4. kurssikerta: Ruutua pukkaa!

Neljännellä kurssikerralla opettelimme ruututeemakarttojen tekemistä MapInfolla. Ruututeemakartoissa aineisto esitetään korologisella matriisilla eli koordinaatistoon sidotulla ruudukolla, jonka yksikköjen koko on vakioitu johonkin tiettyyn mittaan. Esitystavan ehdoton etu on se, että ruudukolla tietoa voidaan esittää yhtä aikaa sekä laaja-alaisesti että paikkatarkasti: ruutukartta on kuin tasakokoisiin ja pieniin yksiköihin pilkottu koropleettikartta, joka antaa yksityiskohtaista tietoa ilmiön esiintymistiheydestä ja alueellisesta jakautumisesta. Ruutukartta on kuitenkin usein koropleettikarttaa yksityiskohtaisempi ja paikkatarkempi, sillä sen yksiköt ovat tyypillisesti paljon koropleettikartan hallinnollisiin rajoihin perustuvia alueyksiköitä pienempiä. Tällöin ne myös kuvaavat ilmiön esiintymistä ja tiheyttä suhteessa eksaktiin sijaintiin koropleettikarttaa paremmin. Toisaalta ruutujako on ilmiöiden esiintymisen kannalta aivan yhtä teennäinen kuin hallinnollinenkin aluejako, ja liian suurella tai pienellä ruutukoolla voi kartasta tulla joko liian yleistetty tai aivan liian pikkutarkka. Loppujen lopuksi tässäkin esitystavassa informatiivisuus on siis täysin kartanlaatijan valinnoista kiinni.

Päädyin kokeilemaan väestöaiheisella teemakartallani kahta ruutukokoa. Ensin kokeilin pienempää, 250 m x 250 m kokoisista yksiköistä koostuvaa ruudukkoa. Lopputulos oli kuitenkin huono, sillä liian pieniä ruutuja oli hankala erottaa toisistaan. Ongelmaa eivät juuri helpottaneet edes voimakkaat luokkavärit, sillä värit puuroutuivat ja muistuttivat lopulta enemmän pisterykelmää kuin ruudukkoa. Tein kartan valmiiksi aikoen julkaista sen malliesimerkkinä oikein perusteellisen huonosti toteutetusta ruututeemakartasta. Corelin kautta pyöräyttäminen ja jpg:ksi tallentaminen vääristivät kuitenkin kartan alkuperäisiä värejä paljon, eikä ruututeemaa enää juuri tunnistanut pikselimössöstä. Esitys oli loppujen lopuksi niin järkyttävän laaduton, että päätin säästää blogiani (toivottavasti) lukevat herkät ja viattomat opiskelijasielut törkeän kartografisen häirinnän aiheuttamilta sydämentykytyksiltä. Ehkäpä pääsemme niihin vielä myöhemmin.

Karttani teemaksi valitsin alle kouluikäisten eli 0-6 -vuotiaiden määrän pääkaupunkiseudulla. Loin karttaa varten uuden ruudukon, jonka yksiköiden kooksi valitsin 500 m x 500 m. Valinta osoittautui onnistuneeksi: se toi ruutumaisuuden hyvin esiin pitäen kartan samalla kuitenkin riittävän tarkkana ja yksityiskohtaisena. Kokoluokan 1000 m x 1000 m ruudut olisivat varmasti olleet jo liian suuria ja yleistäviä, sillä ne olisivat olleet pinta-alaltaan nelinkertaisia suhteessa nykyisiin ruutuihin. Luokittelussa päädyin käyttämään kvantiileja, sillä kuten allaolevasta histogrammista (kuva 1) näkyy, aineisto jakautui vinosti. Kokeilin myös muita luokittelutapoja, mutta ne tuntuivat olevan entistäkin huonompia alueellisten erojen realistisessa esiintuomisessa. Nyt käyttämässäni luokittelussa ongelmaksi muodostuu eri luokkien luokkavälien pituuden keskinäinen suuri vaihtelu: pienimmässä luokassa luokkaväli on huomattavasti pienempi kuin suurimmassa.

histogrammi kk4

Kuva 1. Histogrammi pääkaupunkiseudulla asuvien alle kouluikäisten määrästä 250 000 m² kokoisista ruutuyksiköistä koostuvalla matriisilla.

Lopulliseen karttaani (kuva 2) valitsin esitettäväksi ruutuaineiston lisäksi myös kuntarajat sekä suuralueet nimineen, jotta karttaa olisi helpompi tulkita ja ymmärtää. Kokeilin myös pienalueiden lisäämistä karttaesitykseen, mutta informaatioarvon kasvattamisen sijaan ne heikensivät sen luettavuutta. Myös Laura Hintsanen toteaa blogissaan pienalueiden lisäämisestä seuraavaa:

“Pienalueiden näkyminen kartalla teki esityksestä hyvin sotkuisen, eikä alueiden nimien sijoittamista kartalle voinut edes harkita. Suuralueiden avulla lukija pystyy hahmottamaan suurpiirteisesti myös pienempien alueiden sijainnin.”

Värien valinta tuotti jälleen ongelmia: koin, että riittävän erottuvien ja toisaalta liukuvasti muuttuvien värien sopivaa yhdistelmää oli vaikea löytää. Nyt karttaa katsoessani totean, että värit olisivat voineet olla voimakkaampiakin, sillä etenkin tummin luokka näyttää turhan haalealta. Mielestäni tällaisenaan kartan informaatioarvo on alueellisten erojen tarkastelun kannalta heikohko, sillä se kuvaa oikeastaan paremmin asutuksen yleistä jakautumista kuin lapsiperheiden suosimien alueiden sijoittumista. Kartalla kuvautuvat tummimpina tiheimmän asutuksen keskittymät eli käytännössä suuralueiden keskustat, joissa lapsiakin on luonnollisesti absoluuttisissa määrissä mitattuna eniten, vaikka lasten suhteellinen osuus asutuskeskittymän väestöstä olisikin pieni. Saman huomion on tehnyt blogissaan myös Natalia Erfving, jonka kartta havainnollistaa 1-6 -vuotiaiden määrää pääkaupunkiseudulla:

“- – jos ollaan kiinnostuneita vain siitä, missä lapsia on eniten, on tämä kartta hyvä tiedonlähde. Jos kuitenkin haluttaisiin tarkastella, että mitkä alueet  ovat  etenkin lapsiperheiden suosiossa, pitäisi lapsien määrä suhteuttaa väkilukuun. Näin näkyisi kuinka suuri osa väestöstä on lapsia, jolloin selviäisi, mitkä alueet koetaan esim. lapsiystävällisiksi. Absoluuttiset arvot ovat siis aina hiukan harhaanjohtavia kartoilla, joissa kuvataan jonkin ilmiön alueellista jakautumista.”

Kuten Nataliakin siis toteaa, on kartta oivallinen väline alle kouluikäisten lasten absoluuttisten määrien esittämiseen, mutta teemasta voisi tuoda esiin kiinnostavampiakin ulottuvuuksia suhteellisia arvoja hyödyntämällä. Kartoissamme on pieniä eroavaisuuksia, jotka liittyvät luokittelussa ja luokkamäärässä oleviin eroihin, mutta muuten kartat muistuttavat paljolti toisiaan. Mielestäni Natalian kartan sävyvalinta on onnistuneempi, sillä siinä eri luokat erottuvat paremmin kuin omassa kartassani. Oman karttani väriskaala on myös aivan liian lähellä merialueen sinistä sävyä.

Absoluuttisia arvoja esittävän kartan rajallisesta informaatioarvosta johtuen päädyin luomaan sen rinnalle suhteellisia arvoja kuvaavan kartan samasta aiheesta. Tämän tein jakamalla jokaisen ruudun alle kouluikäisten määrän kyseisen ruudun kokonaisväkimäärällä. Esitän kartat seuraavaksi peräkkäin, jotta niiden keskinäinen vertailu olisi mahdollisimman helppoa:

Uusi ruutukartta alle_kouluik

Kuva 2. Pääkaupunkiseudulla asuvien alle kouluikäisten lasten määrä absoluuttisina arvoina ruututeemakartalla. Kartan ruutukoko on 500 m x 500 m. Kuvassa suurimpia arvoja saavat suuret asutuskeskittymät eli käytännössä suuralueiden keskustat.

Kuva 3. Alle kouluikäisten lasten prosentuaalinen osuus väestöstä ruututeemakartalla esitettynä. Osuus on laskettu erikseen joka ruudulle jakamalla ruudun sisällä asuvien alle kouluikäisten määrä ruudun kokonaisväkimäärällä. Kartan ruutukoko on 500 m x 500 m. Tummina kuvautuvilla eli suurimpia arvoja saavilla alueilla lapsia on siis eniten suhteutettuna väkimäärään.

Huom! Jostain syystä kuva 3 on välillä kadonnut sivulta. Jos kuvaa ei näy, voit katsoa sen tästä linkistä: http://tinypic.com/view.php?pic=jtmdmw&s=8#.UwN0wRAWd49 

Jo nopealla vilkaisulla huomaa, että kartat eroavat toisistaan paljon – itseasiassa ne ovat lähes käänteiset. Absoluuttisia arvoja kuvaavalla kartalla suuria arvoja saavat alueet saavat suhteellisia arvoja esittävällä kartalla pieniä arvoja ja päinvastoin; esimerkiksi kuvassa 2 korkeimpaan luokkaan kuuluvat Helsingin keskustan ja sen lähiympäristön alueet putoavat kuvassa 3 matalimpaan luokkaan. Tämä tukee hypoteesiani siitä, että lapsiperheet hakeutuvat asumaan keskustan ulkopuolisille ja pientalovaltaisille alueille, joilla neliöhinta on tiheästi asuttuihin keskuksiin verraten keskimäärin alhaisempi. Tiiviimmän asumisen keskukset taas houkuttelevat lapsettomia, nuoria ja vanhuksia, joilla tilantarve on pieni eikä neliöhinta muodostu kynnyskysymykseksi asunnon hankinnassa. Oletan myös, että lapsiperheet ja lapsettomat suosivat ensisijaisesti eri asioita asuinpaikkaa valitessaan: siinä missä sinkku asettaa hyvät liikenneyhteydet sekä kulttuuri-, viihde- ja palvelutarjonnan etusijalle, painavat lapsiperheen vaakakupissa luultavasti eniten turvallisuus, rauhallisuus, luonnonläheisyys ja hinta.

Mielestäni suhteellisia arvoja esittävä kartta tuo alle kouluikäisten alueelliseen sijoittumiseen liittyvästä teemasta esiin mielenkiintoisen ulottuvuuden. Kartat tarkastelevat samaa aihetta mutta eri painotuksin, ja yhdessä esitettynä niiden informaatioarvo on  parempi kuin kummankaan yksittäin. Mielestäni esittämäni lähestymistavat tukevat toisiaan, joten ilmiön mahdollisimman realistiseksi havainnollistamiseksi on siis hyvä esittää molemmat kartat rinnakkain. Ilokseni voin tässä vaiheessa kurssia todeta, että MapInfon käyttö tuntuu jo huomattavasti helpommalta ja loogisemmalta kuin alkukurssista. Tietokantojen muokkaaminen ja tiedon siirto eri tietokantojen välillä tuntuu sujuvan ongelmitta, ja ohjelman kanssa pärjää luovaa ongelmanratkaisua vapaasti soveltamalla. Hyvästi siis MapTuska! Ehkäpä tässä on orastavan MapRakkauden siemen. 🙂

Lähteet:

Erfving, N. (2014): Kurssikerta 4: Ruutuja, rasterikarttoja ja alle kouluikäisten määrä pääkaupunkiseudulla. <https://blogs.helsinki.fi/nataliae/2014/02/03/kurssikerta-4-ruutuja-ja-rasterikarttoja-alle-kouluikaisten-maara-paakaupunkiseudulla/> Viitattu 18.2.2014.

Hintsanen, L. (2014): Kurssikerta 4: Rasterikarttoja. <https://blogs.helsinki.fi/lhintsan/2014/02/04/kurssikerta-4-rasterikartta/> Viitattu 18.2.2014.

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.

.