Paikkatiedon hankinta, analyysi ja kartografia -kurssi alkoi teemakarttojen – ja tarkemmin vielä koropleettikarttojen – käsittelyllä. Koropleettikartat ovat ennestään tuttuja niin aiemmilta kursseilta kuin jo lukiostakin, ja niiden kohdalla on vain muistettava esittää ilmiöiden suhteellista vaihtelua absoluuttisien arvojen sijaan. Ensimmäisen kurssikerran tehtävänä oli tuottaa koropleettikartta valitsemastaan ilmiöstä ja tutustua samalla MapInfo-ohjelmaan, jota tultaisiin käyttämään läpi kurssin. Oli helpottavaa saada tehtäväksi melko yksinkertaisen kartan tuottaminen, kun itse ohjelmakin tuotti aluksi hankaluuksia. Teknisten ongelmien jälkeen oli palkitsevaa saada edes kohtalaisen siisti kartta aikaiseksi.
Kyseisen teemakartan tuottaminen sinänsä oli aika yksinkertaista. Aineistoa ei tarvinnut itse analysoida sen kummemmin, vaan MapInfo tuotti kartan valmiista aineistosta muutamalla napin painalluksella ja värien valinnalla. Lähes valmiiseen karttaan loppujen karttaelementtien, eli legendan, mittakaavan ja pohjoisnuolen asetteluun sai kuitenkin kulumaan yllättävän paljon aikaa. Tätä ennen niiden sijoittelua oli joutunut miettimään vain TAK-kursseilla, joilla ne tuli poikkeuksetta sijoitettua neliön mallisella karttalehdellä siihen kulmaan, jossa ne peittivät mahdollisimman vähän kartan informaatiosta. Sen sijaan esimerkiksi juuri Suomen kartan kohdalla, joka ei ole neliön mallinen, noiden karttaelementtien sijoitteluun ei ole syntynyt minkäänlaista rutiinia. Pitää alkaa selailemaan enemmän karttoja, jolloin oma silmä kehittyy siihen, miten nuo elementit on paras asetella.
Aikaa vievin osuus oli kuitenkin aineiston luokittelu. Luokittelua on käsitelty aiemmin Laskennalliset menetelmät -kurssilla ja sivuttu TAK-kurssilla, mutta oikean luokittelun löytäminen eri aineistoille ei tunnu vielä itsestään selvältä. Tunnilla ohjeistettiin, että aineistosta kannattaa aina tuottaa histogrammi nähdäkseen, miten aineisto on jakautunut. Histogrammin näkeminen ei kuitenkaan suoraan antanut vastausta, vaan jouduin vielä etsimään taulukon, johon oli merkitty aineistojen jakautumismuodot ja niille sopivat luokittelut. Oma aineistoni oli lähes normaalisti jakautunut, mikä on tilastoaineistoissa ilmeisesti ”toivottu” muoto. Sille sopii monet eri luokittelutavat, esimerkiksi kvantiilit, keskiarvo ja keskihajonta.
Kuva 1. Histogrammi aineiston jakautumisesta.
Kokeilin näitä eri luokitteluja ja niiden vaikutusta kartan ulkonäköön. Järkevimmältä luokittelutavalta tuntui kvantiilit, jossa pyritään yhtä suureen määrään havaintoja per luokka. Kvantiileja ei sinänsä ole tarkoitettu juuri normaalisti jakautuneelle aineistolle, vaan niitä voidaan käyttää kaikin tavoin jakautuneiden aineistojen luokittelussa. Eri tavoin jakautuneissa aineistoissa kvantiililuokittelu voi kuitenkin aiheuttaa sen, että luokkavälit ovat keskenään merkittävästi erisuuruisia, esimerkiksi välit 2–4, 4–6 ja 6–30, koska kaikkiin luokkiin on pakotettu suunnilleen saman verran havaintoja. Se voi johtaa siihen, että jos kartan lukija ei katso legendaa tarkasti, jää yhden luokan suuri luokkaväli huomaamatta ja ilmiön alueellinen jakautuminen näyttäytyy siten virheellisenä. Tässä tapauksessa kokeillessani kuitenkin kvantiilien lisäksi useita aineistolleni sopivia luokitteluja olivat luokkavälit melko saman suuruisia luokittelulla kuin luokittelulla – siksi oli mielestäni järkevintä valita se, jossa havaintoja on luokittain lähes saman verran.
Kuva 2. Koropleettikartta työssäkäyvien osuudesta Suomessa kunnittain vuonna 2015.
Valmis kartta kuvaa työssäkäyvien osuutta Suomessa kunnittain. Lopputulos on mielestäni selkeä: luokkia on viisi, ja vihreällä väriasteikolla luokkien sävyerot erottuvat hyvin. Vihreä on hyvä väri kuvaamaan ilmiötä, sillä vihreä väri assosioidaan yleensä positiiviseen. Työssäkäynti on positiivista, joten mitä suurempi työllisyysprosentti, sitä tummempi vihreä. Kartta on helppolukuinen, vaikka legendaa ei vilkaisisikaan.
Kartasta käy ilmi, että työllisyys on keskittynyt alueellisesti länsi- ja etelärannikolle, kun taas Itä- ja Pohjois-Suomi näyttäytyvät kartalla vaaleampana. Etelä-Suomesta nousee voimakkaasti esiin pääkaupunkiseutu ja joitain suuria kaupunkeja, kuten Tampere ja Turku. Kainuussa ja Lapissa puolestaan on tunnetusti pahoja työttömyysalueita – esimerkiksi Lapissa Sallan kunnassa työttömyys oli vuonna 2010 22,4 %, kun samana vuonna se oli Suomen kunnissa keskimäärin 10,3 % (Kuntien avainluvut 1987–2014). Kartta ei toki peilaa suoraan työttömyyttä niin, että jos alueella on työssäkäyviä 42,8 – 50,9% niin jäljellejäävät 49,1 – 57,2% olisi työttömiä, vaan työssäkäyviin ei lasketa työttömien lisäksi myöskään opiskelijoita tai eläkeläisiä. Laajat, kartalla vaaleanvihreinä näyttäytyvät alueet Itä- ja Pohjois-Suomessa eivät kuitenkaan selity opiskelijoiden määrällä, vaan suurilta osin niitä selittää työttömyyden lisäksi – ja myös sen seurauksena tapahtuvan – maaltapaon jälkeen kuntiin jääneiden eläkeläisten osuus. Esimerkiksi Kainuussa Ristijärven kunnassa eläkeläisten osuus vuonna 2010 oli 40,4 %, kun kaikissa Suomen kunnissa eläkeläisten osuus oli keskimäärin vain 23,8 % (Kuntien avainluvut 1987–2014).
Tanja Palomäki teki oman karttansa eläkeläisten osuuksista Suomen kunnissa. On hauska huomata, kuinka hänen karttansa on kuin peilikuva minun työllisyysastetta kuvaavasta kartastani: monet alueet, jotka ovat vaaleita minun kartassani, eli niillä on matala työllisyysaste, ovat tummia Palomäen kartassa, eli niillä eläkeläisten osuus on korkea. Näitä karttoja vertaamalla siis selviää, että noiden kahden muuttujan välinen negatiivinen korrelaatio on melko korkea. Palomäki toteaakin tekstissään näin: ”Korkein eläkkeellä olevien osuus sijoittuu Itä-Suomeen, kun taas pienimmät osuudet ovat Etelä ja Länsi-Suomessa. Eläkeläisten määrään vaikuttaa pääasiassa kaupunkeihin sijoittuvat työpaikat, jotka vetävät työikäiset pois maaseudulta. Poikkeuksia voi kuitenkin tuoda esimerkiksi kaivostoiminta tai ydinvoimalat, joiden avulla syrjäinen kunta voi saada lisää elinvoimaa.” (Palomäki, 2017) Tämä näkyy minunkin kartallani esimerkiksi siten, että muuten kovin huonon työllisyystilanteen Kainuusta nousevat esiin Kajaani ja Sotkamo hieman korkeammilla työllisyysprosenteillaan alueilla sijaitsevan kaivostoiminnan vuoksi.
LÄHTEET
Kuntien avainluvut 1987–2014 (2015). Tilastokeskus, Helsinki. 28.1.2017. <https://pxnet2.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/Kuntien_avainluvut__2015/kuntien_avainluvut_2015_aikasarja.px/?rxid=8ce143d3-ae7a-4460-bc13-987206ff9d6a>
Palomäki, T. (2017). Ensimmäinen kurssikerta. 29.1.2017. <https://blogs.helsinki.fi/ptanja/>