Two new papers out on cycling!

We have published two new articles on cycling! 

What do trip data reveal about bike-sharing system users‘ was published in Journal of Transport Geography.


    • As cities strive to foster cycling, bike-sharing systems (BSS) have become increasingly common.
    • We used bike-sharing trip data from Helsinki and looked at user profiles and usage patterns. We also focused on the possibilities of BSS trip data.
    • The bike-sharing system in Helsinki has been actively used even in international comparison, but our results point toward challenges in BSS inclusivity in Helsinki in 2017. Most use was contributed by a limited group of ‘super-users’.
    • BSS trip data provides opportunities to understanding BSS user profiles & patterns. By being well available, unlike many other cycling data sources, and automatically collected, trip data can save resources, facilitates longitudinal research and reveals observed behaviour.

Willberg E., Salonen M., Toivonen T. (2021). What do trip data reveal about bike-sharing system users? Journal of Transport Geography.


Comparing spatial data sources for cycling studies – a review will be published officially later this year in the NECTAR book ‘Transport in Human Scale Cities’, but we have made it available as a postprint already now.


    • We reviewed various spatial data sources on cycling
    • We built upon the expertise of a broad group of cycling experts and collected their views on the strengths, weaknesses and usability of the data sources.
    • With several reviewed data sources, having data is still a key challenge including difficulties in data collection, lack of suitable data and poor accessibility to it,
    • Data availability could be improved by increased data sharing by planning agencies and researchers. Development of data products to improve access to the data collected by private companies is also needed. However, this development must be carried our responsibly protecting users’ privacy.

Willberg, E., Tenkanen, H., Poom, A., Salonen, M., & Toivonen, T. (2021). Comparing spatial data sources for cycling studies – a review. SocArXiv


Here’s the press release on the articles:

Spatial  data for understanding urban cycling

Cities strive to increase their cycling levels and constantly more information is being collected on cycling. Two recent studies by the Digital Geography Lab group reveal what novel big data tell us about city bike users, for example, and how the availability of information collected about cycling remains a major challenge.

The popularity of cycling is growing, especially in urban areas. Also, as a result of the COVID-19 crisis,  many have switched to cycling. Cycling is one of the ways to promote sustainable mobility in cities. Bike-sharing systems have become one of the most visible measures to promote cycling in Finnish cities, and the reception of the systems has often been enthusiastic. Bike-sharing systems also provide a novel information about cycling.

The Digital Geography Lab group has studied cycling with novel big data. A recently published article considers the possibilities of bike-sharing trip data in cycling research. The information is used to analyze the spatial and temporal usage patterns of the Helsinki bike-sharing system in addition to understanding user characteristics and inclusivity of the system.

Demographics of BSS users (a) and BSS trips (c) compared to the Helsinki population. Bar charts show the comparison in regard to users’ home area (b) and users’ subscription type (d)

Young adult city dwellers are large consumers of urban bikes

“Helsinki bike-sharing system has been popular based on use activity. But in the scientific discussion, bike-sharing systems are often criticized for mainly serving only certain groups of people, ”says doctoral researcher Elias Willberg.

“This criticism made us interested in looking at users of the Helsinki system,” he continues. The aim for the research is to bring new perspectives to the practical design and management of bike-sharing systems in cities.

The study found that despite the high use, the user population in the early years of the bike-sharing system was strongly focused on young adults living within the system area. The survey was conducted with data from 2017, when the system still collected basic data variables on registered users. The study also showed the potential of bike-sharing trip data in understanding user needs and habits of various users.

“It is important to pay attention that bike-sharing systems would serve the widest possible range of different areas and groups of people, so that the systems can effectively support sustainable urban mobility. Data from shared bikes provide useful information for these needs, ”Willberg says.

On weekdays, most cyclists are on the move in the morning and afternoon. On weekends, people cycle less than on weekdays and go cycling throughout the day.

Various sensors and portable devices provide information about cycling to researchers

Another newly completed scientific article by our group involved cycling experts from across Europe and gathered information on the benefits and challenges of various data sources on cycling. The article will be published in the book “Transport in Human Scale Cities”  in the autumn, but it is already available online. “Various sensors and portable devices such as mobile phone apps and sports watches are increasingly storing information also about cyclists. A diverse use of various data sources is essential for holistic understanding of cycling, ”says Tuuli Toivonen, Professor of Geoinformatics, who led the research.

The main message of the study is that the availability of data remains a major bottleneck in cycling research and knowledge-based design. Novel data sources provide tools for understanding cycling and answer questions such as where and when people cycle in urban areas. But they are not a panacea. Automatically collected data from various systems do not provide much for understanding causes of cycling, for example. Such data may also be skewed on active users. In this case, they do not necessarily represent the entire population.

“There is still a lot of work to be done in improving the availability and transparency of cycling data,” Toivonen says. “Despite the great need, access to data must be promoted responsibly, taking into account privacy issues,” she concludes.

Suitability of cycling data sources to various types of questions

Towards summer cottages: Mobility flows amid the COVID-19 outbreak in Finland in March

Olle Järv, Elias Willberg, Tuomas Väisänen, Tuuli Toivonen

According to Statistics Finland (2018), there are more than half a million summer cottages around Finland. They are mostly located in rural areas close to waterbodies – lakes and seaside. In a country with 2.7 million households, such a high number of cottages may change the population patterns drastically once people would move to their cottages in large numbers. This is a potential risk during the epidemic outbreak such as the COVID-19 – health care services are designed mostly based on the permanent population and the cottage dwellers might break the balance in sparsely populated areas. Our preliminary findings already indicated that despite travelling restrictions due to the COVID-19 outbreak in Finland many people escaped from big cities to their summer cottage, see here. But was it really the lure of the summer cottages that explain the mobility patterns to more rural countryside?

Method: We used anonymised and aggregated mobile network data from Telia Crowd Insights such as activity location data as in our previous analyses, and further examined trip data between municipalities. Activity location data indicates the presence of people in a municipality – once a person stays at least 20 minutes in one municipality during one day, then his/her presence is counted as one activity location in given municipality. For example, when having a longer lunch break in a gas station during a long-distance travel. Thus, a person can have several activity locations in different municipalities each day. Trip data is calculated between the two consecutive activity locations at municipality level. In trip data, actual long-distance travel is counted as two different trips, if a longer break is taken during travelling. For example, travel from Helsinki to Rovaniemi by train via Jyväskylä is counted as two trips in data, because train stops at Jyväskylä longer than 20 minutes. These nuanced must be taken into account while reasoning findings.

Findings: We compared the change in the number of people in municipalities and the relative distribution of summer cottages. We found a strong proof that urban dwellers did escape to their summer cottages amid the COVID-19 outbreak. Mobility flows to summer cottages started already after the first official guidance on 12th March, and people were in their second-homes already before travelling restrictions were made official by the government. Data indicates that on average some 370 additional people for every 1000 summer cottages in a municipality arrived to a municipality towards the end of March.

To analyse the phenomenon further, we chose six municipalities for further analysis. All of these municipalities are rich in summer cottages and showed increasing number of dynamic population during the COVID-19 outbreak. We analysed the flow of people using aggregated and anonymized trip data (see above).

The mobility flows show varying geographical catchment areas for different municipalities, indicating also different risk levels of potential virus spreading outbreak. Municipalities in Central Finland received people from more diverse directions, whereas in coastal areas and closer to country border origins of mobility is more concentrated to close by municipalities or other shoreline locations. Thus, from the perspective of human mobility, summer cottage areas in the central parts of the country play stronger mediating role for virus transmission between different regions in Finland.

Figure 1. The linear correlation between the increase of people compared to typical workdays and the relative amount of summer cottages per 1000 inhabitants at municipality level gives the correlation coefficient 0.75. Municipalities in the Åland Islands are excluded from the correlation as ferry passengers passing through the archipelago affect their data. On average, municipalities gained some 11 % of additional people in case of municipalities that increased the presence of people in the last week of March compared to the baseline week (n = 174).


Figure 2. Temporal dynamics of temporary population compared to the baseline working days (average from Mon 3.2. to Thu 6.2.) in case of six well-known ”summer cottage” municipalities in Finland. In addition to typical weekend visits to summer cottages, people stayed there also during the winter holiday season (15.2-8.3). After just a couple of typical workdays people started to move back to their summer cottages since Thursday (12.3.) regarding the COVID-19 outbreak, but with much higher volume.


Figure 3. We approximated the “occupancy” of summer cottages while people escaped cities due to the COVID-19 crisis. The amount of increased people per 1000 summer cottages in a municipality is considered as an indicator for the summer cottage “occupancy”. We examined municipalities that increased the presence of people in the last week of March compared to the baseline week (n = 174). These municipalities gained some 370 additional people per 1000 summer cottages in a municipality, on average. Half of these municipalities gained additional people from 230 to 530 per 1000 summer cottages. More specifically, we rank ordered municipalities by summer cottage count per inhabitants and selected top 25 “summer cottage” municipalities – half of these municipalities gained additional people from 230 to 400 per 1000 summer cottages in a municipality.


Figure 4. Three different geographical tales of human mobility to popular summer cottage municipalities in Finland: 1) Sysmä, 2) Puumala, and 3) Kustavi. The maps show the geographical catchment area of each observed municipality. In each selected municipality, most people arrive from the close neighboring municipalities; however, these also attract people widely from different parts of Finland.


Figure 5. Mobilities to SysmäPuumala, and Kustavi in the context of the COVID-19 infection situation. The mobility flows reveal varying geographical catchment areas for different municipalities, which also can indicate different risk levels of potential virus transmission for different municipalities. For example, Uusimaa region in South Finland (including the Capital of Helsinki) has been the hotspot of the COVID-19 outbreak in Finland and had the highest infection rate per 100 000 inhabitants at late March 2020 (data by healthcare districts in 29.3.2020). Considering all trips to a municipality between 12.3 – 29.3, only 13% (Sysmä),  9.5% (Puumala) and 7.3% (Kustavi) were from Uusimaa.

Kesämökkejä kohti – Liikkumisvirrat Suomessa COVID-19 epidemian aikaan

Olle Järv, Elias Willberg, Tuomas Väisänen, Tuuli Toivonen

Tilastokeskuksen mukaan (2018) Suomessa on yli puoli miljoonaa kesämökkiä. Pääosin ne sijaitsevat harvemmin asutuilla alueilla lähellä vesistöjä. Maassa, jossa on yhteensä 2.7 miljoonaa kotitauloutta, kesämökkien määrä voi vaikuttaa merkittävästi väestön sijoittumiseen, etenkin jos ihmiset siirtyvät kesämökeilleen massoina, kuten tapahtui COVID-19 kriisin alettua. Kun terveyspalvelut ovat pääosin suunniteltu vakituisen väestön pohjalta, kesämökkeilijät voivat merkittävästi lisätä terveyspalveluihin kohdistuvaa taakkaa. Alustavat tuloksemme viittasivat siihen, että moni siirtyi kesämökilleen isoista kaupungeista COVID-19 epidemian seurauksena huolimatta hallituksen matkustusrajoituksista (linkkI). Mutta selittikö kesämökkien houkutus todella löytämämme liikkumisrakenteet?

Menetelmä: Kuten aiemminkin, käytimme Telian Crowd Insights-palvelun anonymisoitua ja yleistettyä mobiiliverkkodataa, kuten aktiviteettisijainteja ja matka-aineistoa. Tilastotasoisista aineistoista ei ole mahdollista tunnistaa yksittäisien ihmisten tai pienten ryhmien liikkeitä. Aktiviteettiaineisto kuvaa väestön oleilua  kunnan alueella, jossa jokainen 20 minuutin oleilu yhden päivän aikana tallennetaan aktiviteetiksi kyseisen kunnan tilastoon. Tällöin esimerkiksi pidempi kahvitauko huoltoasemalla lasketaan aktiivisuussijainniksi ja niitä voi olla useampia päivän aikana eri kuntien alueella. Matka-aineisto puolestaan lasketaan kuntatasolla kahden akvitiviteettisijainnin väliksi. Tällöin matka-aineistossa pitkät matkat voivat tulla lasketuksi kahdeksi tai useammaksi matkaksi riippuen pitkien taukojen määrästä. Esimerkiksi junamatka Helsingistä-Rovaniemellä lasketaan useaksi matkaksi mikäli juna pysähtyy osalla asemista, kuten Tampereella, yli 20 minuutiksi. Nämä tekijät tulee ottaa huomioon tuloksia tulkitessa.

Löydökset: Vertasimme muutosta väestön määrässä eri kunnissa sekä kesämökkien suhteellista jakaumaa kunnittain. Löysimme vahvaa näyttöä siitä, että kaupunkilaiset todella pakenivat kesämökeilleen COVID-19 epidemian seurauksena. Liikkumisvirrat kesämökeille alkoivat jo ensimmäisten hallituksen suositusten jälkeen 12. maaliskuuta. Ihmiset siis olivat jo kakkoskodeissaan ennen kuin matkustusrajoitteet astuivat voimaan. Aineiston perusteella jokaista 1000 kesämökkiä kohden, kuntiin saapui keskimäärin noin 370 ihmistä lisää maaliskuun loppua kohden.

Päästäksemme tähän ilmiöön paremmin käsiksi, otimme kuusi kuntaa tarkempaan tarkasteluun. Kaikki kunnat ovat kesämökkivaltaisia, joissa väestön määrä oli kasvanut COVID-19 kriisin aikana. Tarkastelimme ihmisvirtoja anonymisoidulla ja yleistetyllä matka-aineistolla (ks. ylempää).

Ihmisvirtojen perusteella tarkasteluilla kunnilla on varsin erilaiset vaikutusalueet, mitkä osaltaan vaikuttavat viruksen leviämisen riskiin. Keski-Suomen kuntiin saapuu väestöä useammasta eri suunnasta kun puolestaan rannikkoalueilla ja Itä-Suomessa liikkumisvirtojen lähtöalueet keskittyvät useammin lähialueiden kuntiin. Liikkumisen näkökulmasta keskellä maata sijaitsevilla kesämökkikunnilla oli siten suurempi riski levittää virusta saapuvien ja lähtevien ihmisten mukana eri puolille Suomea.

Kuva 1. Lineaarinen korrelaatio ihmisten määrän lisääntymisen (verrattuna normaaliin työpäivään) sekä kesämökkien suhteellisen osuuden jokaista 1000 asukasta kohden välillä. Kuntatason vertailu antaa korrelaatiokertoimeksi 0,75. Ahvenanmaan kunnat on jätetty tarkastelun ulkopuolelle, koska ohikulkevat risteilymatkustajat vaikuttavat kuntien lukuihin. Keskimäärin ne kunnat, joissa väestömäärä kasvoi maaliskuun viimeisellä viikolla, kasvattivat väestöään 11 % verrattuna tarkastelujaksoon (n=174).


Kuva 2. Väliaikaisen väestön ajallinen vaihtelu verrattuna tarkastelujakson arkipäiviin (keskiarvo maanantai 3.2. – torstai 6.2.) kuudessa kesämökkikunnassa. Tyypillisten viikonloppuvierailujen lisäksi hiihtolomakausi erottuu ajanjaksona, jolloin ihmiset viettivät aikaa näissä kunnissa ennen COVID-19 epidemiaa. Epidemian alettua, ihmiset alkoivat siirtymään takaisin kesämökkikuntiin 12. maaliskuuta alkaen entistä suuremmissa määrin.

Kuva 3. Arvioimme myös kesämökeillä oleilua COVID-19 kriisin aikaan. Lisääntyvän väestön määrä 1000 kesämökkiä kohden kuntatasolla toimi tässä tapauksessa indikaattorinamme kesämökkioleilusta. Tarkastelimme kuntia, joissa väestön määrä kasvoi maaliskuun viimeisellä viikolla verrattuna tarkastelujaksoon. Nämä kunnat vastaanottivat keskimäärin 370 ihmistä lisää jokaista 1000 kunnan alueella sijaitsevaa mökkiä kohden. Puolet näistä kunnista saivat 230-530 ihmistä lisää 1000 kesämökkiä kohden. Valitsimme vielä 25 kuntaa, joissa on eniten kesämökkejä ja tarkastelimme niitä erikseen. Puolet näistä kunnista saivat 230-400 ihmistä lisää 1000 kesämökkiä kohden.


Kuva 4. Kolme erilaista maantieteellistä tarinaa ihmisten liikkumisesta suosittuihin kesämökkikuntiin: 1) Sysmä, 2) Puumala ja 3) Kustavi. Kartat osoittavat maantieteellisen vaikutusalueen jokaiselle tarkastelulle kunnalle. Jokaisessa niistä valtaosa ihmisistä on saapunut läheisistä kunnissa, mutta ne houkuttelevat ihmisiä myös eripuolilta Suomea.


Kuva 5. Liikkuminen Sysmään, Puumalaan ja Kustaviin suhteessa COVID-19 epidemian tilanteeseen. Liikkumisvirrat paljastavat erilaisia vaikutusalueita eri kunnille, joka myös indikoi erilaista riskiä viruksen leviämiselle. Esimerkiksi Uudellamaalla, joka on ollut suurin epidemian keskittymä Suomessa, oli korkein tartuntatapausten määrä 100 000 asukasta kohden maaliskuun lopulla (epidemiatilanne 29.3.2020). Kaikki kuntien väliset matkat huomioiden välillä 12.3 ja 29.3, kuitenkin vain 13% Sysmään saapuneesta väestöstä saapui Uudeltamaalta. Vastaavat luvut Puumalaan ja Kustaviin saapuneen väestön osalta olivat 9.5% ja 7.3%

COVID-19 changed the distribution of people in Finland in March – snapshots from aggregated and anonymized mobile network data

Olle Järv, Elias Willberg, Tuomas Väisänen, Tuuli Toivonen

Finland, like all other countries in Europe, was hit by the emergence of the covid-19 in March 2020. On Thursday 12th of March, the government gave the first serious recommendations of cancelling big public gatherings and encouraging distant working.  On Monday 16th March the government presented a state of emergency. The schools and public services like museums and libraries were closed and visits to elderly care homes were prohibited. Travel was to be limited to minimum. Historically, the border between Sweden and Finland was closed on the 19th March, restricting the workforce to move across the border in the northern areas and Åland islands. As the glittering snow of Lapland was still attracting tourists from the south, the ski resorts were closed on the 23rd March. As the strongest and an unprecedented measure, the border of the Helsinki-Uusimaa region was closed for personal traffic on the 28th March.  

We at Digital Geography Lab received data from mobile phone operator Telia to analyse how these recommendations and restrictions were followed. Below are some first views on the results, showing how the presence of people changed in the 310 municipalities of Finland during February – March 2020. We concentrate on March and compare the presence of people in different municipalities to the first week of February (1.-7.2.2020) – a baseline week before the start of the school winter holidays and the emergence of Covid 19.  The analysis is based on anonymised and aggregated mobile network data (Telia Crowd Insights activity data). A single activity is recorded of every 20 minute stay in one location. Some February days (12.2., 13.2, 25.2.) are missing in the dataset.

 Our inspection shows, for example 

  • A significant drop in inter-municipal mobility since mid-March. The biggest changes happen already after the governmental recommendations, not by the time of the binding lockdowns.  
  • The municipalities with summer cottages gained people, while the number of people spending time in cities decreased rapidly after the state of emergency was declared. 
  • In addition to big cities, estimated population in Åland islands and Lapland decreased drastically.
  • Number of people in Lapland decreased only after the ski resorts were closed. 

The decline of mobility at national level – people follow governmental guidance  

Figure 1. Inter-municipality mobility in Finland dives from mid-March. The activity location data shows the presence of people in a municipality. During typical times, people visit and spend time in several municipalities during a day. Extra mobility between municipalities takes place during the winter holiday season in Finland (17.2 – 6.3. or 15.2-8.3.). The government gave a recommendation to avoid travelling and promoting remote working since at the beginning of the Covid-19 outbreak 12.3. That recommendation was taken seriously – people’s activity spaces were rapidly limited. The governmental recommendation was a clear turning point, the later mobility restrictions by law influenced less.

Figure 2. The animation shows the relative change in number of people by municipality during March. People are accounted for each municipality they spend time in during the day. The baseline period for the daily comparisons is the first week of February (1.2 – 7.2.).  (If the video does not show, see the animation here:

The relative population change in Helsinki Metropolitan area – seizing activity 

Figure 3. Inter-municipality mobility in the Helsinki metropolitan (HMA) area follows the national pattern of declining mobility, but with much greater effect. Typically, the HMA has a stable mobility between municipalities. Every year February is special as people travel during the school winter holiday week. Then almost 10% of people left the region (many to Lapland). After the governmental recommendation to avoid travelling and restrict social interactions, the presence of people in the HMA decreased drastically. This happened already before the lockdown of the Uusimaa region (28.3.). Before the Uusimaa lockdown inter-municipality mobility had decreased some 25% compared to a typical week (1.2 – 7.2.) as people stay home and avoid social activities.   

The relative population change in Lapland – boom and bust 

Figure 4. During the winter holiday season (15.2 – 8.3.) the presence of people in the in six municipalities with a skiing resort in Lapland (Inari, Kittilä, Kolari, Kuusamo, Muonio, Pelkosenniemi) is booming as usual. Working days show some 40% increase of people compared to the baseline week (red line). Furthermore, Saturdays show even 60-80% increase of people compared to a baseline Saturday (1.2.). Interestingly, the governmental guidance to avoid travelling since 12.3. did not affect Lapland – some people wanted to have their skiing holiday! Only after the early closure of skiing resorts since 22.-23.3. visitors are sharply decreasing from Lapland – by the last Sunday (29.3.) there are 35% less people than the baseline Sunday (2.2.).

Figure 5. The relative change in the number of people spending time in municipality on 18th and 22nd March, compared to the baseline week. Declaring state of emergency starts to limit travelling to big cities in the south. Visitors leave the northern municipalities only when the ski resorts are to be closed.

The presence of people at the end of March with restrictions in place  – Winning and losing people 

Figure 6. The relative change in the presence of people between the last week of March (22.3. – 29.3.) and the baseline week (1.2. – 7.2.). At the end of March, the most severe restrictions were in place, including the closure of Uusimaa and the Lapland skiing resorts. The biggest decrease in the presence of people is seen in the smallest municipalities of the Åland archipelago, as municiplaities in Åland Islands had 25 % – 35 % less people compared to the baseline. Partly the change is explained by the stopping of the passing ferry traffic. The biggest increase in the presence of people took place in smaller municipalities that have a large amount of summer cottages. Despite travelling restrictions, some people escaped from big cities to their summer cottage. For example, Kustavi municipality hosted some 70-80 % more people during the last week of March compared to baseline. The summer cottage municipalities such as Puumala, Sysmä, Luhanka, Kuhmoinen and Taivassalo also gained people.

Figure 7. The presence of people in 30 biggest municipalities in Finland is clearly negative during the last week of March, compared to normal. During the Covid-19 restrictions, cities having the biggest commuting flows (Helsinki, Vantaa, Tampere, Turku, Vaasa) are the ones losing the most people. Oulu seems to be an exception here, but for a reason: Oulu municipality covers a very large area and thus commuters living within the municipality do not cross municipality borders. Some of the biggest municipalities have remained with the same number of people, including Kouvola, Salo, Lohja and Mikkeli. These municipalities have, however, also significant amount of summer cottages. In all cases, the presence of people during weekends is lower during the last week of March compared to the baseline week in the beginning of February.


Figure 8Uusimaa lockdown, day 1: The number of people in major cities and their surrounding regions is lower while many summer cottage municipalities are having more people than normally. If comparing to previous maps, the Uusimaa lockdown does not change the pattern drastically anymore at national level. People have limited their travelling already earlier.  


Next revealing mobility flows within Finland… Stay tuned! 

Missä ja milloin COVID-19 mullisti liikkumisen? Analyysiä anonymisoidusta ja aggregoidusta mobiiliverkkodatasta

Olle Järv, Elias Willberg, Tuomas, Väisänen, Tuuli Toivonen

Koronavirus mullisti elämämme maaliskuussa 2020. Vapaa liikkuminen loppui ja ihmiset linnoittautuivat koteihinsa mahdollisuuksien mukaan. Torstaina 12.3. hallitus antoi ensimmäiset konkreettiset suositukset liikkumiseen liittyen: etätöitä suositaan ja isot tapahtumat perutaan. Jo seuraavan viikon alussa julistettiin poikkeustila, jonka turvin suljettiin koulut, kirjastot, museot ja vierailut vanhainkoteihin keskeytettiin. Matkailu kehotettiin rajaamaan minimiin yleisesti ja rajantarkistukset otettiin käyttöön kaikilla Suomen rajoilla, myös Ruotsin suuntaan. Tämä rajoitti myös monien työmatkoja Tornionjokilaaksossa ja Ahvenanmaalla.  Pohjoisen hohtavat hanget houkuttelivat vielä väkeä, joten hiihtokeskusten sulkemisesta pikavauhdilla ilmoitettiin 22.3. Merkittävimpänä toimena vapaan liikkumisen Suomessa nähtiin Uudenmaan maakunnan rajan sulkeminen. Tieto sulusta annettiin maaliskuun viimeisellä viikolla ja varsinainen sulku astui voimaan keskiyöllä 28.3. Mitä liikkumiselle oikeastaan tapahtui näiden viikkojen aikana? Jäivätkö suomalaiset kotiin ja missä niin tapahtui ja koska?

Digital Geography Lab tutkimusryhmämme sai käyttöönsä matkapuhelinoperaattori Telian anonymisoitua ja yleistettyä mobiiliverkkodataan perustuvaa kuntatasoista tilastotietoa helmi-maaliskuulta 2020. Data on poiminta Telian Crowd Insights datapalvelusta, ja se kuvaa väkijoukkojen oleskelua tietyssä kunnassa aina yhden päivän aikana vähintään 20 minuuttia kerrallaan. Alla näet joitakin nostoja vertailuistamme eri alueiden ja ajanjaksojen välillä. Vertailuajankohtana käytämme helmikuun ensimmäistä viikkoa, jolloin korona oli vasta kaukomaiden uutinen eivätkä koulujen lomat vielä vaikuttaneet ihmisten liikkumiseen.

Ensimmäiset tuloksemme osoittavat, että

  • Kuntien välinen liikkuminen romahti Suomessa maaliskuussa. Ihmiset pysyivät pääosin kotikunnissaan. Suurin muutos tapahtuu jo maaliskuun puolivälissä hallituksen kehotettua välttämään liikkumista. Kansallisella tasolla Uudenmaan sulku aiheuttaa enää pienen laskun liikkumisessa.
  • Väkimäärä kunnissa putosi erityisesti kaupungeissa. Pienten mökkikuntien väkimäärissä nähtiin puolestaan suuria hyppäyksiä.
  • Rajuin väkiluvun suhteellinen väheneminen oli kuitenkin Ahvenanmaan kunnissa rajavalvonnan käynnistyttyä Ruotsin suuntaan ja ohikulkevan laivaliikenteen pysähdyttyä.
  • Lapin kunnat keräsivät väkeä hiihtokeskuksiin tasaisesti helmikuun hiihtolomaviikkojen aikana. Välillä väkimäärä hyvinkin tuplaantui helmikuun ensimmäisestä viikosta. Romahdus keskusten sulkeuduttua 23.3. oli nopea.

Ihmiset kunnoittavat suositusta – Liikkuminen vähenee merkittävästi

Kuva 1. Kuntien välinen liikkuminen notkahtaa reilusti maaliskuun puolivälissä. Käyttämämme lähtöaineisto kertoo kunnan alueella oleskelevien ihmisten määrän. Tavallisena aikana sama ihminen saattaa oleskella päivän aikana usean kunnan alueella. Hallituksen suosituksen vaikutus näkyy selvästi aineistossamme: maaliskuun puolivälissä kunnanraan ylittäminen harvinaistuu. Suurin muutos käynnistyy heti ensimmäisten suositusten jälkeen. Siihen verrattuna lainsäädännöllisillä sulkutoimilla on paljon vähemmän vaikutusta kuntien rajat ylittävään liikkumiseen.

Kuva 2. Animaatio näyttää kunnissa aikaa viettävän väestön muutokset maaliskuussa. Vertailukohtana on helmikuun ensimmäinen viikko (1.2 – 7.2.). (Jos video ei näy, katso animaatio täällä:

Etätyöt ja harrastusten loppuminen näkyy pääkaupunkiseudun kunnissa muuta maata voimakkaammin

Kuva 3. Kuntien välinen liikkuminen putoaa pääkaupunkiseudulla paljon muuta maata voimakkaammin. Talvilomaviikoilla helmikuussa nähdään tavallista vaihtelua: monet suuntaavat lomille ja pääkaupunkiseudun väkimäärä putoaa noin 10 %. Hallituksen ensimmäisten suositusten jälkeen alkaa korona-alamäki. Uudenmaan rajan sulkeminen ei enää suuremmin muuta tilannetta pääkaupunkiseudun kunnissa (Helsinki, Espoo, Vantaa, Kauniainen).

Porukka matkaa Lappiin – ja äkkiä pois

Kuva 4. Talvilomakaudella (15.2 – 8.3.) ihmisten määrä Lapin hiihtokunnissa (Inari, Kittilä, Kolari, Kuusamo, Muonio, Pelkosenniemi) kasvaa huimasti helmikuun alkuun verrattuna. Arkipäivien väestönlisäys on lähellä 40 %. Lauantain vaihtopäivänä väkimäärä melkein tuplaantuu. Hallituksen ohjeistus liikkumisen rajoittamisesta ei juuri vaikuta Lappiin, vaan lomailijat suuntaavat edelleen pohjoiseen. Nopea pudotus seuraa Lapissa vasta 22.3. kun hiihtokeskukset julistetaan suljettaviksi jo heti 23.3. Maaliskuun viimeiseen sunnuntaihin mennessä lapin kuntien väkimäärä on painunut reilusti helmikuun alun lukemista.

Kuva 5. Väkimäärä kunnissa poikkeustilan alkaessa (18.3.) ja hiihtokeskusten sulkeutumisen tienoilla (22.3.). Isot kaupungit alkavat hiljentyä heti poikkeustilan myötä. Pohjoisen hiihtokeskuskunnissa muutos on hitaampi.

Muutosten viikko maaliskuussa – kuka voittaa ja kuka häviää? 

Kuva 6. Maaliskuun viimeinen viikko tuo melkoisia muutoksia kunnissa vierailevien ihmisten määrään. Lapin hiihtokeskusten sulkeminen ja Uudenmaan rajan sulku näkyvät kuntien väkimäärissä. Yksi suuren muutoksen alueista on Ahvenanmaa, jonka kunnissa oleilevasta väestä putoaa pois 25-35 % normaaliin verrattuna. Muutosta selittää kuitenkin Ahvenanmaan ohikulkevan laivaliikenteen pysähtyminen. Muuten pienten mökkikuntien tilanne on toinen: Kehotuksista huolimatta mökkikuntien väkimäärä kasvaa. Esimerkiksi Kustavissa on väkeä 70-80% enemmän kuin vertailuviikolla. Samaa trendiä näkyy muissakin mökkikunnissa: Puumalassa, Sysmässä, Lunhangalla, Kuhmoisissa ja Taivassalossa.

Kuva 7. Suomen 30 suurimmassa kunnassa väkimäärä on selvästi normaalia alhaisempi maaliskuun viimeisellä viikolla. Liikkumisrajoitukset pitävät ihmiset kotona ja se näkyy työpaikkakunnissa aikaa viettävien ihmisten vähenemisenä. Erityisen selvä tilanne on Helsingissä, Vantaalla, Tampereella, Turussa ja Vaasassa. Oulu poikkeaa muista, mutta sen alue on niin laaja, ettei päivittäisten työmatkaajien puuttuminen muuta kuntatasoista tilastoa.

Kuva 8. Uudenmaan sulku voimassa. Väestön jakautuminen on aika samanlainen kuin jo viikkoa aiemmin: isoissa kaupungeissa väkeä on normaalia vähemmän, mökkikunnissa normaaliviikkoa enemmän.  Suurimmat muutokset tapahtuivat jo ennen sulkua.


Pysy kuulolla! Seuraavaksi keskitymme liikkumisvirtoihin Suomessa!