Viimeinen kurssikerta oli varmasti kaikista työläin. Tehtävänantona oli valita tarkasteltavaksi yksi alue, esimerkiksi valtio, joka olisi jaettavissa myös pienempiin alueisiin, kuten maakuntiin. Tuota aluetta tuli tarkastella useamman eri muuttujan kautta, jotka sai myös itse valita. Tästä tuotettiin luonnollisesti myös karttoja.

Etukäteen oli toki varoiteltu, että aineiston hankkimiseen on hyvä varata aikaa jo ennen varsinaista kurssikertaa. Itsehän en näin ollut tehnyt, vaan seitsemäs kurssikerta kului lähes kokonaan sopivan aineiston etsimiseen. Olin päättänyt jo aiemmin, että halusin tehdä tehtävän Ecuadorista. Ecuadorin ”tilastokeskuksen” – eli El Instituto Nacional de Estadística y Censos – sivuilta ladattavat valmiit SPSS ja Excel-tiedostot eivät kuitenkaan auenneet pitkänkään tuskailun jälkeen analysoitavaksi, sillä niiden pohjana käytetystä aluejaosta ei löytynyt selitystä mistään. Lopulta löysin jokaisesta maakunnasta erikseen kootut PDF-tiedostot, joissa oli diagrammeja väestön ihonväreistä aina vedenjuontitapoihin saakka.

Päätin ensin tarkastella lukutaidottomuuden ja teknisen lukutaidottomuuden jakautumista vuonna 2010. Lukutaidottomiksi katsotaan yli 15-vuotiaat, jotka eivät osaa lukea tai kirjoittaa. Teknisesti lukutaidottomiksi luokitellaan puolestaan ne yli 10-vuotiaat, jotka eivät ole käyttäneet puhelinta, internetiä tai tietokonetta viimeisen puolen vuoden aikana. Näiden muuttujien jakautuminen on esitetty kuvassa 1. Pohjana käytin Natural Earth –sivustolta ladattuja karttoja valtioiden sekä maakuntien rajoista.

Kuva 1. Lukutaidottomuus ja tekninen lukutaidottomuus Ecuadorissa maakunnittain vuonna 2010.

Lukutaidottomuus ja tekninen lukutaidottomuus vaikuttavat ensisilmäyksellä kulkevan melko hyvin käsi kädessä. Vahva selittävä tekijä on köyhyys: 35% väestöstä elää köyhyydessä ja 1,5 miljoonaa asukasta elää äärimmäisessä köyhyydessä, eli alle 1,25 Yhdysvaltain dollarilla päivässä (Poverty in Ecuador: plans for development and growth). Köyhyyttä ja nälänhätää vastaan taisteleva järjestö Borgen Project kertoo sivuillaan seuraavaa: “Rural poverty in Ecuador is ultimately caused by lack of education, lack of employment, a low amount of market integration and little access to land. There are many indigenous people who live in the rural highlands and the Amazon region that are in poverty and the amount of impoverished indigenous is much higher than those that are not indigenous. These people show extremely high levels of child mortality and malnutrition and they are much less educated than the non-indigenous Ecuadorian population.” Köyhyys keskittyy siis maaseudulle niin vuoristoon kuin sademetsäalueillekin. Kuvassa 2 on kuvakaappaus Google Earthista, jossa näkyy, että suurimmat kaupungit keskittyvät rannikolle ja vuoristoon, kun taas vuoriston itäpuolelta alkaa Amazonin sademetsä, jossa suuria kaupunkeja ei ole. Kuvan 1 kartassa nuo sademetsäalueet näyttäytyvätkin kaikki lukutaidottomuuden puolesta oransseina, eli toisiksi korkeimpana luokkana, ja teknisen lukutaidottomuuden puolesta nuo alueet kuuluvat korkeimpaan ja toisiksi korkeimpaan luokkaan. Sademetsäalueita korkeampiakin lukutaidottomuusprosentteja löytyy kuitenkin vuoriston keskiosista sekä rannikolta. Näissä maakunnissa elää yhtä lailla paljon köyhää väestöä.

Kuva 2. Satelliittikuva Ecuadorista.

El Comercio tuotti Ecuadorissa artikkelin (62 047 personas todavía no se han alfabetizado en Ecuador) aiheesta vuonna 2016 Unescon kansainvälisenä lukutaitopäivänä. Lukutaitopäivän idea on muistuttaa kansainvälistä yhteisöä siitä, kuinka suurta epätasa-arvoa lukutaidottomuus aiheuttaa. Suomen YK-liiton sivuilla lukutaidon merkitys tiivistetään seuraavalla tavalla: ”Lukutaito on ihmisoikeus, joka mahdollistaa yksilön kehityksen, kouluttautumisen ja täyden kapasiteetin hyödyntämisen. Lukutaito on avain parempaan terveyteen ja hyvinvointiin. Lukutaidolla on merkitystä myös sukupuolten välisen tasa-arvon, kestävän rauhan, kehityksen ja demokratian toteutumisen kannalta.” (Kansainvälinen lukutaitopäivä) El Comercion artikkelissa on haastateltu Ecuadorin lukutaidotonta väestöä, ja heidän kommenteissaan selityksenä lukutaidottomuudelle toistuu se, että vanhemmat halusivat heidän työskentelevän koulunkäynnin sijasta. Tämä korostuu juuri maaseudulla, jossa työ on sen tyyppistä, että lukutaitoa ei välttämättä tarvita. Matalin lukutaidottomuusprosentti puolestaan on maakunnissa, joissa suurimmat kaupungit sijaitsevat, eli esimerkiksi Pichinchassa, jossa pääkaupunki Quito sijaitsee, sekä Guayasissa, jossa on maan suurin kaupunki Guayaquil. Myös Galápagossaarilla tilanne on hyvä.

Toisessa kartassani tarkastelin vakuutettujen osuutta ja työttömyysprosenttia. Olisin halunnut tarkastella esimerkiksi keskituloja tai bruttokansantuotetta, mutta luotettavaa aineistoa ei löytynyt. Työllisyystilanne toki puhuu puolestaan myös varallisuudesta, joten arvelin, että sekin saattaisi korreloida vakuutettujen osuuksien välillä. Näillä muuttujilla tuottamani kartta näkyy kuvassa 3.

Kuva 2. Vakuutettujen osuus ja työttömyys Ecuadorissa maakunnittain vuonna 2010.

Työttömyysprosentit näyttävät aluksi järkyttäviltä. Ne ymmärtääkseen onkin ensin nähtävä taustalla olevat luvut. Kuvassa 4 on Guayaksen maakunnan työllisyydestä kertovat diagrammit. Nais- ja miesväestö on esitetty erikseen. Vihreä on koko väestö, pinkki puolestaan työikäinen väestö: Ecuadorissa kaikki 10-vuotiaasta ylöspäin katsotaan työikäisiksi. Työikäiset on jaettu kahteen osaan: oranssi kuvaa ”ekonomisesti epäaktiivisia” eli työttömiä, sininen puolestaan ”ekonomisesti aktiivisia” eli työssäkäyviä. Nopeasti huomaakin, että naisten ja miesten välisessä työttömyydessä on valtava ero, sillä Ecuadorissa on edelleen tavanomaista, että naiset jäävät kotiäideiksi miesten käydessä töissä. Tässä laskentatavassa ”ekonomisesti epäaktiivisiin” kuuluvat kuitenkin työttömien lisäksi myös opiskelijat, eläkeläiset ja työkyvyttömät, eli siis kaikki lain mukaan työikäiset elämäntilanteesta huolimatta. Tämän tyyppinen aineisto ”työttömistä” ei ole siis tällaisenaan verrattavissa esimerkiksi Suomen työttömyystilastoihin.

Kuva 4. Esimerkki Guayaksen maakunnan aineiston työllisyysdiagrammeista.

Ecuadorin ”tilastokeskuksen” aineistoissa oli paljon epäloogisuuksia ja jopa virheitä. Aineistot oli tosiaan koottu maakunnittain omiin PDF-tiedostoihinsa. Esimerkiksi Sucumbíosin tiedostossa lukutaidottomuuden kohdalla luki kuitenkin ”työttömyys Napossa”. Luku oli eri, kuin Napon tiedostossa, mutta se herätti kuitenkin epäilyksen siitä, onko kyseessä vain kirjoitusvirhe vai onko ilmoitettu lukukaan oikea. Työllisyystilannetta kuvaavissa diagrammeissa aktiivisuutta ja epäaktiivisuutta kuvaavat värit puolestaan vaihtelivat päittäin: maakuntia on yhteensä 24, ja seitsemässä niistä värit menivät päinvastoin, kuin esimerkiksi kuvassa 4, eli oranssi kuvasikin aktiivisuutta ja sininen aktiivisia. Koska diagrammit kuvasivat määriä eivätkä osuuksia laskin kaikki osuudet itse – huomatessani värien vaihtumisen jouduin käymään aiemmatkin tiedot uudestaan läpi, mikä tuotti toki lisää työtä. Mielenkiintoista on myös, että maakuntakohtaisia tietoja kerätään vain kymmenen vuoden välein. Sekin kertoo osaltaan maan teknisestä tasosta.

Jossain vaiheessa kävi mielessä, että olisi sittenkin pitänyt valita käsiteltäväksi vaikka jokin Euroopan maa, josta luotettavaa aineistoa olisi löytynyt paremmin. Näiden aineistojen kanssa tuskailun jälkeen voinkin allekirjoittaa Iisa Hyypiän toteamuksen: ”Tulinkin siihen tulokseen, että vaikka internet on tietoa täynnä ja paikkatietoa on saatavilla lähes rajattomasti, ei sen laadusta aina ole takeita.” (Hyypiä, 2017) Olen kuitenkin lopputulokseen tyytyväinen. Sen jälkeen, kun olin saanut kasattua järkevät aineistot Exceliin, oli karttojen tuottaminen nopeaa. Onkin mukava huomata, että MapInfo on kurssin aikana tullut tutuksi. Toki jotkin sen ominaisuudet tuntuvat hieman kankeilta ja karttojen ulkoasun saaminen miellyttäväksi tuntuu hankalalta, mutta sen suhteen ongelma onkin ehkä juuri ohjelman ominaisuuksissa. Kuten olen aiempinakin kurssikertoina huomannut, niin esimerkiksi nimistön muotoilu ja asettelu sekä läpinäkyvien rasterien käyttö tuottavat päänvaivaa, ja etenkin tallennettaessa karttoja New Layout –toiminnon kautta nuo näyttäytyvät aina erilaisina, kuin itse karttaikkunassa. Jatkossa voisinkin opetella hyödyntämään MapInfoa nopeana tapana luoda teemakarttapohja, ja sitten hoitaa lopulliset muotoilut jossain toisessa ohjelmassa.

LÄHTEET
Hyypiä, I. (2017). Kurssikerta 7: Omia karttoja Kanadasta. 19.3.2017. <https://blogs.helsinki.fi/hiisa/>

Kansainvälinen lukutaitopäivä. Suomen YK-liitto, Helsinki. 19.3.2017. <http://www.ykliitto.fi/tapahtumat/kansainvalinen-lukutaitopaiva>

Karttapohja valtioiden ja maakuntien rajoista. Natural Earth. 10.3.2017. <http://www.naturalearthdata.com>

Población y demografía – resultados provinciales, 2010. El Instituto Nacional de Estadística y Censos, Quito. 18.3.2017. <http://www.ecuadorencifras.gob.ec/censo-de-poblacion-y-vivienda/>

Poverty in Ecuador: plans for development and growth. Borgen project. 18.3.2017. <https://borgenproject.org/poverty-ecuador-plans-development-growth>

Satelliittikuva Ecuadorista. Google Earth.

62 047 personas todavía no se han alfabetizado en Ecuador. El Comercio, Quito. 19.3.2017. <http://www.elcomercio.com/actualidad/personas-alfabetizado-ecuador-educacion.html>

Kuudennen kurssikerran tehtävien aiheina olivat geokoodaus ja hasardit. Ensimmäisessä tehtävässä pääsimme itse keräämään pisteitä luonnosta ja sen jälkeen geokoodaamaan ne kartalle. Toinen tehtävä oli puolestaan hakea ensimmäistä kertaa itse aineistoja internetistä ja tuottaa niistä MapInfoon sopivia tietokantoja.

Ensimmäisessä tehtävässä keräsimme ryhmäni kanssa GPS-laitteella Kumpulan alueen roskapönttöjen koordinaatteja ja muuta paikkatietoa. Tarkoituksena oli geokoodata kerätyt kohteet kartalle, mutta todellisuudessa sijaintien tarkkuus vaihteli paikoittain. Se oli kuitenkin hyvää harjoitusta, sillä aiemmin olimme saaneet kaikki paikkatietoaineistot valmiina ja nyt huomasimme, että jos valmista aineistoa toivotusta teemasta löydy, ei sen kerääminen itsekään ole mahdotonta, ainoastaan aikaa vievää. Sonja Koivisto tiivistääkin ajatukset kyseisestä tehtävästä hyvin: ”Loppujen lopuksi kyse on numeromuotoisen sijaintitiedon esittämisestä karttapohjalla, mikä ei olekaan sen kummempaa taikuutta, mutta havainnollisuuden suhteen ero on suurempi kuin yöttömällä yöllä ja valottomalla päivällä. Pitkät numerosarjat on hyvin vaikea mielessään sijoittaa minnekään päin Helsinkiä, vaikkakin numerot sisältävät tiedon etäisyydestä päiväntasaajasta ja keskimeridiaanista, mutta ovat vaikea käsittää sinällään, kun taas sijoitettaessa ne Helsingin karttapohjalle asia valkenee yhdellä silmäyksellä.” (Koivisto, 2017).

Toinen tehtävä oli opetukseen sopivien hasardikarttojen tuottaminen. Hasardikartoilla tuli tarkastella maanjäristyksiä, tulivuoria sekä meteoriittihavaintoja. Muistan lukion maantieteen tunneilta maailmankartat, joilla esitettiin tektonisen ja vulkaanisen toiminnan keskittymistä Tyynenmeren tulirenkaan alueelle. Samassa yhteydessä käsiteltiin luonnollisesti myös laattatektoniikkaa, jolla selitettiin, miksi maanjäristyksiä ja tulivuoria esiintyy runsaasti tietyillä alueilla. Koin sen itse hyväksi lähestymistavaksi, joten jos joutuisin opettamaan tästä teemasta, aloittaisin varmasti vastaavalla kartalla, esimerkiksi kuvalla 1.

Kuva 1. Tektoniset laatat.

Uskon vahvasti ihmisten älykkyyteen, joten perusteorian jälkeen siirtyisin käsittelemään esimerkkejä näistä hasardeista ja niiden vaikutuksesta rajatulla alueella. Valitsin käsiteltäväksi alueeksi Ecuadorin. Koska yksittäisten ilmiöiden havaintoja ei ollut alueella älyttömän paljoa yhdistin kaikki kolme – meteoriittihavainnot, tuolivuoret ja maanjäristykset – samalle kartalle (kuva 2).

Kuva 2. Kartta Ecuadorin meteoriittihavainnoista, tulivuorista ja vuoden 2002 jälkeisistä, vähintään 6 momenttimagnitudin maanjäristyksistä.

Aloittaisin maanjäristysten käsittelyllä. Kartalla esitetyt maanjäristyksen ovat yli 6 momenttimagnitudin järistyksiä vuodesta 2002 eteenpäin. 16. huhtikuuta 2016 Ecuadorin luoteisrannikolla tapahtui 7,8 momenttimagnitudin maanjäristys, joka aiheutti alueella paljon tuhoa ja sai runsaasti mediahuomiota Suomessakin. Ihmisiä usein kiinnostaa tuntea syyt tapahtumien taustalla, joten teeman lähestyminen vielä tuoreessa muistissa olevan tapahtuman kautta luultavasti toimisi hyvin. Kuvassa 3 näkyy korostettuna kyseisen järistyksen episentrumi sekä tärkeimmät tiedot, ja sitä ympäröivät pisteet ovat jälkijäristyksiä.

Kyseinen maanjäristys oli tuhoisin luonnonkatastrofi Ecuadorissa sitten maaliskuun 1987 maanjäristysten, jotka aiheuttivat yli tuhannen hengen kuoleman (Las cifras de muertos y heridos se multiplican tras devastador terremoto en Ecuador). Huhtikuun 2016 järistyksen episentrumi sijaitsi maan luoteisrannikolla Manabíssa, joka on rannikon köyhimpiä alueita. Alueen rakennuskanta oli pääasiassa huonolle maaperälle rakennettua, mikä johti suuriin tuhoihin (Ecuador earthquake destruction could force relocation of towns, UNICEF says). Esimerkiksi 55 000 asukkaan Pedernalesista tuhoutui arvioiden mukaan 70-80% (El drama de Pedernales, el pueblo más golpeado por el terremoto en Ecuador). Kaiken kaikkiaan maanjäristyksessä kuoli ainakin 676 henkeä.

Kuva 3. Huhtikuun 2016 tuhoisa maanjäristys korostettuna.

Ecuadorissa on myös runsaasti tulivuoria. Maata halkoo Andien vuoristo, jossa on paljon Nazca-laatan Etelä-Amerikan-laatan alle työntymisestä johtuvaa vulkaanista toimintaa. Ecuadorille kuuluvat Galápagossaaret ovat esimerkki toisen tyyppisistä tulivuorista, sillä niiden synty ei selity laattatektonisella toiminnalla, vaan ne ovat syntyneet kuuman pisteen kohdalle merenalaisten tulivuorenpurkausten seurauksena. Molemmilla alueilla – niin mantereella kuin saarillakin – tulivuoria on sekä aktiivisia että nukkuvia. Escuela Politécnica Nacionalin geofysiikan osasto – eli IGEPN – tarkkailee ja monitoroi maan tulivuoria aktiivisesti (Misión – Visión). Heidän sivuiltaan löytyy myös kartta, johon tulivuorien aktiivisuutta päivitetään (kuva 4).

Kuva 4. IGEPN:n kartta Ecuadorin tulivuorten aktiivisuudesta.

Mantereen tulivuorista aktiivisia ovat olleet 2000-luvulla Cotopaxi, Reventador, Sangay ja Tungurahua. Näistä viimeisin on ainoa, jonka purkaus on johtanut tällä vuosituhannella evakuoimisiin ja vajaan kymmenen hengen kuolemaan vuonna 2006 (Ya van siete muertos por erupción del Tungurahua). Muuten purkaukset ovat aiheuttaneet haittaa lähinnä lentoliikenteelle. Galápagossaarilla puolestaan ainoastaan saariston länsiosassa on vielä aktiivista vulkaanista toimintaa, sillä se on muodostunut viimeisenä, miljoonia vuosia itäsaaria myöhemmin (Geologic history). Isabela-saarella sijaitsevan Wolf -tulivuoren viimeisin purkaus tapahtui 2015, mutta se ei aiheuttanut minkäänlaista vaaraa asutukselle.

Kuvan 1 kartalla näkyy myös yksi meteoriittihavainto lähellä Guayaquilia, maan suurinta kaupunkia. Tilastoidessa meteoriitteja ne jaetaan kahteen luokkaan: ”falls” and ”finds”. Terminologia tämän luokittelun takana on seuraava: ”Meteorites are considered falls if they can be associated with an observed fall event and finds if they cannot be connected to a recorded fall event.” (Weisberg, Michael. K., T. J. McCoy & A. N. Krot) Kuten kuvasta 5 selviää, kyseinen meteoriitti on luokiteltu luokkaan “falls”, eli sen putoaminen on nähty ja se on löydetty pian tapahtuman jälkeen. Meteoriitti nimettiin Dauleksi sen alueen mukaan, johon se putosi, ja se painoi 6,58 kg.

Kuva 5. Vuonna 2008 löydetty Daule-meteoriitti korostettuna.

LÄHTEET
Ecuador earthquake destruction could force relocation of towns, UNICEF says. CBC news, Toronto. 8.3.2016. <http://www.cbc.ca/news/world/ecuador-earthquake-aid-agency-relief-efforts-1.3545551>

El drama de Pedernales, el pueblo más golpeado por el terremoto en Ecuador. Ecuavisa, Quito. 8.3.2016. <http://www.ecuavisa.com/articulo/terremoto/bbc/146801-drama-pedernales-pueblo-mas-golpeado-terremoto-ecuador>

Geologic history. Galapagos Conservancy, Fairfax. 8.3.2016. <http://www.galapagos.org/about_galapagos/about-galapagos/history/geologic-history/>

Kartta Ecuadorin tulivuorten aktiivisuudesta. IGEPN, Quito. 8.3.2016. <http://www.igepn.edu.ec/red-de-observatorios-vulcanologicos-rovig>

Kartta tektonisista laatoista. Pearson Prentice Hall, Inc, Lontoo 2008.

Koivisto, S. (2017). Keskiviikon geokoodausta. 7.3.2017. <https://blogs.helsinki.fi/kosokoso/>

Las cifras de muertos y heridos se multiplican tras devastador terremoto en Ecuador. CNN Español, New York. 8.3.2016. <http://cnnespanol.cnn.com/2016/04/16/sismo-de-magnitud-74-sacude-ecuador/>

Misión – Visión. IGEPN, Quito. 8.3.2016. <http://www.igepn.edu.ec/nosotros/mision-vision>

Weisberg, Michael. K., T. J. McCoy & A. N. Krot (2006). Systematics and evaluation of meteorite classification. Teoksessa Lauretta, D. S. & H. Y. McSween Jr. (toim.): Meteorites and the early solar system II, 20. University of Arizona, Arizona.

Ya van siete muertos por erupción del Tungurahua. El Universo, Guayaquil. 8.3.2016. <http://www.eluniverso.com/2006/08/21/0001/12/0A291CB921154BF08287B1557D42CD1C.html>

Viidennellä kurssikerralla tutustuimme bufferointiin. Bufferointi tarkoittaa puskurivyöhykkeen luomista jonkin pisteen ympärille: voidaan luoda esimerkiksi halkaisijaltaan kilometrin bufferi Helsingin päärautatieaseman ympärille ja selvittää, kuinka monta asukasta asuu kyseisen vyöhykkeen sisällä. Harjoittelimme bufferointia Pornaisten kartalla, jonka jälkeen saimme käyttöömme pääkaupunkiseutua koskevaa aineistoa ja siihen liittyviä itsenäistehtäviä.

Taulukko 1. Itsenäistehtävät 1, lentokentät ja juna-asemat.

Ensimmäisessä itsenäistehtävässä selvitimme buffereiden avulla Malmin ja Helsinki-Vantaan lentokenttiä ympäröivien alueiden asukasmääriä ja lentomelun vaikutusalueita, sekä juna-asemien läheisyydessä asuvien määriä ja osuuksia. Vastaukset löytyvät taulukosta 1. Toisessa tehtävässä yhdistimme tietokantoja selvittääksemme taajamien asukas- ja koululaismääriä (taulukko 2). Kolmannen tehtävän puolestaan sai valita itse: selvitin Helsingin Yhtenäiskoulun oppilasmääriä ja muunkielisten kouluikäisten määrää kyseisessä koulupiirissä (taulukko 3).

Taulukko 2. Itsenäistehtävät 2, taajamat.

Taulukko 3. Itsenäistehtävät 3, Helsingin Yhtenäiskoulu ja sen koulupiiri.

Bufferointi on loistava työkalu vaikutusalueiden, saavutettavuuden ja ilmiöiden levinneisyyden selvittämiseen. Kuten Saara Varis toteaa, ”puskurianalyysi antaa siis meille valmiudet tutkia jo olemassa olevia kohteita, mutta erityisen olennainen kyseinen paikkatietoanalyysi lienee uusien kohteiden suunnitteluvaiheessa, jolloin voidaan analysoida kuinka moneen ihmiseen jokin kaavoitettava kohde tulisi vaikuttamaan ja tehdä tarvittavia muutoksia ja lopullisia päätöksiä analyysin pohjalta.” (Varis, 2017). Työkalun käytön oppi myös nopeasti – tehtävissä hermoja kiristi lähinnä tietokantojen yhdistely ja uusien sarakkeiden luominen.

LÄHTEET
Varis, S. (2017). Bufferointia ja omat taidot testissä. 27.2.2017.
<https://blogs.helsinki.fi/saavaris/>

Neljännellä kurssikerralla syvensimme MapInfo-taitojamme entisestään. Opettelimme luomaan ruudukkotietokannan, syöttämään siihen tietoja, rekisteröimään rasterikuvan koordinaatistoon sekä digitoimaan rasterikartan päälle.

Yhteisten harjoitusten jälkeen pääsimme kokeilemaan näitä uusia taitoja käytännössä saatuamme tehtävän luoda ruututeemakartta pääkaupunkiseudusta. Aineistona käytimme pääkaupunkiseudun väestötietoja, joista jokainen sai valita mieluisensa teeman tarkasteltavaksi. Valmiin kartan tallentamiseen liittyvien teknisten ongelmien takia pääsin tekemään tehtävän kahdesti – nyt luulisi uusien taitojen jääneen lopullisesti mieleen.

Halusin tarkastella kartallani yli 65-vuotiaiden jakautumista pääkaupunkiseudulla. Aineistosta löytyi valmiiksi vain luokka ”yli 85-vuotiaat”, sitä nuoremmat oli esitetty ikävuosittain. Aiemman kurssikerran opeilla onnistuin kuitenkin laskemaan nämä yksittäiset ikävuosiluokat yhteen ja luomaan haluamani ”yli 65-vuotiaat” -luokan näppärästi.

Teemakartan luominen oli perinteiseen tapaan MapInfolla hyvin yksinkertaista, aineiston luokittelu puolestaan ei. Kokeilin ohjelman tarjoamia eri luokitteluja, mutta luokkajaoista tuli joko todella vaihtelevan kokoisia, tai sitten joissain luokissa oli vain pari havaintoa, jolloin kartan ruudut olivat lähes saman sävyisiä kauttaaltaan, mikä olisi tehnyt alueiden vertailusta epämielekästä. Päädyin sitten määrittämään luokkarajat käsin, ja silmää miellyttivät numerot 0, 1 ja 5.

Kokeilin myös eri ruutukokoja. MapInfo loi jostain syystä aina puolet pienemmät ruudut kuin asetuksissa oli määrätty, mutta viivaintyökalulla oikea koko selvisi. Päädyin lopulta kokoon 250m x 250m, joka esittää jakautumisen mielestäni tarkasti, mutta josta yleiskuvan saaminenkin käy nopeasti.

Kuva 1. Yli 65-vuotiaiden määrä pääkaupunkiseudulla 250m x 250m ruututeemakartalla esitettynä.

Kartalta käy ilmi, että yli 65-vuotiaita on eniten kantakaupungissa. Se on toki loogista, sillä kantakaupungissa väentiheyskin on korkein. Olisikin mielenkiintoista tarkastella tätä ruututeemakarttaa perinteisen koropleettikartan tyyppisen kartan rinnalla, jossa olisi sama ruutukoko ja jolla esitettäisiin eläkeläisten osuuksia absoluuttisten arvojen sijasta. Koenkin tämän tyyppisen kartan tarkastelun ja analysoimisen hankalaksi, kun olen tottunut tarkastelemaan aina osuuksia.

Marika Sarkkinen, joka tarkasteli yli 70-vuotiaita, olikin tehnyt lähes vastaavan kartan sekä absoluuttisista arvoista että suhteellisista osuuksista. Hän toteaa samoin, että ruututeemakartasta nähdään absoluuttisten määrien olevan suurimmat juuri kaupunkien keskustoissa. Verratessaan havaintoa suhteellisiin osuuksiin hän toteaa kuitenkin näin: ”Sen sijaan kun katsoo prosentuaalisia lukuja, voidaan kaikkein korkeimmat prosentin havaita kaupunkien laitamilla. Kyseisillä alueilla asuu vain muutama ihminen ja heistä suurin osa on yli 70-vuotiaita. Kyseessä on todennäköisesti omassa omakotitalossaan vielä asuvat henkilöt, jotka pärjäävät vielä omillaan.” (Sarkkinen, 2017) Samanlaisen havainnon voisi luultavasti tehdä myös yli 65-vuotiaiden osuuksia kuvaavalta kartalta.

Kartta ei ole kaunein mahdollinen, mutta se on mielestäni helppolukuinen ja informaatioarvo on hyvä. Kuntarajat on esitetty paksulla viivalla, kuntien suuralueet puolestaan ohuemmilla. Suuralueiden nimet ovat myös näkyvillä, mikä mahdollistaa alueellisen analyysin alueita tuntemattomillekin. Nimistö tosin aiheutti myös päänvaivaa, sillä ohjelmassa asetetut fonttikoot, fontin paksuus ja nimistön sijainnit muuttuivat aina ”layout” –ikkunaan siirryttäessä. Ne eivät siksi erotu taustastaan niin hyvin, kuin ohjelmassa alunperin jokainen yksitellen aseteltuna. Sen vuoksi en voinut myöskään laittaa kuntien nimiä näkyviin, sillä tallennusikkunassa ne siirtyivät peittämään osan muusta nimistöstä. Jatkossa voisin harkita nimistön lisäämistä muuten valmiiseen karttaan esimerkiksi CorelDraw:ssa.

LÄHTEET
Sarkkinen, M. (2017). Luento 4. 19.2.2017.
<https://blogs.helsinki.fi/macsarkk/>

Kolmannella kurssikerralla harjoittelimme useamman tietokannan yhdistämistä ja hyödyntämistä MapInfossa samanaikaisesti. Harjoittelimme tätä Afrikkaan liittyvillä aineistoilla, joista löytyi mantereen öljykenttien, timanttikaivosten ja konfliktien sijainnit, sekä dataa maiden internetin- sekä Facebookin käyttäjistä. Harjoitusten jälkeen pääsimme hyödyntämään uusia aineiston käsittelytaitojamme tuottaessamme tulvaindeksikartan.

Kuva 1. Tulvaindeksi ja järvisyysprosentti valuma-alueittain esitettynä.

Tulvaindeksi kuvaa virtaaman – eli uoman poikkileikkauksen läpi virtaavan veden määrä sekunnissa – vaihtelua joissa ja puroissa, ja se lasketaan jakamalla tulvahuippujen keskiarvo kuivien kausien alimpien arvojen keskiarvolla. Korkea tulvaindeksi kertoo siis alueen tulvahuippujen ja kuivien kausien välisistä suurista eroista. Suomen ilmastossa korkea tulvaindeksi merkitsee kuitenkin lähinnä suuria tulvahuippuja todella kuivien kausien sijaan.

Kartalla on esitetty tulvaindeksin lisäksi järvisyyttä. Kartalta käy ilmi, että alueilla, joilla järvisyysprosentti on korkea, eli lähellä 20%, tulvaindeksi on matala. Esimerkiksi koko Järvi-Suomen tulvaindeksi on 0-20. Järvet siis tasaavat tulvahuippuja. Pohjanmaan laakeilla, vähäjärvisillä alueilla tulvaindeksi vaihtelee puolestaan välillä 50-500, eli se on korkea, ja Pohjanmaalla tulviikin vuosittain. Reeta Saloniemi nimeää tekstissään yhdeksi syyksi Pohjanmaan tulviin sitovan kasvillisuuden puutteen, mikä johtuu niin metsien raivaamisesta viljelysten tieltä kuin runsaista ojituksistakin (Saloniemi, 2017).

Kartan ulkoasu on mielestäni selkeä. Tulvaindeksin värit ovat harmoniset ja eri luokat erottuvat toisistaan selkeästi. Järvisyyttä esittävistä pylväistä pienimmätkin erottuvat taustastaan hyvin. Legenda, josta käyvät ilmi tulvaindeksin luokat ja järvisyyspylvään mittakaava, toimii kartalla hyvin ilman taustalaatikkoakin.

LÄHTEET
Saloniemi, R. (2017). Viikko 3: Paikkatietokantojen käsittelyä. 9.2.2017. <https://blogs.helsinki.fi/saresare/>

Toisella kurssikerralla jatkettiin teemakarttojen parissa. Tällä kertaa tarkoituksena oli tuottaa kartta, jossa esitetään kahden eri ilmiön jakautumista päällekkäin. Harjoittelimme kurssikerran aikana muun muassa prismaattisten ja 3D-karttojen tekemistä, mutta lopullisen karttani päätin tuottaa kahdella päällekkäisellä koropleettikartalla.

Päällekkäiset koropleettikartat olivat karttatyyppinä tuttuja jo lukion maantieteenkirjoista. Kartan tuottaminen oli siis sinänsä helppoa, kun tiesi jo valmiiksi, minkälaista lopputulosta haetaan: päällekkäin esitettävien ilmiöiden on tuettava toisiaan eikä luokkia saa olla kummassakaan teemassa kovin montaa, ettei kartta muutu lukukelvottomaksi. Luettavuutta helpottamaan päätin myös tehdä kartan kaikkien Suomen kuntien sijasta vain osasta kunnista. Pohjois-Suomen pinta-alaltaan suuret kunnat sopivat selkeyden tavoittelun kannalta tarkoitukseen hyvin, ja oli myös mielenkiintoista tarkastella valitsemiani ilmiöitä juuri Lapin läänissä ja muutamassa Pohjois-Pohjanmaan kunnassa.

Tarkastelin kartalla päällekkäin korkeakoulutettujen osuutta ja työttömyysastetta kunnittain vuonna 2010. Korkeakoulutettujen osuus on esitetty vihreän eri tummuusasteilla, sillä näen vihreän positiivisena värinä ja koen sen siksi sopivaksi kuvaamaan kouluttautumista. Työttömien osuus on puolestaan osoitettu pisterasterein koulutusasteiden päällä. Molemmissa teemoissa luokkia on kolme, jolloin eri yhdistelmiä tulee maksimissaan yhdeksän ja kartta pysyy edelleen helposti luettavana.

Kuva 1. Koropleettikartta korkeakoulutettujen osuudesta ja työttömyysasteesta Pohjois-Suomen kunnissa vuonna 2010.

Kartalla on esitetty yhteensä 25 eri kuntaa, joista 21 kuuluvat Lapin maakuntaan ja neljä Pohjois-Pohjanmaahan: Ii, Pudasjärvi, Taivalkoski ja Kuusamo. Kartan kunnista vain viisi kuuluu korkeakoulutettujen osuudellaan suurimpaan luokkaan 21,4% – 29,2%. Vuonna 2010 koko maan keskiarvo korkeakoulutettujen osuudesta oli 28%, eli muuhun maahan verrattuna kartalla esitetyissä kunnissa tilanne on keskiarvoa huonompi (15 vuotta täyttänyt väestö koulutusasteen, kunnan ja sukupuolen mukaan 2011-2014). Lapissa mahdollisuus korkea-asteen tutkinnon suorittamiseen on toki muuta maata heikompi: pinta-alaltaan maan suurimmassa maakunnassa on vain yksi yliopisto ja kaksi ammattikorkeakoulua (Lapin korkeakoulut). Toimipisteet sijaitsevat alueen suurimmissa kaupungeissa eli Kemissä, Rovaniemellä ja Torniolla, ja pohjoisen pitkät etäisyydet tuovat myös oman haasteensa kouluttautumiseen.

Anniina Ahonen tarkasteli toisella kurssikerralla Kanta-Hämeen korkeakoulutettujen osuutta. Kanta-Hämeessä korkeakoulutettujen osuus on huomattavasti Pohjois-Suomen kuntia korkeampi, mutta osuuksien alueellisen jakautumisen taustalla on silti samoja selittäviä tekijöitä. Ahonen toteaa tekstissään näin: ”Koulutustasoon kunnissa vaikuttavat – – erilaiset tekijät. Tällainen saattaisi olla esimerkiksi vanhempien koulutustaustan osittainen periytyminen lapsille, millä voi olla myös alueellisia piirteitä.” (Ahonen, 2017) Tämä selittäisi korkeakoulutettujen matalan osuuden ainakin Lapin erämaa-alueilla, joilla perinteisten elinkeinojen kuten metsästyksen, kalastuksen ja poronhoidon jatkaminen periytyy usein vanhemmilta lapsille.

Vuonna 2010 työttömyysaste vaihteli kartalle valituissa Pohjois-Suomen kunnissa välillä 8,7% – 22,6%. Koko maan keskiarvo oli samana vuonna 8,4% – näin matalaa työttömyysastetta ei siis ollut tarkastelemissani kunnissa yhdessäkään, eli työttömyystilanteen voi todeta olevan hälyttävä (Väestö työmarkkina-aseman ja maakunnan mukaan, 15-75 vuotiaat). Pohjois-Suomi ja etenkin Lappi esitetäänkin esimerkiksi mediassa usein juuri työttömyyden riivaamana alueena, joten luvut eivät sinänsä yllätä. Tarkasteltaessa työttömyysastetta korkeakoulutettujen osuuksien päällä käy kuitenkin ilmi, että matalin työttömyysaste on niissä kunnissa, joissa korkeakoulutettujen osuus on suurin. Korkein työttömyysaste puolestaan on kunnissa, joissa korkeakoulutettujen osuus on matalampi. Kuten aiemmin todettu on tarkasteltavan alueen matalinkin työttömyysaste maan keskiarvoa korkeampi, mutta kyseisen alueen mittakaavassa korkeakoulututkinnon suorittaneiden suuri osuus näyttää johtavan matalampaan työttömyysasteeseen.

Visuaalinen seikka, joka lopullisessa kartassa hieman häiritsee, on pisterastereista tiheimmät pisteet. MapInfossa rasterointi näkyi vielä tasaisena pisterasterina, mutta tallentaessani kartan png-muotoon tiheimmät pisteet muuttuivat mosaiikkimaiseksi kuvioinniksi. Seuraavan kerran tuota rasterointia käyttäessäni tallennan kartan johonkin toiseen tiedostomuotoon. Toinen asia, jonka olisin näin jälkikäteen ajateltuna tehnyt toisin, on kartalle poimittujen kuntien valinta. Nykyisessä kartassa nuo neljä Pohjois-Pohjanmaan maakunnan kuntaa ovat melko turhia. Kartan analysointi olisi ollut huomattavasti yksinkertaisempaa, jos olisin tarkastellut ainoastaan Lapin maakunnan kuntia. Jatkossa karttoja tehdessäni osaan varmasti kiinnittää näihinkin asioihin huomiota.

LÄHTEET

Ahonen, A. (2017). Toinen kurssikerta: syvemmälle teemakarttojen syövereihin. 5.2.2017. <https://blogs.helsinki.fi/ahonenan/>

Lapin korkeakoulut. Lapin liitto, Rovaniemi. 4.2.2017.<http://www.lappi.fi/opiskelu/oppilaitokset/korkeakoulut >

Väestö työmarkkina-aseman ja maakunnan mukaan, 15-75 vuotiaat. Tilastokeskus, Helsinki. 4.2.2017.
<http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__tym__tyti/060_tyti_tau_109.px/?rxid=f312b599-7413-4e64-aa93-47f363f61e70>

15 vuotta täyttänyt väestö koulutusasteen, kunnan ja sukupuolen mukaan 2011-2014. Tilastokeskus, Helsinki. 4.2.2017.
<http://pxnet2.stat.fi/PXWeb/pxweb/fi/StatFin/StatFin__kou__vkour/030_vkour_tau_103_fi.px/?rxid=f312b599-7413-4e64-aa93-47f363f61e70>

Reaktiopaperi: artikkeli 1

Anna Leonowiczin artikkeli “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” kertoo kahden päällekkäisen koropleettikartan ongelmista ja mahdollisuuksista. Niiden ongelmana on usein vaikea luettavuus: vähentämällä luokkien määrän 2×2:een tai 3×3:een ja käyttämällä sopivia väriskaaloja tämä ongelma voidaan kuitenkin minimoida. Siinä tapauksessa kaksi päällekkäistä koropleettikarttaa ovat mainio tapa esittää kahden muuttujan välistä yhteyttä alueellisesti.

Kahden muuttujan koropleettikartat ovat sinänsä jo ennestään tuttuja – esimerkiksi toisella kurssikerralla tuottamassani kartassa on samassa kartassa esitetty korkeakoulutettujen osuutta sekä työttömyysastetta. Leonowiczin artikkelissa esitellyt kartat eroavat kuitenkin legendaltaan itselleni ennestään tutuista, vastaavanlaisista kartoista. Legenda koostuu useammasta osasta: molempien muuttujien omista väriskaaloista; ruudukosta, jossa muuttujien värit sekoittuvat havaintojen esiintyessä päällekkäin; pistediagrammista, jossa yksittäiset havainnot on esitetty, sekä erillisestä ruudukosta, josta näkee havaintojen frekvenssit. ”Perinteiseen” legendaan verrattuna nämä ovat siis työläämpää luettavaa, mutta jos niihin jaksaa paneutua, on niiden informaatioarvo myös perinteistä esitystapaa suurempi.

Vastaavia karttoja olisi mielenkiintoista päästä itsekin tekemään. Kahdella eri värillä ja niiden sekoituksilla esitettynä karttojen ulkoasu on toki erilainen, kuin MapInfossa pohjavärillä ja sen päälle lisättävällä rasteroinnilla toteutettujen vastaavien karttojen. Etenkin kartan pohjana olevan aineiston käsittely ja legendojen tuottaminen itse auttaisi kunnolla ymmärtämään niiden idean. Laajempi tuntemus eri toteutustavoista laajentaisi myös eri tapojen soveltamismahdollisuutta ja vahvistaisi kokonaisvaltaista kartografista ymmärrystä.

LÄHTEET

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

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/>