Kolmas kurssikerta ja MapTuska

Kolmas kurssikerta koetteli hermojani: onnistuin tekemään MapInfolla luultavasti kaikki mahdolliset virheet ennen kuin sain kurssikerran itsenäisen karttatyön valmiiksi. Onneksi opettajamme Arttu ja muut kurssilaiset olivat enemmänkin kuin kärsivällisiä ja auttavaisia MapTuskani suhteen (kiitos Johanna!). Tärkein oppimani asia kurssikerralta on se, ettei Pakittamaan sovi tulla alle kuuden tunnin yöunilla. MapInfon kanssa ei pärjää ilman riittävää tarkkuutta ja keskittymiskykyä – ainakaan tällainen aloitteleva paikkatietoartisti.

Kurssikerran aikana harjoittelimme tietokantojen muokkaamista käytettävämpään  muotoon. Opettelimme yhdistämään dataa tietokantojen sisällä ja tuomaan lisää dataa sekä toisista tietokannoista että ulkopuolisista lähteistä. Harjoitus toteutettiin valmiin afrikkateemaisen aineiston avulla, joka kuvasi muutamia erilaisia muuttujia (mm. internetkäyttäjien osuus, facebook -käyttäjien osuus, timanttikaivosten, öljykenttien ja konfliktien määrä) valtioittain.

https://blogs.helsinki.fi/tuomasli/files/2014/01/Afrikkakesken.png


Kuva 1.
Tuomas Lillebergin harjoituskartta Afrikan konfliktialueista (vihreällä) ja timanttikaivoksista (mustalla). Lähde: Lilleberg, T (2014).

 

Harjoituskarttatuotokseen (kuva 1: Lilleberg, 2014) valittiin viimeisimmät konfliktit (vihreällä) ja timanttikaivokset (mustalla). Varsinaisiin tietokantoihin oli tallennettu tietoa konfliktien laajuudesta ja alkamisvuodesta, timanttikaivosten löytämisvuodesta, kaivausten aloitusvuodesta ja tuottavuudesta sekä öljylähteiden löytämisvuodesta, poraamisen aloitusvuodesta ja tuottavuudesta. Lisäksi tietokanta sisälsi tietoa internetin käyttäjämääristä eri vuosina. Olisi mielenkiintoista tarkastella aineistosta näiden muuttujien välisiä riippuvuussuhteita – onko esimerkiksi arvomineraalin löytymisvuodella ja konfliktin puhkeamisvuodella selkeää korrelaatiota, kuinka löydöksen laajuus ja tuottavuus vaikuttavat konfliktin puhkeamiseen ja laajuuteen ja kuinka konfliktin puhkeaminen tai arvomineraalin löytyminen vaikuttavat internetkäyttäjien määrään vuosien mittaan. Tuotetulta harjoituskartalta ei ole suoraan luettavissa selkeää korrelaatiota mineraalilöydöksen ja konfliktin syttymisen välillä. Se ei kuitenkaan tarkoita, etteivät nämä kaksi voisi korreloida tapauskohtaisesti voimakkaastikin.

Kurssikerran itsenäisesti suoritettava osuus oli tulvaindeksikartan (kuva 2) tuottaminen. Kartan alueyksiköt muodostuvat valuma-alueista eivätkä siksi noudattele hallinnollisia rajoja kovinkaan hyvin. Tulvaindeksiteeman päälle tuli lisäksi liittää järvisyysprosentteja kuvaava pylväsdiagrammiesitys. Histogrammikuvaajan perusteella aineiston jakaumassa oli sekä vinon että epämääräisen jakauman piirteitä. Valitsin aineiston luokittelutavaksi luonnolliset luokkavälit, joita lisäksi pyöristin helpommin hahmotettavaan suuntaan. Valitsin tämän luokittelutavan, sillä halusin sijoittaa selvästi muista havainnoista poikkeavat arvot omaan luokkaansa. Tämän takia ylimpään luokkaan sijoittuukin ainoastaan kaksi havaintoa.

Tulvaindeksikartta


Kuva 2.
Tulvaindeksi ja järvisyys päävaluma-alueittain.

Kartalta voi tehdä kaksi kiinnostavaa havaintoa: sen lisäksi, että kaikki suuren tulvaindeksin valuma-alueet sijaitsevat rannikolla, järvisyyden ja tulvaindeksin välillä näyttäisi olevan voimakas negatiivinen korrelaatio. Toisin sanottuna suuri järvisyysprosentti näyttäisi vähentävän tulvahuippuja ja pieni vastaavasti äärevöittävän virtaaman vaihtelua. Havaintoa voidaan selittää sillä, että tulvahuippujen aikana järvialtaat hidastavat virtausnopeutta, sillä ne toimivat väliaikaisina vesivarastoina. Lisäksi järvialtaat sijaitsevat tasaisilla maastonkohdilla, joilla virtausnopeus on luonnollisesti alhainen. Tarkastelun ulkopuolisena selittävänä tekijänä voidaankin nähdä maaston viettoon ja topografiaan liittyvät seikat: joen yläjuoksun ja alajuoksun välisen korkeuseron kasvaessa myös joen virtausnopeus kasvaa. Voimakas maastonvietto sekä äärevöittää tulvahuippuja että vaikeuttaa järvialtaiden syntymistä. Toisaalta tasaiset ja alavat alueet ovat kaikista eniten alttiina tulvien aiheuttamille haitoille, sillä alavalla maalla vesi leviää laajalle aluelle ja tulvahuiput myös kestävät kauemmin. Myös maaperän ominaisuudet ja maankäyttö vaikuttavat tulvahuippujen äärevyyteen: rannikoiden savimaa on tiivistä ja vettä läpäisemätöntä, mikä osaltaan kasvattaa tulvariskiä. Lisäksi jokirantojen tiivis rakentaminen heikentää maaperän kykyä absorboida vettä.

Lähteet:

Lilleberg, T (2014). Kuva 1. <https://blogs.helsinki.fi/tuomasli/files/2014/01/Afrikkakesken.png> Viitattu 29.1.2014.

Toinen kurssikerta: päällekkäiset teemat

Toisella kurssikerralla tutustuimme syvemmin MapInfon käyttömahdollisuuksiin teemakarttojen tuotannossa. Kävimme läpi mahdollisten esitystapojen skaalaa sekä niiden soveltuvuutta eri muuttujien kuvaamiseen. Kurssikerran itsenäisesti suoritettavan osuuden aiheena oli päällekkäisten teemojen käyttö koropleettikarttaesityksissä: tarkoitus oli tuottaa informatiivinen ja moniuloitteinen karttaesitys, jossa yhdistyisivät samaa ilmiötä kuvaavat aineistot toisiaan tukevalla tavalla (esimerkiksi absoluuttiset ja suhteelliset arvot kuten työttömyysaste ja työttömien työnhakijoiden määrä). Vaihtoehtona oli tuottaa päällekkäisesitys kahdesta eri ilmiöstä, joiden yhteisvaihtelua tarkastelemalla voitaisiin tehdä havaintoja ilmiöiden välisestä mahdollisesta tilastollisesta riippuvuussuhteesta.

Aineiston valinta oli minulle hankalaa, sillä halusin esittää kartallani kaksi selkeästi korreloivaa ilmiötä. Toisaalta en kuitenkaan halunnut tarttua liian itsestäänselviin teemoihin korrelaation kuvaamisessa. Suljin siis ulkopuolelle lähes tai täysin samaa aihetta kuvaavat aineistot, joiden yhdistämisen ja tuplaesittämisen tuottama lisäinformaatioarvo jäisi mielestäni olemattomaksi – tällaisia olisivat olleet esimerkiksi yli 65-vuotiaiden osuuden ja eläkkeellä olevien osuuden yhdistäminen samaan karttaesitykseen. Lisäksi halusin välttää sellaisten aineistojen yhdistämistä, joissa korrelaation aiheuttajana oli selkeästi jokin tarkastelun ulkopuolinen syy. Esimerkiksi vältin tietoon tulleiden rikosten määrän ja työttömien määrän kuvaamista samalla karttapohjalla absoluuttisina lukuina, sillä molempien esiintyvyys on todellisuudessa eniten riippuvainen kunnan väkiluvusta. Toisaalta näiden muuttujien arvojen muuttaminen suhteellisiksi (esim. työttömyysaste + tietoon tulleet rikokset/väestömäärä) nostaisi kartan informaatioarvoa jo huomattavasti.

Muutaman tunnin toivottoman ähellyksen jälkeen päädyin kuitenkin tarkastelemaan suhteellisen helppoa ja itsestäänselvää kombinaatiota: pohjakarttani sävyt kuvaavat 65 vuotta täyttäneiden prosentuaalista osuutta kunnan väestöstä ja pisteobjektit taas luonnollisen väestönlisäyksen määrää suhteessa kunnan väkilukuun. Jaoin siis luonnollisen väestönlisäyksen väkiluvulla, jotta kartan visuaalinen ilme ei johtaisi virheellisiin tulkintoihin alueen syntyneisyydestä ja kuolleisuudesta. Kun arvot kuvataan valmiiksi suhteellisina, kartta on helpompi ymmärtää myös sellaiselle henkilölle, joka ei tunne aihealueen terminologiaa (esim. luonnollinen väestönlisäys eli kuolleiden määrä vähennettynä syntyneiden määrästä) tai huomaa ajatella kuntien välisiä eroja väkiluvuissa ja suhteuttaa esitettyjä arvoja niihin. Kartaltani (kuva 1) on luettavissa selkeä korrelaatio, mikä tuskin yllättää ketään: kunnissa, joissa vanhusikäisten osuus on korkea, on sekä suurin kuolevuus että alhaisin syntyvyys, jolloin myös luonnollisen väestönkasvun (syntyneiden määrä – kuolleiden määrä) on oltava heikompaa kuin nuoremman väestöpohjan kunnissa. Kartan varsinainen informaatioarvo liittyykin muuttujien toisiaan vahvistavaan ja tukevaan vaikutukseen – mielestäni kartta korostaa hyvin eroja taantuvien kuntien ja kasvukuntien välillä ja toisaalta tuo ilmiöiden alueellisen ulottuvuuden selkeästi esiin.

pak_karttakk2

Kuva 1. 65 vuotta täyttäneiden osuus ja luonnollinen väestönkasvu suhteutettuna väkimäärään Uudellamaalla. Muuttujien korrelaatiota on havainnollistettu päällekkäisillä teemoilla. Lähde: Tilastokeskus 2010.

Oppimisprosessistani voin tässä vaiheessa todeta, että vaikka ohjelman mekaaninen käyttö teemakarttatuotannossa alkaakin hiljalleen sujua, en koe vielä olevani kovinkaan hyvin perillä MapInfon toimintalogiikasta. Yhdynkin vuolaasti Tiia Seeven turhautumiskokemukseen, josta hän kirjoittaa blogissaan seuraavaa:

“Mekaaninen ulkoaopettelu tai onnistunutkaan ohjeiden seuraaminen ei tuo minulle oppimisen tunnetta, koska en varsinaisesta ymmärrä, mitä teen. Osaanhan minä komentaa MapInfon tekemään minulle koropleettikartan, mutta jos jokin menee vikaan, korjauskeinoni ovat kovin rajalliset.”

Kykyni muokata ja korjata tuottamiani karttaesityksiä MapInfossa on enemmänkin kuin rajallinen. Siksi veinkin tuottamani karttatiedoston vektorimuotoisena CorelDraw -ohjelmaan, jossa kaikenlainen muokkaus ja visuaalisen ilmeen hiominen on helpompaa. Myös Johanna Hakanen kirjoittaa blogissaan MapInfon ja CorelDraw- ohjelman käyttäjäystävällisyydestä:

“Kartan muokkaaminen Corelilla oli helppoa ja nopeaa ja sai MapInfon tuntumaan todella jäykältä ja epäloogiselta.”

Mutta kuten Johannakin myöhemmin blogissaan toteaa, on turhautumisessa luultavasti kyse vain tottumattomuudesta ja uuden toimintalogiikan opettelemiseen kuuluvasta alkukankeudesta. Uskon siis, että kurssin edetessä ja ohjelman tullessa tutummaksi myös sen käyttölogiikka aukeaa, oli pääni sitten puusta tahi ei. 😉

Lähteet:

Hakanen, J (2014). Kurssikerta 2: Lisää teemakarttoja ja kaksi päällekkäistä teemaa. <https://blogs.helsinki.fi/johakane/2014/01/21/kurssikerta-2-lisaa-teemakarttoja-ja-kaksi-paallekkaista-teemaa/> Viitattu 28.1.2014.

Seeve, T (2014). Kurssikerta 2 osa 1: Tuplateemat. <https://blogs.helsinki.fi/setiseti/2014/01/24/kurssikerta-2-tuplateemat/> Viitattu 28.1.2014.

Tilastokeskuksen tilastotietokanta. Tilastokeskus 2010.

Näkökulmia kahden muuttujan koropleettikarttoihin

Anna Leonowicz käsittelee vuonna 2006 ilmestyneessä artikkelissaan “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” kaksimuuttujaisten koropleettikarttojen hyötyjä ja puutteita visuaalisena esitystapana. Kattavan pohdintansa tukena Leonowicz esittelee artikkelissa kahta tutkimusta: omaansa, sekä erästä 80-luvulla tuotettua yhdysvaltalaista tutkimusta siitä, kuinka kaksimuuttujaisten koropleettikarttojen viesti aukeaa keskimääräiselle katsojalle verrattuna yksimuuttujaisiin karttaesityksiin. Mielenkiintoista on, että tutkimukset ovat päätyneet pääosin eriäviin tuloksiin: 80-luvulla toteutetun mukaan kaksimuuttujaiset karttaesitykset ovat ylipäätään liian vaikeita tulkita, kun taas Leonowiczin oma tutkimus näkee kaksimuuttujaiset kartat yksimuuttujaisia sukulaisiaan parempina muuttujien tilastollisen riippuvuuden esittämisessä.

Leonowiczin tutkimuksesta, jossa yksi- ja kaksimuuttujaisten karttojen luettavuutta vertailtiin opiskelijaotoksen avulla Varsovan yliopistossa (Leonowicz, 2006) käy ilmi, että yksimuuttujaiset koropleettikartat soveltuvat alueellisen jakautumisen esittämiseen kaksimuuttujaisia esityksiä paremmin. Sen sijaan kaksimuuttujaiset esitykset ovat omiaan ilmentämään tilastollista korrelaatiota ja ovat sen osoittamisessa yksimuuttujaisia, vierekkäisiä karttaesityksiä parempia juuri tulkittavuudeltaan. Edellisessä esitystavassa kartanlaatijan on kuitenkin tärkeää ymmärtää, mitä muuttujia on aiheellista tarkastella päällekkäin: olisi hyvä muistaa, että tilastollinen korrelaatio ei välttämättä kerro kausaalisuhteesta ja voi olla jonkin tarkastelun ulkopuolisen muuttujan tai toisaalta pelkän sattuman aiheuttamaa.

Yhdysvaltalaistutkimus taas todisti monimuuttujaisten koropleettikarttojen vaikealukuisuuden kokeellisesti 1980 -luvulla (Weiner, Francolini, 1980; Olson, 1981). Sen mukaan päällekkäisiä teemoja sisältävät karttaesitykset olivat katsojalle niin vaikealukuisia, että niiden lopullinen informaatioarvo jäi vierekkäisiä yksimuuttujaisia koropleettikarttoja köyhemmäksi. Etenkin legendojen tulkinta koettiin vaikeana. Leonowicz esittää tutkimusten tulosten johtuneen kuitenkin vain kyseisen kokeen karttaesitysten puutteellisesta visuaalisesta suunnittelusta sekä niissä käytetyn luokittelun ongelmallisuudesta: hänen mukaansa tutkimuksessa käytetyissä kartoissa käytettiin liian montaa luokkaa, käytetyt värit olivat kiistanalaisia ja täten kartat jäivät vaille visuaalista logiikkaa.

Olen kirjoittajan kanssa yhtä mieltä siitä, että vierekkäisiä koropleettikarttoja vertailemalla aineistojen tilastollinen riipuvuus ei avaudu katsojalle kovin helposti, sillä on teknisesti mahdotonta katsoa kahta karttaa samanaikaisesti. Jotta yhtäläisyys olisi helppo havaita vierekkäisistä kartoista, tulisi korrelaation olla äärimmäisen selkeää ja kuvattavan alueen visuaalisesti yksinkertainen. Kaksimuuttujaisen koropleettikartan edut taas tulevat esiin juuri sen käytännöllisyydessä ja moniulotteisuudessa. Antti Kinnunen pohtii blogissaan oivallisesti kaksiulotteisen esitystavan jopa matemaattista ulottuvuutta seuraavasti: “Kahden muuttujan koropleettikartalla toteutuu eräänlainen versio yhtälöstä xy=?, jossa muuttuja x:n värisävy yhdistettynä muuttujan y värisävyyn määrää tuloksen ?, eli sen värisävyn jonka tarkasteltava alue saa kartalla. Kaksimuuttujaista koropleettikarttaa voisi näin ollen pitää eräänlaisena visuaalisena representaationa ensimmäisen asteen yhtälöstä, jossa numeroiden sijaan muuttujina toimivat värit.”

Tästä huolimatta artikkelin lopussa oleva kaksimuuttujainen esimerkkikartta (kuva 1) on mielestäni ensivilkaisulla vaikeatulkintaisempi kuin vertailukohtana oleva kahden yksimuuttujaisen koropleettikartan muodostama kokonaisuus (kuva 1). Mielestäni kahdesta vierekkäisestä koropleettikartasta korrelaation havaitsee jopa paremmin kuin kaksimuuttujaisesta lajitoveristaan. Tämä voi osaltaan johtua tottumattomuudestani kaksimuuttujaiseen esittämistapaan, mutta koen myös, että kartta ja sen sävyt ovat intuitiivisesti harhaanjohtavia. Sen lisäksi, että sinisten luokkien sävyt ovat hyvin lähellä toisiaan, vahvaa lineaarista korrelaatiota kuvaavat luokkasävyt eivät ole intuitiivisesti tulkittavissa legendan värisävyjen yhdistelmiksi. Karttaesitys vaatii siis lukijalta suhteellisen suurta panosta ja kykyä legendan ja kartan tutkimiseen.

Pak artikkeli karttakuva

 

Kuva 1. Artikkelin esimerkkikuva yksi- ja kaksimuuttujaisesta koropleettikarttaesityksestä. Ylinnä on kaksi vierekkäistä yhden muuttujan koropleettikarttaa, alla olevassa kartassa nämä kaksi on aseteltu päällekkäin. Lähde: Leonowicz, 2006.

Kaksimuuttujaisten koropleettikarttojen tulkittavuuteen liittyy vielä yksi rajoittava seikka, joka palauttaa meidät takaisin yksiulotteisten vierekkäisten koropleettikarttojen ongelmaan. Koska katsetta on mahdotonta kohdistaa kahteen objektiin samanaikaisesti, ei tarkastelun yhtäaikaisuus pääse toteutumaan myöskään kaksimuuttujaisen kartan ja sen legendan välillä. Tavallisessa yksiulotteisessa legendassa luokat kasvavat vain yhden muuttujan suhteen ja yhteen suuntaan, jolloin luokat ja niiden järjestys on helppo muistaa ulkoa itse karttaa tarkastellessa. Kaksimuuttujaisen koropleettikartan legenda on kuitenkin niin moniuloitteinen, ettei sen luokkien ominaisuuksia voi muistaa karttaa tarkastellessa, vaan huomio on kohdistettava kerrallaan vain yhteen luokkaan niin legendassa kuin kartallakin. Mutta kuinka mahdollistaa legendan ja karttaesityksen päällekkäistarkastelu? Kenties sijoittamalla legendan arvoja kartalle mahdollisimman havainnollisesti ja yksinkertaisesti? Mielestäni tämä olennainen kysymys jää Leonowiczilta huomaamatta.

Jos tavoitteenani olisi havainnollistaa koropleettikartalla ainoastaan kahden muuttujan tilastollista riippuvuutta, luultavasti sijoittaisin kartalle jonkinlaisen luokittelun, joka perustuisi havaintopisteen virhetermin suuruuteen eli sen etäisyyteen regressiosuorasta. Olen esittänyt esimerkkikuvan luokittelun periaatteesta kuvassa 2 (alla). Tällöin lähimpänä regressiosuoraa sijaitsevat havaintopisteet muodostaisivat oman luokkansa (kuvassa luokka 3), keskimääräisen virhetermin pisteet keskimmäisen luokan (luokka 2) ja suurimman virhetermin pisteet viimeisen luokan (luokka 1).

Pak luokitteluehdotus

Kuva 2. Suuntaa-antava havainnollistukseni siitä, kuinka korrelaatiota esittävän karttaesityksen aineiston voisi luokitella suhteessa regressiosuoraan.

Näin hajontakäyrän sisältämän informaation voisi siirtää karttapohjalle havainnollistamaan, millä alueilla muuttujien välillä on voimakas tilastollinen yhteys ja toisaalta millä alueilla sitä ei ole havaittavissa. Mielestäni kahden muuttujan riippuvuutta voisi siis ilmentää kartalla funktionaalisemminkin kuin käyttämällä päällekkäisiä teemoja lopullisessa esityksessä. Toisaalta päällekkäisten teemojen vahvuus on juuri moniulotteisuudessa: ne eivät ilmennä ainoastaan korrelaatiota vaan myös tarkasteltavien muuttujien arvoja ja niiden vaihtelua eri alueilla. Taitavalle tulkitsijalle päällekkäiset teemat tarjoavatkin aivan erinomaisen havainnointilähteen.

Lähteet:

  • Leonowicz, A (2006). Two-variable choropleth maps as a useful tool for visualization of geographical relationships. Geografija T. 42. Nr. 1. P. 33–37.

Ensimmäinen kurssikerta: tutustumista MapInfoon

Tämä blogi on päiväkirjamuotoinen kurssiblogi, jonka tarkoitus on toimia alustana Paikkatiedon hankinta, analyysi ja kartografia -kurssilla toteutettaville tehtäville sekä kurssikertoihin ja tehtäviin pohjautuvalle kriittiselle oppimis-ja itseanalyysille. Kurssin tavoitteena on tutustuttaa opiskelijat paikkatiedon maailmaan sekä antaa käytännön kokemusta karttaohjelmien ja erilaisten paikkatietosovellutusten käytöstä.  Kurssilla toteutettavat tehtävät tulevat koostumaan sekä kuvallisista tuotoksista että niihin liittyvästä kirjallisesta analyysista, joiden julkaisualustana tämä blogi toimii. Kurssin aikana tulen siis seuraamaan ja erittelemään oppimisprosessiani tämän blogin puitteissa.

Ensimmäisellä kurssikerralla aloitimme tutustumisen MapInfo -ohjelman ominaisuuksiin ja mahdollisuuksiin sekä sen käyttöön paikkatietodatan saattamisessa esitettävään muotoon. Aluksi kävimme läpi ohjelman perusperiaatteita, rakennetta ja “työkalupakkia”, mikä tuntui tällaisesta MapInfo-noviisista äärimmäisen hyödylliseltä. Koska kyseinen ohjelma on minulle ennestään tuntematon, myös sen toimintalogiikka tuntui aluksi vieraalta ja haastavalta. Kurssikerralla edettiin kuitenkin rauhalliseen tahtiin ja harjoitukset toteutettiin ohjatusti askel askeleelta. Vaikka satunkin olemaan tietotekniikkaneron lähes täydellinen vastakohta, rauhallinen lähestymistapa toimi todistetusti myös allekirjoittaneen äärimmäisen puiseen päähän, sillä tehtäväksi saatu itsenäinen karttatyö oli loppujen lopuksi helppo toteuttaa. Myös .wor ja .tab -tiedostomuotojen ero selvisi tietämättömälle vihdoin.

Kurssikerran itsenäisesti toteutettava osuus oli karttatehtävä, jonka tehtävänantona oli tuottaa koropleettikarttaesitys MapInfolla vapaavalintaisen aineiston pohjalta. Valitsin aineistokseni Suomen kuntien työttömyysasteen vuodelta 2011. Histogrammityökalulla tulkittuna aineisto näytti normaalijakautuneelta, joten päätin säilyttää MapInfon ehdottaman kvantiileihin perustuvan luokittelun karttaesitykseni pohjana. Mielestäni kvantiileihin perustuva jako toi hyvin kuntien väliset erot ja alueellisen vaihtelun esiin, muttei virheellisesti korostanut yhtäkään luokkaa. Kvantiililuokittelun heikkoutena voidaan kuitenkin pitää sitä, että luokkavälien pituus saattaa vaihdella luokittain hyvinkin paljon. Oman normaalijakautuneen aineistoni kohdalla tämä tarkoitti sitä, että ääriluokkien sisäinen vaihtelu oli hyvinkin voimakasta, kun taas keskimmäisten luokkien sisäinen vaihtelu ja luokkavälin pituus jäivät hyvin pieniksi. Koin tämän seikan silti siedettävänä, sillä tarkoitukseni oli kartalla erotella nimenomaan keskimääräistä korkeamman ja keskimääräistä alhaisemman työttömyysasteen kuntia ja niiden alueellista järjestymistä, jolloin kokonaiskuva muodostui yksittäisten ääriarvojen esittämistä tärkeämmäksi.

Kuntien työttömyys histogrammi

Kuva 1. Suomen kuntien työttömyysaste 2011 -aineiston pohjalta tuotettamani histogrammiesitys. Yksihuippuinen ja selkeä muoto osoittavat aineiston olevan normaalijakautunutta.

Kokeilin luokittelua valitessani myös keskihajontaa (standard deviation) luokitteluperusteena, mutta se korosti mielestäni lopullisessa karttaesityksessä tiettyjä marginaalisia alueita epätarkoituksenmukaisesti. Vaikka keskihajonta tasasikin luokkien välistä luokkavälin pituuden vaihtelua, se johti havaintojen voimakkaaseen painottumiseen kolmeen suurimman työttömyysasteen luokkaan. Tämä puolestaan johti mielestäni lopullisella kartalla vääristyneeseen visuaaliseen tulkintaan, sillä havaintojen epätasaisen jakautumisen lisäksi suurin osa suuren työttömyysasteen kunnista on pohjoisia suuren pinta-alan kuntia. Tästä johtuen lähes koko Suomi näytti kuuluvan hälyttävän työttömyysasteen luokkaan, eivätkä alueelliset erot korostuneet riittävästi. Parhaimman työllisyystilanteen luokkaan ylsi tällä luokittelutavalla vain 2 % kaikista kunnista.

joopajoo

Kuva 2. Koropleettikartta Suomen kuntien työttömyysasteesta vuonna 2010. Kartalla kuvautuvat punaisina korkean työttömyysasteen kunnat ja vastaavasti sinisinä alhaisen työttömyyden kunnat. Lähde: Tilastokeskus 2010.

Kuten oli odotettavissa, suurimman työttömyysasteen kunnat painottuvat kartalla Suomen pohjoisiin ja itäisiin osiin. Toki poikkeuksiakin on – esimerkiksi Kittilän kunta erottuu kartalla sinisenä värialueena muiden pohjoisten ja punasävyisten kuntien keskeltä. Paras työllisyystilanne taas on eteläisissä ja läntisissä kunnissa, joissa työpaikkojen tarjonta on suuremman asutustiheyden, rikkaamman elinkeinoelämän ja elinvoimaisen teollisuuden takia runsaampaa. Korkean työttömyysasteen kunnissa kunnan talouden tila on usein heikko, sillä työttömyyden lisääntyessä verotulot pienentyvät ja toisaalta kunnan sosiaalimenot kasvavat yhtäaikaisesti. Tämä heijastuu väistämättä kunnan peruspalvelutarjontaan sekä sen kykyyn tarjota erilaisia sosiaalisia tukia ja palveluita.

Tutkimusten mukaan yksilön työttömyys ja sekä fyysinen että henkinen pahoinvointi  kulkevat käsi kädessä (Nyman, 2002). Tämä tarkoittaa, että kartalla punaisina kuvautuvat alueet ovat siis myös keskimääräistä korkeamman pahoinvoinnin kuntia. Sen lisäksi, että vaikea työllisyystilanne vaikuttaa ihmisten hyvinvointiin keskimäärin negatiivisesti, asukkaiden pahoinvointi voi alkaa nopeasti heijastua asukkaiden työssäkäymisprosentteihin ja -kykyyn, kuten Natalia Erfvingkin (2014) blogikirjoituksessaan “Kurssikerta 1: MapInfoon tutustuminen & koropleettiteemakartta” osuvasti toteaa. Kyseessä on siis noidankehä, jossa työttömyys johtaa pahoinvointiin ja pahoinvointi työttömyyteen. Pitkään työttömänä olleen yksilön uudelleentyöllistäminen voi siis käydä hankalaksi muistakin kuin vain koulutusteknillisistä syistä.

Mielestäni karttani on kokonaisuudessaan onnistunut, sillä sen visuaalinen ilme ja värimaailma ovat selkeät, ja lisäksi kuntien väliset erot näkyvät kartalla hyvin. Punainen ja sininen väri myös toimivat mielestäni hyvinä ensivaikutelman synnyttäjinä ja ohjaavat intuitiivisesti tulkintoja tekevää katsojaa oikeaan suuntaan. Sininen koetaan usein neutraalina ja kirkas punainen jopa hälyttävänä värinä. Symboliikaltaan nämä värit sopivat siis työttömyysaiheiseen teemakarttaesitykseen mielestäni erittäin hyvin, etenkin jos tarkoitus on esittää huolestunut puheenvuoro kuntien välisestä taloudellisesta eriarvoisuudesta ja polarisaatiosta. Muissa yhteyksissä kartan värimaailmaa voisi muokata kyseiseen julkaisukontekstiin sopivaksi, joko valitsemalla neutraalimpia värejä tai voimakkaasti arvo- ja mielikuvaväritteisiä sävyjä kuten mustaa tai kirkkaan oranssia. Värimaailman valinnassa on siis mielestäni ensisijaisesti kyse kartantekijän pyrkimysistä joko neutraaliin karttaesitykseen tai voimakkaita ja tietynlaisia mielikuvia synnyttävään visuaaliseen esitykseen.

Lähteet:

Erfving, N (2014). Kurssikerta 1: MapInfoon tutustuminen & koropleettiteemakartta. <https://blogs.helsinki.fi/nataliae/> Viitattu 22.1.2014.

Histogrammityökalu 2014. <http://illuminations.nctm.org/Activity.aspx?id=4152> Viitattu 12.1.2014.

Nyman, J. (2002). Does Unemployment Contribute to Ill-being: Results from a Panel Study among Adult Finns, 1989/90 and 1997. <http://ethesis.helsinki.fi/julkaisut/laa/kliin/vk/nyman/doesunem.pdf> Viitattu 22.1.2014.

Tilastokeskus 2010. Kuntien työttömyysaste.

.