä luokkaa, joten kartat näyttävät samasta väristä huolimatta erilaisilta. Kun vertaan näitä karttoja huomaan, että omassa kartassani alueiden väliset erot näyttävät hyvin suurilta, vaikka karttojemme aineistojen vaihteluvälit eivät eroa kooltaan paljon toisistaan. Toisaalta omassa kartassani pidän siitä, että suurimmat asutuskeskittymät erottuvat selvästi kartalta vähiten eläkeikäisiä omaavaksi. Ehkä ensi kerralla kokeilen neljää luokkaa! Näin on tehnyt muun muassa Johanna Hakanen kartassaan, joka kuvaa 15-64 vuotiaiden osuudesta Suomen kunnissa vuonna 2010 (Johanna Hakanen 2014).

Natalian kartta: https://blogs.helsinki.fi/nataliae/files/2014/01/kartta1.png

Johannan kartta: https://blogs.helsinki.fi/johakane/files/2014/01/PIENEMPI-UUSI-e1389702715439.jpg

Mitäs tästä harjoituksesta ajattelen? Paikkatieto-ohjelmat ovat erittäin kätevä työväline etenkin suuren aineiston analysoinnissa ja esittämisessä. Ilman niitä karttoja olisi huomattavasti työläämpää toteuttaa ja inhimillisten virheiden määrä kasvaisi. En voi kuitenkaan olla huomioimatta myös sitä seikkaa, että nämä ohjelmat tekevät myös osittain valintoja kartantekijän puolesta. Kartta ei ole silloin vain kartantekijän tulos, vaan valinnat rajoittuvat myös ohjelmasta löydettäviin työkaluihin ja toimintoihin. Itse ohjelma voi siis ohjata tietynlaiseen kartantekotapaan.

 

Lähteet:

Eläkeläisten osuus väestöstä (2010). Väestörakenne 2010. Tilastokeskus, Helsinki.

Histogrammityökalu (2014). < http://illuminations.nctm.org/Activity.aspx?id=4152 >

Johanna Hakanen, Kurssikerta 1: MapInfo ja koropleettiteemakartta. 16.1.2014. <https://blogs.helsinki.fi/johakane/>

Jonne Alkiomaa, Kurssikerta 1. 16.1.2014. <https://blogs.helsinki.fi/jonnealk/ >

Natalia Erfving, Kurssikerta 1: MapInfoon tutustuminen & koropleettiteemakartta. 16.1.2014  <https://blogs.helsinki.fi/nataliae/ >