Kurssikerta 2: Erilaisia teemakarttatyyppejä ja alkoholin myynnin ja rattijuopumusten suhde kartalla

Kahden muuttuja koropleettikartta ja Anna Leonowczin artikkeli

Anna Leonowicz käsittelee artikkelissaan ”Two-variable choropleth maps as a useful tool for visualization of geographical relationship” koropleettikartoista, joissa esitetään yhden muuttujan sijaan kahden muuttujan esiintyminstä alueellisesti. Hän kirjoittaa, että jos kahden muuttujan välillä on voimakas riippuvuussuhde, se on nähtävissä kartalta. Kokeessa, jossa opiskelijat olivat tarkastelleet sekä yhden että kahden muuttujan koropleettikarttoja, opiskelijat olivat kokeneet kahden muuttujan kartat hieman vaikealukuisemmiksi, mutta kiinnostavammiksi. Esitystapa vaatiikin lukijalta hyvää kartanlukutaitoa ja värienhahmotuskykyä. Kiia-Riina Eerikäinen on oikeassa todetessaan blogitekstissään, että kahden muuttujan koropleettikartan lukutaito on tottumiskysymys. Leonowiczin mukaan kahden muuttujan kartan vahvuus on se, että kahta eri tekijää voidaan tarkastella samanaikaisesti, minkä vuoksi hän toivookin, että maantieteilijät esittäisivät asioita käytännössä useammin tällä menetelmällä.

Esitystapa on hyödyllinen silloin, kun kahden eri tekijän välistä riippuvuussuhdetta halutaan tutkia ja visualisoida jollakin alueella. Täysin toisistaan riippumattomien tekijöiden esittäminen tällä tavalla ei ole hyödyllistä: ei ehkäpä kannata laittaa samalle kartalle ehkäisypillereiden käytön yleisyyttä ja talveksi etelään lähtevien hippiäisten prosenttiosuutta. Silloin, kun tekijöillä on selvä suhde toisiinsa, esimerkiksi tupakoivien osuus väestöstä ja keuhkosyövän yleisyys, muuttujien riippuvuus on nähtävissä helpommin, kun ne ovat samalla kartalla. Eri kartoilla esitettynä lukija ei näe riippuvuussuhdetta yhtä nopeasti.

Kun muuttujien luokkia lisätään, erilaiset yhdistelmäluokat lisääntyvät eksponentiaalisesti. Jos molemmilla muuttujilla on kolme luokkaa, muodostuu yhteensä yhdeksän erilaista luokkaa. Jos vastaavasti muuttujien luokkia on neljä, muodostuisi yhteensä jo 16 erilaista luokkaa. Kartan tekijän täytyy tämän vuoksi miettiä hyvin tarkasti, kuinka monta luokkaa muuttujien suhteen on luettavissa ja tuoko jokainen luokka lisätietoa ja -arvoa kartalle. Mikäli luokkia tarvitaan paljon muuttujien luonteen vuoksi, kannattaa muuttujat esittää omilla kartoillaan selkeyden vuoksi.

Anna Leonowiczin artikkelissa legendat ovat kaksiulotteisia koordinaatistoja, joissa muuttujat ovat omilla akseleillaan. Näin kaikki erilaiset luokkavaihtoehdot ovat nähtävissä. Legendat myös kuvaavat sitä, kuinka paljon haastavammaksi luettavuus vaikeutuu, kun molempien muuttujien luokkia on kolmen sijaan neljä.

Artikkelissa vaikeimmin ymmärrettävä osio oli luvun ”Selection of class intervals” viimeinen kappale, koska siinä käytettiin tilastotieteen sanastoa. Tilastotieteen kurssistani on vierähtänyt jo jonkin aikaa, eikä sanastoa tule käytettyä aktiivisesti, mikä vaikeutti ymmärtämistä. Kuten Sari Aroalho kirjoittaa artikkelin lukemiskokemuksestaan, kahden muuttujan koropleettikartan ideaa on vaikea hahmottaa ennen kuin sellaista karttakuvana tarkastelee.

Erilaisten teemakarttojen tekemistä MapInfolla

Opettelimme Artun johdolla luomaan erilaisia teemakarttoja MapInfolla ensimmäisellä kurssikerralla opitun yhden muuttujan koropleettikartan lisäksi. Koropleettikartalla saa käyttää vain suhteellisia muuttujia eli ilmiö on suhteutettu esimerkiksi asukasmäärään tai alueen pinta-alaan. Opettelimme uusina teemakarttatyyppeinä pylväsdiagrammi-, pistetiheys- ja graduated-kartat, joissa absoluuttisten arvojen käyttäminen onnistuu. Graduated-kartassa symbolin koko kertoo ilmiön voimakkuudesta. Ympyrädiagrammikarttaankin voi laittaa absoluuttisia arvoja, mutta tällöin ympyröiden kokoa kannattaa skaalata jokaisen ympyrän yhteen laskettujen arvojen perusteella. Grid-kartalla voidaan kuvata yhtenäisenä pintana jonkin ilmiön esiintymistä kartalla, koska tiedottomille kohdille ohjelma interpoloi eli laskee todennäköisimmän arvon lähellä olevien arvojen perusteella. Lopuksi teimme 3D-kartan, jota voi tarkastella eri suunnista ja jossa ilmiön voimakkuutta kuvataan kartasta ylös nousevilla erikokoisilla ”vuorilla”. Prismaattinen kartta on toinen kolmiulotteinen kartta, jossa alueet nousevat eri korkeuksille ilmiön voimakkuuden mukaan.

Kartan tekoa aloittaessaan on tärkeä pohtia, millaisia mahdollisuuksia ohjelmisto luo. Ohjelmistojen tilastolliset laskutavat ja kartografiset esitystapavaihtoehdot rajoittavat mahdollisuuksia, ellei ohjelmia ole käytössä useita. Kartografiset esitysmahdollisuudet siis seuraavat välineiden kehitystä.

Koropleettikarttani alkoholin myyntimäärien ja rattijuopumusten suhteesta Pirkanmaalla

Kuva 1. Kartta alkoholimyynnin ja poliisin tietoon tulleiden rattijuopumusten jakautumisesta Pirkanmaalla vuonna 2015.

Hain Sotkanetistä tilastoja alkoholin myynnistä asukasta kohden ja poliisin tietoon tulleista rattijuopumuksista 1000 asukasta kohden Pirkanmaalla. Käytin vuoden 2015 tietoja, jotka siirsin Excelin kautta MapInfoon. Valitsin myydyn alkoholin määrää kuvaamaan sinisen eri sävyt ja rattijuopumusten määrää erilaiset rasteripinnat, jotta värien sekoittuminen ei hankaloittaisi luettavuutta. Jaoin aineiston molempien muuttujien suhteen kolmeen luokkaan, jotta luokat ovat vielä suhteellisen helposti luettavia. Luokitteluperusteena käytin luonnollista luokkajakoa, jotta luokkarajat eivät halkoisi yhtenäisiä ryhmiä.

Kartastani voi nähdä, että Pirkanmaan maakunnassa Juupajoella, Kihniössä, Vesilahdella ja Punkalaitumella alkoholia myydään vähiten asukasmäärään suhteutettuna. Kaikissa muissa kunnissa myynti ylittää jokaista asukasta kohti 4,59 litraa 100 % alkoholia. Rattijuopumusten osalta on nähtävissä, että kiinnijääneiden määrä vaihtelee 1,6 ja 5,6 välillä 1000 asukasta kohti.

Kun lähdin tekemään karttaa, hypoteesini oli, että niissä kunnissa, joissa myydään eniten alkoholia, jäädään myös eniten kiinni rattijuopumuksista. Karttani kuitenkin osoittaa, etteivät nämä muuttujat ole suorassa yhteydessä toisiinsa. Kaikki yhdeksän luokkaa ovat muodostuneet kartalle. Toisin sanoen, esimerkiksi Punkalaitumella, missä alkoholia myydään pienimmässä luokassa 2,2–4,59 litraa/asukas, rattijuopumuksia on todettu kuitenkin suurimmassa luokassa 4–5,6 tapausta/1000 asukasta. Toisaalta Mänttä-Vilppulassa ja Pirkkalassa alkoholia on myyty suurimmassa luokassa ja silti rattijuopumuksia todettu pienimmässä luokassa. Ikävä kyllä, yleisin luokka on suurimmassa luokassa sekä alkoholin myynnin että rattijuopumusten suhteen, ja siihen kuuluu viisi Pirkanmaan kuntaa. Tekijöiden voidaan olettaa vaikuttavan toisiinsa kuitenkin jonkin verran, koska suurimmassa myyntimääräluokassa yleisin rattijuopumusmäärän luokka on myös suurin, keskimmäisessä myyntimääräluokassa yleisin rattijuopumusluokka on myös keskimmäinen ja pienimmässä myyntiluokassa yleisin rattijuopumusmäärän luokka on myös pienin.

Hypoteesini oli turhan nopeasti mietitty, koska liikennevalvonnan ja puhalluskokeiden määrät kunnissa vaihtelevat, joten kiinnijäämisen riski vaihtelee. Lisäksi alkoholia ostetaan tietenkin myös naapurikunnista. Monet naapurikuntalaiset käyvät ostoksilla Tampereen puolella ja osa heidän ostamastaan alkoholista näkyy siksi Tampereen tilastossa. He voivat kuitenkin kuluttaa tämän alkoholin kotikunnassaan. Lisäksi alkoholijuomia, kuten kotiviiniä ja -oluita voidaan valmistaa itse, minkä vuoksi kaikki alkoholi ei näy myynnissä. Kuntien erilainen ikärakenne, työttömyystilanne ja muut sosio-ekonomiset tekijät saattavat vaikuttaa alkoholin kulutukseen. Iivari Laaksosen tekemää karttaa Pirkanmaan työttömyystilanteesta voi verrata karttaani alkholinmyynnistä ja rattijuopumuksista. Selkeää yhteyttä niistä ei löydä moninaisten vaikuttavien tekijöiden vuoksi. Alkoholin käyttöön vaikuttavat mahdollisesti myös kulttuuriset ja uskonnolliset tekijät, jotka voivat vaihdella jonkin verran kaupunki- ja maaseutualueiden välillä, vaikka Pirkanmaa onkin suhteellisen yhtenäinen alue.

Karttani onnistui hyvin värien ja rasteripintojen valitsemisen suhteen. Jälkikäteen ajateltuna legendan tekstit voisivat olla hitusen suuremmalla fontilla. Olen lopputulokseen kuitenkin tyytyväinen!

-Vilja

 

Lähdeviitteet

Sari Aroalho, Artikkeli 1. <https://blogs.helsinki.fi/aroalho/2017/01/30/artikkeli-1/> Luettu 1.2.2017

Kiia-Riina Eerikäinen, Toinen kurssikerta ja artikkeli I. <https://blogs.helsinki.fi/kiee/2017/02/05/toinen-kurssikerta-ja-artikkeli-i/> Luettu 2.3.2017.

Iivari Laaksonen, 2. kurssikerta sekä artikkelitehtävä. <https://blogs.helsinki.fi/iilaakso/> Luettu 1.2.2017

Anna Leonowicz, 2006. Two-variable choropleth maps as a useful tool for visualization of geographical relationship.

Sotkanet 2015. Terveyden ja hyvinvoinnin laitos. Poliisin tietoon tulleet rattijuopumustapaukset / 1 000 asukasta. Luettu 25.1.2017 <https://www.sotkanet.fi/sotkanet/fi/taulukko/?indicator=s_bNAAA=&region=VVDLCsRACPujAY1DKX7HXvbiodBr___W8bGDS8FYE8eo8mAjYeVBxtDLQY8VRRF5EJWfuwKdg1ZWDEGl_sV7qbQkNIn9izoSljyKv7F9BsnfRG6vbpMBUTd0JqIk0dvy4UTZppF7omJKfSt4u6_kym7w9jjLGdKLtJNkTLrOYXCIYvkN0RkXUHns6yPt8wI=&year=sy4rAwA=&gender=t&abs=f&color=f>

Sotkanet 2015. Terveyden ja hyvinvoinnin laitos. Alkoholijuomien myynti asukasta kohti 100 %:n alkoholina, litraa. Luettu 25.1.2017. <https://www.sotkanet.fi/sotkanet/fi/taulukko/?indicator=s05KBAA=&region=VVDLCsRACPujAY1DKX7HXvbiodBr___W8bGDS8FYE8eo8mAjYeVBxtDLQY8VRRF5EJWfuwKdg1ZWDEGl_sV7qbQkNIn9izoSljyKv7F9BsnfRG6vbpMBUTd0JqIk0dvy4UTZppF7omJKfSt4u6_kym7w9jjLGdKLtJNkTLrOYXCIYvkN0RkXUHns6yPt8wI=&year=sy4rAwA=&gender=t&abs=f&color=f>

Kurssikerta 1: MapInfon perustaidot haltuun ja teemakartta Suomen työllisyydestä

Ensimmäisellä kurssikerralla oli tarkoituksena oppia käyttämään MapInfon perustyökaluja. Aluksi Arttu opetti käyttämään työkaluja, joita ohjelmassa eniten tarvitsee. Loimme yhdessä yhden teemakartan vaihe vaiheelta, jokainen omalla koneellaan. Seuraavana tehtävänä oli valita Artun valmiiksi meille hankkimista aineistoista jokin kiinnostava ja tehdä siitä teemakartta itsenäisesti. Aineistot olivat Tilastokeskuksen tietoja, pääsääntöisesti vuodelta 2015.

Kurssikerralla oli hyödyllistä oppia luomaan MapInfolla kartan peruselementit: pohjoisnuoli, mittakaava ja legenda. Legendan luominen kävi MapInfolla nopeammin ja vähemmällä vaivalla kuin CorelDraw-ohjelmassa, jota olen käyttänyt aiemmilla kursseilla karttojen tekoon. Oli myös hyödyllistä tarkastella värien vaihtelun merkitystä kartan ulkonäköön ja havainnollistavuuteen. Luokkien värien täytyy olla riittävän erilaiset, jotta katsoja huomaa erot. Toisaalta ne eivät saa olla liian erilaiset, jotta kuva säilyy selkeänä kokonaisuutena. Usein paras valinta on saman värin eri tummuusasteet. Valitsin karttaani punaisen ja oranssin sävyjä.

Toinen tärkeä asia kurssikerralla oli, miten teemakartan ulkonäköön vaikuttavat erilaiset luokkajaot ja minkälaista luokkajakoa kannattaa käyttää. Tasaväliset luokat, jossa jokaisen luokan vaihteluväli on yhtä suuri, tai kvantiilit, joissa pyritään jokaisessa luokassa yhtä suureen havaintojen määrään, eivät välttämättä ole parhaita vaihtoehtoja, koska ne voivat hajauttaa hyvin lähellä toisiaan olevien havaintojen ryhmän eri luokkiin. Päätin siksi valita luonnollisen luokkajaon, joka pyrkii luomaan sellaisia luokkia, joihin luonnollisesti osuu paljon havaintoja ja asettamaan luokkavälit sellaisiin kohtiin, joissa havaintoja ei juuri ole.

Työllisyys Suomessa alueellisesti

Kartaltani näkee työssäkäyvien osuuden koko väestöstä eri alueilla Suomessa. Tummimmat sävyt kertovat parhaasta työllisyystilanteesta, vaaleimmat heikoimmasta. Pääkaupunkiseutu, Tampereen, Turun, Vaasan ja Oulun seutu sekä Ahvenanmaa erottuvat selvästi työllistetyimpinä alueina. Itä- ja Pohjois-Suomessa työllisyys on pienintä. Suurten kaupunkien alueilla töitä on eniten johtuen palveluiden suuresta tarjonnasta ja kysynnästä. Pienemmät kaupungit, jotka sijaitsevat kauempana suurista kaupungeista ovat pääsääntöisesti muuttotappioisia, joten palvelujen ja siten myös työpaikkojen tarjonta ovat pienempiä.

Muiden kurssilaisten blogitekstejä lukiessani oli huomattavaa Sonja Koiviston ja Sakari Sarjakosken karttojen samankaltaisuus omaani verrattuna. Heidän kartoiltaan on nähtävissä korkeakoulutettujen osuus väestöstä. Heidän kartoiltaan erottuvat selvästi yliopistokaupungit. Joensuu, Kuopio ja Lappeenranta eivät erotu minun kartassani aivan yhtä selkeinä, mutta niissäkin työllisyys on toisiksi parhaassa luokassa eli 59,6–64,7 %. Yliopistot luovat kaupunkeihin ammattitaitoa ja työpaikkoja, joten karttojen samankaltaisuus ei ole kovin yllättävää. Toisaalta yliopistokaupungeissa muidenkin kuin koulutuspalvelujen ja siten myös työpaikkojen tarjonta on suurta, koska ne ovat vilkkaita kaupunkeja.

Hyvän huomion ensimmäisessä blogitekstissään on tehnyt Alina Ahonen. Hän kirjoittaa, että työllisyys Helsingissä, Vaasassa, Turussa, Tampereella ja Oulussa ei kuitenkaan yllä suurimpaan luokkaan todennäköisesti siksi, että monet kaupungeissa työskentelevät asuvat kuitenkin lähikunnissa ja toisaalta suuri opiskelijoiden määrä vaikuttaa työssä käyvien osuutta vähentävästi.

Karttani onnistui suhteellisen hyvin siihen nähden, että se on ensimmäinen MapInfolla itsenäisesti tuottamani kartta. Värisävyjä olisin voinut hioa vielä paremmiksi näin jälkikäteen ajateltuna. Värisävyjen skaala on nyt turhan laaja.

-Vilja

Lähdeviitteet

Anniina Ahonen, Ensimmäinen kurssikerta: Askelia paikkatiedon maailmaan. <https://blogs.helsinki.fi/ahonenan/Luettu 25.1.2017.

Sonja Koivisto, MapInfon alkeet. <https://blogs.helsinki.fi/kosokoso/> Luettu 25.1.2017.

Sakari Sarjakoski, Kurssikerta 1− Pakki auki. <https://blogs.helsinki.fi/sasakari/> Luettu 25.1.2017.