Kuukausi: maaliskuu 2022

För den sjunde och sista kursomgången skulle vi själv söka upp data och skapa kartor av fenomen som vi fick välja. I början var det litet krångligt, eftersom det var ganska svårt att komma på vad jag ville analysera för fenomen. Efter att ha sökt efter olika variablar på Statistikcentralens databas Kommunernas nyckeltal, hittade jag en variabel som innehöll data om andelen invånare som arbetar inom sin hemkommun.

Jag bestämde mig att regionalt jämföra andelen som arbetar innanför sin egen kommun, tillsammans med data av hur många invånare kommunerna har, för att försöka se vilka kommuner som har och inte har konkurrenskraft. Min hypotes var att större städer har allmänt en högre andel personer som arbetar i sin hemkommun, jämfört med mindre städer.

Hela Finland

Bild 1. Karta över hela Finland, som visar andelen personer som arbetar inom sin egna kommun, samt diagram för hur många personer bor i kommunen (Statistikcentralen 2018).

Den första kartan jag skapade syns på bild 1. Koropletkartan visar hur många personer procentuellt arbetar inom sin hemkommun, samtidigt som den visar befolkningsmängden för kommunerna med hjälp av cirkeldiagram. Min hypotes stämmer till en viss mån. Man kan se på kartan hur landskapscentren, såsom Rovaniemi, Uleåborg, Kuopio och Villmanstrand, har väldigt höga andelar, medan de mindre kommunerna runtom har en betydligt mindre andel som arbetar inom sin egna kommun. Detta kunde ske p.g.a. det finns mera jobbplatser i städer, vilket betyder att människor ofta pendlar till större kommuner från mindre kommuner.

En sak som överraskade mig var Lappland, där man kan se många kommuner, där en väldigt stor andel arbetar innanför sin kommun. Jag tror att detta beror på att distanserna i Lappland är väldigt stora, så människorna kan egentligen bara arbeta inom sin hemkommun, eftersom de inte kan pendla 200–300 kilometer varje dag. Utöver detta så tycker jag att man kan ganska tydligt se hur större städer har förhållandevis mera invånare som arbetar inom kommunen, jämfört med småkommuner.

Kartan på bild 1 blev ganska lyckad, eftersom färgerna avskiljer bra på de olika grupperna. Trots det är det svårt att analysera områden såsom Nyland, p.g.a. diagrammen för befolkningsmängden täcker mycket. För att kunna bättre analysera på en landskapsnivå, har jag skapat 2 nya kartor på en landskapsnivå med samma data.

Åland och Egentliga Finland

 

Bild 2. Koropletkarta över Egentliga Finland och Åland,  som visar andelen personer som arbetar inom sin egna kommun, samt diagram för hur många personer bor i kommunen (Statistikcentralen 2018).

Kartan på bild 2 visar fortfarande samma fenomen som kartan på bild 1, men nu på ett litet mer läsbart sätt. Jag valde att analysera Åland och Egentliga Finland tillsammans, eftersom de ligger bredvid varandra. Det som man först märker är tydliga centrum för befolkning, där en stor andel av människorna arbetar också innanför sin hemkommun.

De fyra tydligaste är Mariehamn, Åbo, Nystad och Salo. Naturligtvis så är Mariehamn, på grund av sin storlek, den kommun där de flesta människor på Åland arbetar. Även om Mariehamn är liten jämfört till arean av de andra kommuner på Åland, bor ända flesta människor i kommunen eller kring den, vilket förklarar varför många arbetar inom Mariehamn samt pendlar dit.

De små öarna utanför Åland och Åbo däremot har en relativt hög procent av människor som arbetar inom sin hemkommun, troligen p.g.a. nåbarhet och liten befolkningsmängd. Nystad är har en hög andel som arbetar inom kommunen, eftersom det finns t.ex. bilfabriken som anställer mycket människor där. Salo är också ett centrum p.g.a. en stor befolkningsmängd, vilket ofta korrelerar med mera arbetsplatser.

Åbo är det tydligaste exemplet, eftersom i kommunerna kring Åbo arbetar bara under 30% av befolkningen inom sin hemkommun. Åbo är den största och mest betydande staden i Egentliga Finland, vilket förklarar varför så man arbetar i kommunen. Distanserna mellan Åbo och kommunerna utanför är små, vilket tillåter människorna att bo utanför där det finns mera utrymme och var det är billigare, samtidigt som de kan lätt pendla till Åbo för att arbeta.

Nyland

Bild 3. Koropletkarta över Nyland,  som visar andelen personer som arbetar inom sin egna kommun, samt diagram för hur många personer bor i kommunen (Statistikcentralen 2018).

Kartan på bild 3 är skapad på samma sätt som den på bild 2. Jag bestämde mig att numrera kommunerna för att hjälpa läsaren att förstå kartan, samt hjälpa med analysen.

Intressant nog finns det bara 3 kommuner, Helsingfors, Raseborg och Hangö, som tillhör klassen där ca 60-80% av invånarna arbetar inom sin hemkommun. Hangö har troligen en hög andel av invånare som arbetar inom kommunen, eftersom kommunen geografiska läge är isolerat, eftersom kommunen ligger på en udd. Raseborg däremot är en kommun som har en stor svenskspråkig befolkning, vilket betyder att svenskspråkiga arbetsplatser finns inom kommunen. Samma stämmer säkert också för Hangö. Eftersom Raseborg har också en stor areal, kan flesta människor som arbetar i kommunen också bo där. Trots det kan man se skillnader innanför Raseborg, t.ex. att människor pendlar mycket från mindre ställen som Pojo och Tenala, för att arbeta i Ekenäs och Karis.

Helsingfors däremot är det mest tydligaste exemplet i Nyland. Helsingfors har klart den största befolkningen i hela Finland, vilket betyder att det finns mest arbetsplatser där. Man ser tydligt hur människor pendlar till Helsingfors från Esbo, Vanda och Sibbo, fastän Esbo och Vanda har också mycket arbetsplatser. Däremot pendlar människor mycket från Kyrkslätt, Grankulla och Nurmijärvi till Esbo, medan många pendlar till Vanda från Tusby, Kervo och Träskända. Man kan alltså sen en hierarki av var arbetsplatserna finns på Nyland.

Kommunerna såsom Lojo, Lovisa och Borgå har en relativt hög andel som arbetar inom kommunen. Dessa ovannämnda kommuner har också mindre kommuner kring dem, varifrån människor pendlar. Man kan till exempel se att människor från Borgnäs och Askola pendlar in till Borgå.

Slutsats

Utöver de 3 kartor jag skapade och analyserade, kan jag bedöma om min tidigare hypotes stämde. Jag tycker att man kan dra en slutsats av att större kommuner, konkurrerar bättre än mindre kommuner på grund av flera arbetsplatser, vilket också lockar arbetare utanför kommunen. Däremot tar mina kartor inte i beaktande andra faktorer som kunde påverka konkurrenskraften, såsom försörjningskvot eller hur mycket som det investeras i kommunen.

Lotta Sainio hade analyserat både arbetslöshet och inflyttning i hennes blogg. Sainio hade skapat en koropletkarta över Birkaland i samma stil som jag för att presentera fenomenen. Ifall jag skulle ha själv analyserat Birkaland mera noggrant, skulle det ha varit intressant att jämföra min och Sainios karta, för att hitta möjliga trender och likheter, eftersom arbetslöshet hänger ihop med arbetsplatser inom en kommun.

Reflektion över kursen

Det känns som att kursen har gått snabbt, fastän det har krävt mycket arbete och tid för att skapa alla dessa kartor. Jag har själv märkt hur mina kunskaper och färdigheter för att använda QGIS har förbättrats under kursens gång. Jag kan nu använda programmet effektivt och då jag stöter på problem, kan jag lösa dem. Vi har gjort flera olika analyser och använt olika verktyg, vilket har också varit bra för inlärningen.

Källor:

Sainio, L (2022) Mantsailua, Viikko 7: Loppuhuipennus, (hämtad 9.3.2022) länk: https://blogs.helsinki.fi/salotta/

Statistikcentralen (2018) Andelen personer som arbetar i sin bostadskommun, %, (hämtad 4.3.2022) länk: https://pxnet2.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/

Statistikcentralen (2019) Folkmängd, (hämtad 4.3.2022) länk: https://pxnet2.stat.fi/PXWeb/pxweb/fi/Kuntien_avainluvut/

 

Datainsamling

I början av kursomgången fick vi gå ut och samla in data med EpiCollect5, vilket är en app, där man kan ladda upp upplägg med geografiska lägen. Iden var att vi skulle bedöma omgivningen med olika kriterier, såsom trygghet, och ge dem vitsord från 1 (väldigt dåligt) – 5 (väldigt bra). Då vi återvände till klassen, laddade vi ner datan och satte den på en karta, vilket vi kunde göra eftersom EpiCollect5 samlade in lägesdata. Sedan interpolerade vi noderna, så att vi fick en karta som visade hur ett fenomen såg ut spatialt, t.ex. var gick det mycket människor och tvärtom. Övningen var givande, eftersom jag lärde mig hur man kan interpolera samt samla in data själv. Nu vidare till huvuduppgiften.

Hasarder

Veckouppgiften den här veckan var att skapa tre olika kartor, med data som vi skulle själv söka och ladda ner från nätet. Kartornas tema var hasarder och syftet var att de skulle användas som läromaterial i skolan. Uppgiften lät intressant, eftersom jag tänker studera till ämneslärare i geografi. Övningen fick mig att tänka ur en annan perspektiv, vilket är något som jag borde lära mig om jag vill bli en lärare.

Det som var krångligast den här gången var att själv ladda ner materialet, fastän vi hade redan länken till nätsidorna. Med tanke på nästa kursomgång, då vi måste självständigt söka det material vi behöver, är detta en bra övning. En annan sak jag märkte var att kartorna skulle både vara informativa men också sådana som eleverna kunde förstå.

Ali Ylikoski hade skapat utmärkta kartor i sin blogg, som t.o.m. innehöll gränserna för litosfärplattorna. Jag tycker också att stilen som Ylikoski använde för att göra legenden var fin, eftersom legenden inte lades direkt på kartan. Jag bestämde mig för att tillämpa samma idéer i mina egna kartor.

 

 

 

 

 

 

 

 

Bild 1. Alla meteoriter som har hittats i världen, OBS. inte meteoritkratrar (data: Nasa, 2018).

Syftet med kartan på bild 1, var att visa eleverna hur meteoriter har hittats från närmare alla ställen på jorden. Som en lärare kunde jag fråga eleverna varför man inte har hittat meteoriter i Amazonas eller Sibirien, medan man har hittat väldigt många i USA samt Europa. Förklaringen skulle vara att man har inte kunnat forska t.ex. Amazonas lika mycket Europa eller USA, p.g.a. terrängen och nåbarheten. Poängen är att förvisa hur meteoriterna är sporadiskt utspridda och att de inte följer några mönster.

 

 

 

 

 

 

 

 

Bild 2. Karta över jordbävningarna (2,5-6,8 magnitud) som har skett under senaste 30 dagarna (data: USGS, 2022).

Bild 3. Jordbävningar (över 5 magnitud) som har skett under första halvan av 2019  (ECHO, 2019).

Kartorna på bild 2 och 3 visar båda jordbävningar. Bild 2 visar jordbävningar, mellan 2,5 och 6,8 magnitud under en månad, samt gränserna för tektoniska plattorna (. Jag tycker att kartan jag skapade kunde fungera bra som läromedel, eftersom den är tillräckligt lätt att förstå. Kartan visar bra hur jordbävningar sker kring gränserna till tektoniska plattor. Jag tycker att plattgränserna är litet för noggranna på vissa ställen, något som kunde förenklas.

Kartan på bild 3 däremot är mera noggrann, men ändå ganska lätt att förstå. Kartan kunde också användas som undervisningsmaterial, fastän den innehåller litet för mycket information. Kartan innehåller t.ex. data om tsunamier och dödsfall, vilka kunde vara nyttigt för gymnasieundervisning. Man kan se att jordbävningarna sker ungefär på samma ställen på bägge kartorna, med några undantag. Båda två skulle fungera bra som undervisningsmaterial, speciellt den som var skapad av ECHO. Man kunde tillägga saker till min egna karta, såsom platsnamn och information av skador.

 

 

 

 

 

 

 

 

Bild 4. Karta över världens aktiva vulkaner (minst ett utbrott efter år 1964) (data: NOAA, NCEI, 2002).

Bild 5. Världens aktiva vulkaner i Google Earth (data: NOAA, NCEI, 2002).

Bild 4 är en karta som visar världens aktiva vulkaner, samt litosfärplattgränserna. Kartan kan bra kombineras med kartan över jordbävningarna, för att visa eleverna hur plattektoniken hänger ihop med båda två fenomenen. Som lärare kunde man fråga eleverna varför det finns aktiva vulkaner på ställen som inte ligger vid plattgränser (t.ex. Hawaii).

Bild 5 visar samma vulkaner som på bild 4, däremot på Google Earth. Google Earth fungerar bra som läromedel, eftersom vulkanerna visas på ett klot, istället för en karta. På det sättet får eleverna en bättre bild av var vulkanerna finns i verkligheten. Google Earth kunde tillämpas till att visa andra fenomen, såsom sjöar och bergskedjor.

 

Källor:

Ylikoski, A (2022) Alin geoinformatiikkablogi, Kurssikerta 6: Sään ääri-ilmiöitä ja maanjäristyksiä (hämtad 2.3.2022) länk: https://blogs.helsinki.fi/alingeoinformatiikka/

European Civil Protection and Humanitarian Aid Operations (2019) Earthquakes Global Overview, 1 January – 5 June 2019 (hämtad 2.3.2021) Länk: https://reliefweb.int/map/world/earthquakes-global-overview-1-january-5-june-2019-emergency-response-coordination-centre