Tunteet pinnassa

Vastoin kaikkia odotuksia on tämäkin kurssi saatu päätökseen. Paikkatiedon hankinta, analyysi ja kartografia on ollut minulle (mantsa)elämän mittainen matka, jonka päättymisestä olen samalla sekä epäuskoisen helpottunut että hiukan surumielinen – onhan kyseessä viimeisiä mantsapalautuksia (kanditutkielman lisäksi), jonka tähän tutkintoon Suomessa teen. Kysehän ei koskaan ollut osaamisesta, vaan aikaansaamisesta. Nyt ei ole enää juuri mitään, mitä vältellä.

Haluan kiittää kaikkia jotka ovat tukeneet minua tällä matkalla ja uskoneet minuun. Kiitos perheelle, läheisille, ystäville. Kiitos Arttu – tuskin uskoit, että tämä päivä koittaisi. Tässä sitä nyt ollaan, kesän kynnyksellä. Tänä harvinaisena hetkenä voin kevein mielin liittyä muiden mukaan aurinkoisiin rientoihin. Kiitos.

Ja anteeksi.

Kaisa

Kurssikerta 7 – korkeakouluikäisten mediaanitulojen muutos

Viimeisen kurssikerran karttojen teeman sai valita itse. Ehtoina oli, että kartalla esitettäisiin vähintään kaksi muuttujaa alueella, joka jakautuu pienempiin osa-alueisiin. Olen lähdössä vaihtoon Leedsiin, Englantiin, joten haaveilin etsiväni tilastotietoa Iso-Britanniasta ja tekeväni kartan niiden pohjalta. Valitettavasti jouduin toteamaan, että Britanniassa tiettyjen teemojen tilastotiedot kerätään alueittain, eikä kaikilta alueilta kerätä välttämättä samaa tietoa. Tuskastuttuani nettisivuviidakkoon jouduin luovuttamaan sen aiheen suhteen. Ilokseni kuitenkin huomasin, että myös Valtteri oli inspiroitunut vaihtarivuodestaan ja samoista seuduista – ja vieläpä päässyt tilastovaikeuksien kautta voittoon! Hieno homma. Itse tyydyin vaihtamaan aiheeni yleisempään karttaesitykseen Euroopasta.

Selailtuani Euroopan komission ylläpitämää Eurostat-tilastosivustoa päätin kuvata kartoillani korkeakouluikäisten nuorten mediaanitulojen muutoksia niissä Euroopan maissa, joista tiedot oli saatavilla (Eurostat 2017). Tarkastelemani ikäluokka on 18 – 24-vuotiaat ja tarkastelujakso 2007-2015.

Kuva 1. 18 – 24-vuotiaiden ostovoimakorjattujen mediaanitulojen muutos 2007-2015. Eurostat 2017.

Eri maiden välistä hinta- tai palkkavertailua ei voi tehdä suoraan edes euroalueella, koska maiden elinkustannnukset ja verotus ovat hyvin erilaisia. Jotta todenmukainen vertailu voitaisiin tehdä, tulee vertailussa huomioida eri maiden hintatasot eli bruttokansantuotteeseen tulee tehdä ostovoimakorjaus (Virsta 2017). Kuvassa 1 nuorten mediaanitulojen muutos on ilmoitettu ostovoimavoimakorjattuna.

Kuvasta 1 nähdään, että 18 – 24-vuotiaiden mediaanitulo on kasvanut eniten Virossa, Puolassa, Slovakiassa ja Bulgariassa. Suhteellisen voimakasta kasvua (27 – 53 %) on ollut myös Ruotsissa, Norjassa, Ranskassa, Latviassa ja Liettuassa. Suomi ja Tanska sen sijaan eivät ole päässeet muiden pohjoismaiden kasvuvauhtiin. Huonoin tilanne on kuitenkin Kreikassa, Espanjassa, Iso-Britanniassa ja Irlannissa, joissa korkeakouluikäisten mediaanitulot ovat laskeneet paikoin jopa 28 %. Pohjoismaat ja läntinen Eurooppa ovat kuitenkin palkkatasoltaan selvästi korkeampia kuin itäinen ja eteläinen Eurooppa.

Kuva 2. 18 – 24-vuotiaiden euromääräisten mediaanitulojen muutos 2007-2015. Eurostat 2017.

Kuvassa 2 on esitetty sama mediaanitulojen muutos vuosina 2007 – 2015, tällä kertaa kuitenkin euromääräisinä (ei korjattuina). Tämä kartta oikeastaan osoittaa sen, miksi ostovoimakorjausten tekeminen on niin tärkeää vertailujen ja esimerkiksi uutisoinnin todenmukaisuuden kannalta. Korkeimman kasvun luokka on noussut jopa 123 prosenttiin ja osa maista on pudonnut alempaan muutosluokkaan. Konkreettisimman eron voi kuitenkin huomata tuloja kuvaavista pylväistä: kuvassa 1 legenda kuvaa 26 000 euroa, kun kuvassa 2 sama pylväs on 32 000 euroa. Vertailuissa tulisi siis aina muistaa myös elinkustannukset – muuten mediaanitulojen vertailu on kuin vertaisi euroja vaikkapa Japanin jeniin. Lähes.

Näihin tilastoihin pääsisi syvemmälle esimerkiksi tutustumalla saman ikäluokan työllisyystilanteeseen ja asuntojen hintatason kehitykseen. Tästä tilastosta erottuvat selkeästi euroalueen kriisimaat, mutta erityisen mielenkiintoista näitä tilastoja on analysoida Brexitin läpiviennin jälkeen. Ranskan presidentinvaalien jälkeen populismin aalto ei lähtenytkään vyörymään Manner-Euroopan yli – vielä.

Mielestäni nämä itsenäiset tehtävät ovat olleet aika helppoja toteuttaa. Voihan olla, että olen “mennyt sieltä, missä aita on matalin” ja tehnyt tavallisia koropleettiteemakarttoja esimerkiksi 3D-karttojen sijaan. Mielestäni monimutkaisemmille karttaesityksille on kuitenkin aikansa (ja ohjelmistonsa) myöhemmillä kursseilla. En nyt lähtenyt testailemaan esimerkiksi kustannuspintoja MapInfolla. Ikuisesti suurin haaste on kuitenkin omassa tekemisessäni se, että en kirjoita tarpeeksi muistiinpanoja ja lähdemerkintöjä! Olen käyttänyt aivan mielettömän määrän aikaa siihen, että etsin tietoja ja sivustoja uudelleen – aivan turhaa hommaa. Toivottavasti opin kanditutkielmaa tehdessä kirjoittamaan kaiken heti ylös.

Viimeisenä tuotoksenani esittelen tässä vuonna 2015 tekemäni kartat Yhdysvaltojen keskipalkan nousun (kuva 3) ja työttömyysprosentin muutoksen (kuva 4) vuosina 2003-2013. Samaa tematiikkaa tässäkin – raha se on joka pyörittää! Olen itse asiassa näihin karttoihin väritystä lukuunottamatta jopa hieman tyytyväisempi kuin tämän vuoden tuotoksiin, koska muistan, että hain aineiston hieman itsenäisemmin ja käsittelin kahta selvästi eri teemaa, jotka liittyvät toisiinsa. Näistä vanhoista kartoista huomaa, että olen selvästi suosinut reunattomia legendoja, mutta en ole osannut vaihtaa mittakavaa nätimmäksi.

Kuva 3. Keskipalkkojen nousu Yhdysvalloissa 2003-2013.
Kuva 4. Työttömyysprosentin muutos Yhdysvalloissa 2003-2013.

Lähteet:

Eurostat (2017). Mean and median income by age and sex. European Commission.

Lehto, Valtteri (2017). Kurssikerta 7: Go raibh maith agat!. PAKki sekaisin.

Virsta (2017). Kulutus. Tilastokeskus, Helsinki.

Kurssikerta 6 – geokoodailua

Kurssikerran aluksi kävimme ulkona keräämässä valitsemiemme kohteiden koordinaattitietoja GPS-paikantimella. Siirsimme nämä tiedot tietokoneelle ja opettelimme tekemään niistä karttaesityksen. Tämän jälkeen siirryimme harjoittelemaan geokoodausta Helsingin pelikonedatan kanssa. Geokoodauksessa pelikoneet sijoitettiin kartalle osoitetietojen perusteella Helsingin tiet sisältävän tietokannan avulla. Geokoodaukseen tarvittavat asetukset ja valinnat ovat kyllä niitä juttuja, jotka pitää tarkistaa ohjeista eikä voi mennä fiilispohjalta.

Tämän kerran itsenäinen tehtävä oli muokata Internetistä haettua hasardidataa ja tehdä kolme eri karttaa, joita voisi potentiaalisesti hyödyntää tuntiopetuksessa. Muokattu pisteaineisto esitettiin kartalla koordinaattien avulla. Valitsin aiheekseni meteoriittien putoamispaikat (meteoritessize 2013), mutta en ollut kovin insipiroitunut keksimään niistä innovatiivisia karttatuotoksia.

Poimin aineistosta ne meteoriitit, joiden oli todistettu (esim. näköhavainnolla) putoavan, eli ei niitä jotka on vain sattumalta löydetty jälkikäteen. Tässä yhteydessä tarkoitan “havainnolla” siis niitä meteoriitteja, jotka ovat todistetusti päätyneet maan pinnalle ja jonka putoamisajankohta- ja paikka on osoitettu näkö- tai löytöhavainnolla viiveettä, poissulkien ne näköhavainnon varaiset ns. tähdenlennot, jotka ovat palaneet ilmakehässä eivätkä päätyneet maan pinnalle. Tunnistan, että käyttämäni suomenkieliset sanavalinnat voivat olla harhaanjohtavia englanninkielisen lähtöaineiston vuoksi. Erityisesti kuvatekstien tiivistäminen tuotti tässä suhteessa vaikeuksia. Tarkasteluajat jaksotin niihin meteoriitteihin, jotka on havaittu ennen vuotta 1900 (kuva 1) ja niihin, jotka on havaittu vuosina 1900-2012 (kuva 2).

Kuva 1. Havaitut meteoriitit, jotka ovat pudonneet ennen vuotta 1900. Meteoritessize 2013.
Kuva 2. Havaitut meteoriitit, jotka ovat pudonneet vuosina 1900-2012. Meteoritessize 2013.

Suunnittelemani opetustarkoitus ei sinänsä liity luonnonmaantieteeseen tai meteoriitteihin itsessään, meteoriitit kun putoilevat käsittääkseni hyvin satunnaisesti. Sen sijaan ajattelin, että vertailemalla kuvia 1 ja 2 oppilas voi pohtia ihmisasutuksen ja kirjanpidon levinneisyyttä. Kuvasta 1 voisi miettiä, miksi ennen vuotta 1900 kaikki havainnot ovat vahvasti klusteroituneet tietyille alueille. Tarkoittaako se, ettei meteoriitteja ole pudonnut muualle? Kuvasta 2 huomaa havaintojen levinneen jo laajemmalle alueelle 1900-luvun aikana. Tämän avulla oppilas voisi pohtia muuttoliikettä. Kuvassa 2vaikuttaa myös olevan enemmän havaintoja kuin kuvassa 1 – onko meteoriittien putoamistahti kiihtynyt? Edelleenkin osa alueista on ilman havaintoja – voisiko se liittyä vain havaintojen rekisteröintiin?

Kuvassa 3 on kuvattu kaikki lähtöaineiston meteoriittihavainnot, eli kartat 1 ja 2 on yhdistetty. Havainnot ovat vuosien 56 eaa. ja 2012 väliltä. Millaisia ovat ne alueet, joilta ei ole yhtään havaintoa? Oppilas voi tunnistaa esimerkiksi sademetsiä, aavikoita, jäätiköitä ja laajoja tundra-alueita. Joillekin alueille on asutuksesta huolimatta pudonnut meteoriitteja tiheämmin kuin toisille. Mistä tämä voisi johtua vai onko kyseessä sattuma?

Kuva 3. Kaikki vuoteen 2012 mennessä pudonneet meteoriitit, joista on kirjattu havainto.

Löysin vuosien 1840-1900 maailman muuttoliikettä kuvaavan kartan (kuva 4), jolla osan havaintojen muutoksista voisi selittää (Schaller et al. 2012). Kuvassa 5 taas on maailman väestöntiheys vuonna 2006 (Wikipedia 2017), jonka avulla voisi pohtia tätä asukastiheyden ja meteoriittihavaintojen yhteyttä. Otin näihin karttoihin itselleni tutumman ihmismaantieteellisen lähestymistavan. Jouko oli osin samoilla linjoilla kanssani, mutta keksi myös pohtia maaperän ja sadannan vaikutusta kraatereiden eroosiotaipumukseen ja näin niiden pysyvyyteen maaperässä (Lappalainen 2017). Moni käytti myös näihin karttoihin jotain internetistä hankittua taustakarttasarjaa (vähän kade); taitojaan esittelivät mm. Saara, Alex ja Iivari (Leppänen 2017, Salminen 2017, Laaksonen 2017).

Kuva 4. Muuttoliike vuosina 1840-1900. Schaller et al. 2012.
Kuva 5. Väestöntiheys vuonna 2006. Wikipedia 2017.

 

Lähteet:

Laaksonen, Iivari (2017). 6. kurssikerta. Iivarin blogi.

Lappalainen, Jouko (2017). “Hit me like a meteorite, don’t let me go”. Vain PAK(ki) puuttuu.

Leppänen, Saara (2017). Kurssikerta VI. About GIS.

meteoritessize (2013).

Salminen, Alex (2017). Viikko 6: Suojateitä ja tulirenkaita. Pak by Alex.

Schaller, M., R. Schulzinger, J. Bezis-Selfa, J. T. Greenwood, A. Kirk, S. J. Purcell & A. Sheehan-Dean (2012). American Horizons: U.S. History in a Global Context, Volume I: To 1877. Oxford University Press. <http://global.oup.com/us/companion.websites/9780199740154/maps/maps/mapsch18/>

Wikipedia (2017). Population density.

Kurssikerta 5 – lentomelua ja uima-altaita

Neljännen kurssikerran lopussa harjoittelimme peruskarttalehden rekisteröintiä MapInfoon. Ei onnistuisi ikinä ilman vaiheittaisia ohjeita – ei meinannut onnistua niiden kanssakaan. Paremmin sen sijaan sujui uusien karttakohteiden piirtäminen tätä rekisteröityä rasterikarttaa pohjana käyttäen. Ideana oli siis luoda piirtotasolle objekteja ja sitten tallentaa ne uudeksi karttasoksi, jolloin niitä pystyy hyödyntämään mm. laskutehtävissä. Piirtäminenhän ei MapInfossa suju aivan yhtä sulavasti kuin Corelissa, mutta ongelmitta selvittiin. Tällä kertaa olin viisaampi (vrt. 2015) enkä turhaan jäänyt vääntämään Pornaisten peltotilkkuja tuntikausiksi.

Viidennellä kurssikerralla sitten jatkettiin sekä tällä Pornaisten että pääkaupunkiseudun aineistolla. Harjoittelimme laskemista karttakohteiden avulla, siis esimerkiksi jonkun tietyn objektin pinta-alaa tai alueen sisään jäävän muuttujan lukumäärää. Teimme myös bufferointia eli puskurointia, jolla lasketaan kuinka monta kohdetta on tietyn suuruisen säteen sisäpuolella. Näitä keinoja hyödyntäen laskimme tietoja lentokenttien melualueiden, juna-asemien läheisyyden ja taajamien asukkaista (taulukko 1). En onnistunut tuomaan HTML-muotoista taulukkoa blogiin, mutta taulukossa 1 on kurssikerralla keräämäni vastaukset.

Taulukko 1. Kurssiharjoitusten tuloksia.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

Tapaan mielessäni yhdistää bufferivyöhykkeiden hyödyntämisen nimenomaan melutasoihin, erityisesti moottoriteiden meluesteisiin. Buffereille on kuitenkin huomattava määrä käyttötapoja myös ihmismaantieteen puolella. Niitä voidaan hyödyntää esimerkiksi vähittäiskaupan sijoittumisen tutkimiseen: buffereilla pystytään laskemaan asukasmäärät ja viereisten kauppojen läheisyys tietyllä säteellä. Huffin malliin yhdistettynä näillä tiedoilla voidaan arvioida uuden liikkeen tarve tai sen optimaalinen sijainti. Anna oli keksinyt buffereille käyttöä mm. luonnonsuojelun tukemiseksi (Haukka 2017). Haluaisin muutenkin tässä välissä nostaa esiin, että Viikistä tulleiden sivuaine- yms. opiskelijoiden blogit ovat todella viihdyttävää luettavaa! Selailin mm. Valtterin (Lehto 2017) blogia hymy huulillani, kiitos siitä!

Valittavissa olleista lisätehtävistä valitsin pääkaupunkiseudun uima-altaiden lukumäärän tutkimisen. Taulukossa 2 on muutamia lukuja uima-altaista ja saunoista, lisäksi kuvassa 1 olen visualisoinut uima-altaat koropleettikartalla ja määrää kuvaavilla pylväillä. Uima-altaiden lukumäärä varmasti kiinnostaa kurssilaisia vuodesta toiseen, koska niitä harvemmin enää rakennetaan muihin kuin luksusasuntoihin. Tuloksista kuitenkin voi nähdä, että johonkin aikaan niitä on rakennettu myös pääkaupunkiseudun kerros- ja rivitaloihin.

Taulukko 2. Uima-altaat ja saunat pääkaupunkiseudulla.

 

 

 

 

 

 

 

Kuva 1. Uima-altaiden määrä pääkaupunkiseudulla.

Kuvasta 1 ja taulukosta 2 näemme, että Lauttasaaressa on eniten uima-altaita (53). Muita allaspitoisia alueita ovat Länsi-Pakila (52), Marjaniemi (48), Kulosaari (42), Munkkiniemi (41), Laajasalon Yliskylä (33), Tammisalo (32) ja itselleni hieman yllätyksenä tullut Vartioharju (32), jonka kieltämättä miellyttävällä omakotitaloalueella sain asustella back in the day. Voisi siis päätellä, että uima-altaiden rakentaminen on ollut tietyn ajan rakentamisen trendi, joka on keskittynyt vanhoille huvila-alueille. Esimerkiksi Espoon uudemmilla arvoalueilla altaita on vain kourallinen.

Visuaalisesti allaskartta (kuva 1) on mielestäni onnistunut. Rohkenin pitkän pohdinnan jälkeen käyttämään harmaasävyjä koropleettikarttaan, jotta sain siniset pylväät selkeämmin näkyviin. En siis sortunut samaan ansaan kuin kolmannella kurssikerralla tulvaindeksien kanssa. Olen tyytyväinen tähän yhtenäiseen värimaailmaan, kartalla ei tapahdu liikaa kerralla. Käytin myös hävyttömän paljon aikaa pylväiden “otsikkonumeroiden” asetteluun luettavuuden parantamiseksi ja kylläpä kartta onkin nyt erinomaisen helppolukuinen. Ainoana miinuksena on jälleen nurkassa piileskelevä pikku-legenda.

MapInfoa on suorittamillani kursseilla käytetty melko vähän, mutta työelämässä sille saattaa olla käyttöä. Mielestäni sen keskeisimmät työkalut ja toiminnot ovat kuitenkin samat kuin muissakin paikkatieto-ohjelmissa. Select-työkalut ovat aivan uskomattoman kätevä ja monipuolinen keksintö, jolla pystyy helpottamaan omaa työtään valtavasti. Kannatti ehdottomasti päntätä niitä Boolen operaattoreita kuin Raamattua, niitä kun tarvitsee muutenkin opiskeluaikana. Lisäksi piirtotyökalujen must-have -lisäosa snap-toiminto on kuin taivaan lahja! Lähes paras asia ikinä. Muutenkin suurin osa toiminnoista on hyvin loogisia ja lukemalla ja kokeilemalla pääsee eteenpäin. Teemakartat ja bufferointi ainakin onnistuvat helposti, vaikka ei paljon muuta tietäisikään. Erilaiset laskemista helpottavat asiat voisi kyllä opetella vielä paremmin, esimerkiksi tässä harjoituksessa käytetty boundary select lähes tekee työn puolestasi. Unohdan usein myös, missä näkyy attribuuttitaulukossa valittujen rivien määrä.

Tiedän, etten osaisi tehdä joitain monimutkaisimpia komentoja tai löytää esimerkiksi erikoistyökaluja ilman ohjeita. Lisäksi MapInfossa pitää välillä olla tarkkana, että tekee asiat juuri oikeassa järjestyksessä ja muistaa painaa OK oikeassa kohdassa. Jostain syystä minulle on myös vaikeaa oikeiden karttaprojektioiden tarkistaminen ja vaihtaminen – ehkä en ole opetellut niitä tarpeeksi hyvin. Silti MapInfon ikuisesti köykäisin asia on kuitenkin visualisoinnin tönkköys, erityisesti lopullisessa tulostusasettelussa. Luulisi, ettei sen parantaminen olisi mikään este.

 

Tämä kurssikerta oli ilmeisesti se, johon PAKkeiluni on tökännyt ensimmäisen kerran. Löysin lentokenttäbufferoinnin vastaukset, mutta uima-altaat taisivat jäädä kesken… Seuraavan kerran fuksivuoden tuotoksia esitelläänkin viimeisellä kurssikerralla. (Siihen sitten olin tsempannut?)

Lähteet:

Haukka, Anna (2017). Kurssikerta 5. Lentokoneet ovat tähtiä Vantaan taivaalla. Matkalla ympäri maailman… laukussa pelkkiä karttoja vaan.

Juntunen, Kaisa (2017). Kurssikerta 3 – konfliktidataa ja tulvaindeksi. PAK17.

Lehto, Valtteri (2017). PAKki sekaisin.

Kurssikerta 4 – ruututeemakartta

Neljännellä kurssikerralla teimme koropleettikarttojen sijaan ruutukarttoja. Tämä toteutettiin luomalla aineistoon erillinen ruudukkotietokanta, jonka jokaiselle ruudulle päivitettiin aineisto ja sen pohjalta luotiin teemakartta. Ruudukon koon sai itse päättää ja aineistona käytetttiin pääkaupunkiseudun väestötietokantaa (SeutuCD 2013). Huom: En tiedä minkä vuoden SeutuCD oli oikeasti kyseessä, mutta luulen tietojen olevan vuodelta 2013. Much science, I know.

Valitsin teemakseni ulkomaalaisten osuuden pääkaupunkiseudulla (kuva 1). Koska tämä on aika tavallinen aihe, päätin rajata sitä kerrostaloissa asuviin ulkomaalaisiin (kuva 2) ja vielä laskea ulkomaalaisten osuuden kyseisten kerrostalojen asukkaista (kuva 3). Näin pääsin tarkastelemaan sitä, onko jollain tietyllä alueella kerrostaloja, joiden asukkaiden kansalaisuus painottuu muihin kuin suomalaisiin. Tarkemmin kansalaisuuksia tutkimalla voisi sittemin tutkia esimerkiksi tiettyjen kansalaisuuksien keskittymistä tai mahdollista syrjäytymistä.

Esitin siis kartoissani sekä absoluuttisia että suhteellisia arvoja. Koropleettiteemakarttaan verrattuna ruutukartalla saa esittää myös absoluuttisia arvoja, koska alueen koko on vakioitu ja näin ruudut ovat keskenään vertailukelpoisia. Jos ruutukoko on tarpeeksi pieni ja käytetään absoluuttisia arvoja, nähdään selvemmin mille alueille esimerkiksi asutus on keskittynyt. Jos asukaslukuja kuvatessa koropleettikartan pohjana käytettäisiin vaikkapa Helsingin suuralueita, ei noilla alueilla tule esiin puistoja tai teollisuusalueita joissa asutusta ei todellisuudessa ole. Ruutukarttojen haasteena on kuitenkin niiden pikselimäisyys – useimmat meistä ovat tottuneet lukemaan karttoja, joiden aluerajat kulkevat pehmeämmin, esimerkiksi jonkin luontaisen rajan kuten joen mukaan. Pikselit ovat “luonnottomampia” ja peittävät helposti alleen alueen tunnistamista helpottavia ominaisuuksia.

Kuva 1. Ulkomaalaisten määrä pääkaupunkiseudulla.

Aloitin siis teeman tutkimisen päivittämällä pääkaupunkiseudun ulkomaalaisten määrät tekemääni ruudukkotietokantaan. Tein tästä havainnollistavan karttaesityksen (kuva 1), josta pystyy jo asukasmäärien perusteella hieman päättelemään ulkomaalaisten keskittymiä. Selvennettäköön tässä kohdassa siis, että Tilastokeskuksen (2004) määritelmän mukaan ulkomaalainen on henkilö, joka ei ole Suomen kansalainen. Nämä henkilöt voivat siis olla kotoisin mistä päin maailmaa tahansa.

Kuvassa 2 rajasin ulkomaalaisten joukkoa valitsemalla ne henkilöt, jotka asuvat kerrostaloissa. Selkeimmin on huomattavissa keltaisten (1 – 26 henkilöä) ja vihreiden (26 – 70 henkilöä) ruutujen väheneminen, joka siis tarkoittaa pien- ja rivitaloasukkaiden poistamista tilastosta. Sinisten ruutujen sijainti ja määrä pysyi silmämääräisesti tarkasteltuna ennallaan.

Kuva 2. Kerrostaloissa asuvat ulkomaalaiset pääkaupunkiseudulla.

Kerrostalossa asuvien ulkomaalaisten lukumäärä ei kuitenkaan anna minulle haluamaani informaatiota mahdollisista ulkomaalaisten keskittymistä. Voihan yhdessä ruudussa asuvien ulkomaalaisten määrä silti olla häviävän pieni verrattuna samassa ruudussa asuvien kokonaismäärään. Tästä syystä tein tietokantaan vielä yhden sarakkeen, johon laskin kullekin ruudulle prosenttiarvon kuvaamaan ulkomaalaisten osuutta kaikista ruudun kerrostaloasukkaista.

Ulkomaalaisten osuus kerrostaloissa on vähäisin Helsingin keskisten osien ja Lauttasaaren alueilla. Yli 16 prosentin osuuksia on erityisesti Itä- ja Pohjois-Helsingissä sekä Espoossa ja Vantaalla junaratojen läheisillä asuinalueilla. Ulkomaalaisten korkeammat osuudet näyttävät muutenkin noudattelevan liikenneväylien ympäristöä; Helsingistä säikeittäin lähtevien junaratojen ja valtateiden sekä Kehä 1:n linjat voi lähes erottaa. Myös Otaniemi kansainvälisine opiskelijoineen erottuu kartalta. (Kuva 3)

Korkein luokka, 28 – 100 %, on luokkaväliltään suhteettoman iso verrattuna muihin luokkiin. Luokittelu ei välttämättä onnistunutkaan parhaalla mahdollisella tavalla. Ainoa 100 prosentin tulos on pienkerrostalo Kulosaaressa, rakennuksessa oli yhteensä kolme asukasta. (Kuva 3)

Kuvasta 3 voi todeta, että ulkomaalaiset todella ovat paikoin keskittyneet tietyille alueille. Nämä asemaseutujen ja lähiöiden kerrostaloalueet ovat halvempia kuin Helsingin kantakaupungin kiinteistöt. Lisätietoina näistä kerrostaloista voisi tutkia asuntojen omistussuhteita: onko kyseessä kaupungin- tai muita vuokra-asuntoja vai omistusasuntoja. Pelkästään tämän kartan perusteella, ilman tietoa kansalaisuuksista, en aio yleistää tai tehdä oletuksia segregaatiosta, mutta kartta viittaisi samankaltaisiin tuloksiin kuin viimeaikaiset tutkimukset pääkaupunkiseudulta. Voi myös olla, että ulkomaalaiset arvostavat joukkoliikennettä enemmän kuin keskivertosuomalainen ja siksi asutus on keskittynyt hyvien kulkuyhteyksien varsille.

Kuva 3. Ulkomaalaisten asukkaiden osuus pääkaupunkiseudun kerrostaloissa.

En laittanut karttoihini näkyville teitä tai junaratoja, koska mielestäni ne olivat hieman sekavan näköisiä. Näin jälkikäteen ajateltuna niillä olisi kuitenkin ollut huomattava informaatioarvo, koska ne olisivat helpottaneet ulkomaalaisten asuinpaikkojen tulkintaa ja osoittaneet kerrostaloasutuksen sijoittumista paremmin, myös niille kartan lukijoille jotka eivät tunne pääkaupunkiseudun tie- tai rataverkkoa. Kiia-Riina teki myös karttansa ulkomaalaisista ja valitsi esittävänsä kartallaan myös kulkuväylät (Eerikäinen 2017). Mielestään hän painii saman epäselvyysongelman kanssa kuin minä, mutta kyllä ne “liian massiiviset” tietkin auttavat alueellisessa tulkinnassa. Itse yritin kuitenkin selkeyttää kartan tulkintaa lisäämällä asuinkeskittymien kaupunginosien nimet näkyville.

Uusi juttu minulle oli joidenkin kurssilaisten hyödyntämä kivan näköinen taustakartta, joka on ilmeisesti ollut saatavilla OpenStreetMapissa? What is this? Missasin taas briiffin. Hyvältä näyttää, taustakartan avulla ovat visualisoineet esimerkiksi Iisa ja Henna (Hyypiä 2017, Kukkola 2017). Molemmilla taustakartan tiestö kuitenkin peittyy ruudukoiden alle ja saa ne näyttämään vähän hassuilta. Ehkä tällaisessa tilanteessa olisi voinut harkita tiekarttatason ruudukon päälle.

Kokonaisuutena olen karttojeni visuaaliseen ilmeeseen tyytyväinen. Sävymaailma on rauhallinen ja esitys selkeä, vaikka alimman luokan vaalea keltainen saattaa hieman hukkua joillakin näytöillä. Kartan kuvaaman alueen rajaaminen oli mahdollisesti vaikein tehtävä, koska piti tehdä päätös siitä, jättääkö joitain arvoja ulkopuolelle kartan valkoisten osien minimoimiseksi. Päätin kuitenkin sisällyttää kaikki arvot karttaani. Osin tästä johtuen käyttämäni fontti vaikuttaa ehkä turhan pieneltä ja mitä pitempään kuvia katsoo, sitä enemmän tuntuu siltä, että legenda on ujosti nurkassa piilottelemassa.

Käytin testaamistani ruutuko’oista pienempää, koska suurempi ruutukoko häivytti alueiden rajoja liikaa. Mokasin kuitenkin enkä nimennyt kuvia pikselikoon mukaan eli en osaa sanoa mikä lopullinen koko on. Mittakaavasta veikaten se olisi 625 x 625 metriä, mutta en ymmärrä miksi olisin valinnut sellaisen mitan ruudukolleni. Selaillessani muiden karttoja esim. ruutukoossa 250 x 250 metriä totesin, että vieläkin pienempi ruutukoko olisi ollut parempi myös minun karttoihini, koska kerrostalo on pohjapinta-alaltaan melko pieni yksikkö. Tällöin tulos olisi ollut tarkempi ja keskittynyt paremmin yksittäisten kerrostalojen varsinaiseen tilanteeseen.

Tältä kurssikerralta en löytänyt fuksivuonna tekemääni karttaa, se oli varmaankin tallennettu vanhalle koneelleni ja jonnekin koulun koneiden syövereihin. Muistan kuitenkin tehneeni työn Kauniaisten alueesta ja sen liittyneen jotenkin ruotsinkieliseen väestöön.

Lähteet:

Eerikäinen, Kiia-Riina (2017). Kurssikerta 4. Kiian PHAK-blogi.

Hyypiä, Iisa (2017). Kurssikerta 4: Ruutukarttoja. Iisan PAK-blogi.

Kukkola, Henna (2017). Kurssikerta 4: Ruutukarttoja. Hennan blogi.

SeutuCD (2013). Helsingin seudun ympäristöpalvelut -kuntayhtymä HSY.

Tilastokeskus (2004). Kuka on ulkomaalainen? Tilastokeskus, Helsinki.

Kurssikerta 3 – konfliktidataa ja tulvaindeksi

Kolmas kurssikerta aloitettiin tietokantoja muokkaamalla, joka olikin tuttua juttua ja sujui lähes ongelmitta. Näiden yksinkertaisten lähtöaineistojen kanssa vielä pärjää. Tietokantojen muokkaamista enemmän olen kuitenkin joutunut hyödyntämään tietokantaliitoksia ja uusien sarakkeiden lisäämistä, joten nekin oli hyvä palautella mieleen.

Testasimme taitojamme ensin aineistoon, jossa oli tiedot Afrikan timanttikaivoksista, öljynporausalueista ja konfliktitapahtumista. Tietokantoihin oli lukumääräisten tietojen lisäksi tallennettu mm. löytymisvuodet ja tuottavuusluokittelut, konfliktien laajuudet ja tapahtumavuodet sekä internetkäyttäjien lukumäärä.

Näiden tietojen avulla voisi tutkia esimerkiksi konfliktien esiintymisen ja kaivos- tai öljynporaustoiminnan yhteyttä eri alueilla. Kenties konfliktit ovat alkaneet vasta timantti- tai öljylöydösten jälkeen? Taistelupaikkoja voisi analysoida ja pohtia, ovatko ne keskittyneet erityisen kuiville, köyhille tai muuten haastaville alueille. Tuottavuusluokittelujen avulla voi tutkia millaiset tuotantomäärät aiheuttavat eniten konflikteja ja mitkä alueet hyötyvät eniten öljynporauksesta tai timanttikaivoksista. Lisäaineiston avulla voisi myös tutkia mihin tuotot tästä toiminnasta oikeasti kulkeutuvat vai jäävätkö ne maahan. Internetkäyttäjien lisääntymisen perusteella voisi kuvitella, että vauraus olisi kenties lisääntynyt valtiossa. Toisaalta konfliktit köyhdyttävät ja mahdollisesti jo saavutettuja yhteyksiä menetetään.

Afrikan tietokantojen jälkeen siirryimme kurssikerran varsinaiseen tehtävään, joka oli tulvaindeksien ja järvisyyden esittäminen Suomen valuma-alueilla. Tulvaindeksin laskemiseen on ainakin kaksi tapaa, yleinen tulvaindeksi ja virtaamavaihtelujen indeksi. Koska tehtävä oli minulle ennestään tuttu, päätin tehdä sekä yksinkertaisemmin toteutettavan virtaamavaihtelujen indeksikartan (kuva 1) sekä yleisen tulvaindeksin mukaisen kartan (kuva 2), jossa valuma-alueiden järvisyysprosentti laskettiin itse. Molemmissa versioissa harjoiteltiin tietokantaliitoksia.

Kuva 1. Virtaamavaihtelujen indeksi ja järvisyysprosentti.
Kuva 2. Yleinen tulvaindeksi ja järvisyysprosentti.

 

 

 

 

 

 

 

 

 

Sekä laskettuna että annettuna sain samat tulokset valuma-alueiden järvisyydestä. Järvisyysprosentti on suurin itäisessä ja keskisessä Suomessa, nimensä mukaisesti Järvi-Suomessa, ja matalin rannikolla sekä suuressa osassa Lappia. Valuma-alueet ovat huomattavasti pienempiä rannikolla, jossa on paljon jokia, kuin muualla Suomessa.

Kuten sanottua, tulvaindeksin laskemiseen annettiin kaksi eri tapaa. Kuvassa 1 olen käyttänyt niin kutsuttua virtaamavaihtelujen indeksiä, jossa on laskettu tulvahuippujen keskiarvon ja kuivien kausien alimpien arvojen keskiarvon välinen suhde. Tuloksena saadut luvut kertovat, kuinka moninkertainen virtaaman huippu on kaikkien kuivimpaan aikaan verrattuna. Kuvassa 2 olen laskenut yleisen tulvaindeksin, joka on tulvahuippujen keskiarvon suhde keskivirtaamaan. Nämä tulokset kuvaavat sitä, kuinka moninkertainen tulvahuippu on joen keskivirtaamaan verrattuna.

Kuten legendoista huomaa, sain vastaukseksi hyvin erilaisia lukuja. Muiden blogeja selailemalla huomasin, että heidän kartoissaan esiintyy ainoastaan kuvassa 1 esiintyviä arvoja. Tästä syystä en ole aivan varma, ovatko katsomani muut kurssilaiset vain käyttäneet virtaamavaihtelujen indeksejä vai olenko vahingossa laittanut desimaalit väärin. Nämä eri tavat laskea tulvaindeksiä kuitenkin kuvaavat hieman eri asiaa, joten periaatteessa tulokset voivat olla erilaisia – mutta että näin erilaisia? En osaa nyt alkuunkaan sanoa menikö tämä metsään vai olenko vain valinnut eri reitin kuin moni muu.

Käytin kartoissani samaa väriskaalaa, mutta vertailua vaikeuttaa luokkien eri määrä. Toisaalta, kuten todettua, näitä tuloksia ei muutenkaan voi suoraan vertailla niiden erilaisen laskentatavan vuoksi: toinen vertaa tulvakautta kuivaan kauteen ja toinen tulvaa keskivirtaamaan. Joka tapauksessa voimme todeta, että suurimmat tulvat ovat rannikon pienillä valuma-alueilla, joiden ala on entistä merenpohjaa ja tästä syystä hyvin tasaista ja pehmeää. Länsi- ja Etelä-Suomen rannikkoseudut on laajasti hyödynnetty peltomaaksi, jolle vesi imeytyy huonommin kuin metsäisille seuduille.  Pienellä valuma-alueella vesi myös kulkeutuu nopeammin pääuomaan, jolloin tulvahuippu voi tulla nopeastikin. Valuma-alueen korkea järvisyysprosentti vaikuttaa tarkoittavan myös matalaa tulvaindeksiä: järvet pystyvät säilömään satavan veden ja sulavan lumen, joten vesimäärän vaihtelu ei vaikuta järvisille aluielle samoin kuin jokisille.

Mielestäni karttani ovat oikein onnistuneita ja selkeitä järvisyysprosenttia kuvaavaa pylvästä lukuunottamatta. Fiksauduin tiettyyn sävymaailmaan niin vahvasti, että luettavuus hieman kärsi. Esimerkiksi Iivari oli sen sijaan onnistunut paremmin ja valinnut selkeän oranssin kuvaamaan järvisyyttä (Laaksonen, 2017). Lisäksi havaitsin missanneeni briiffin, jossa legendojen väriboksit on neuvottu/opetettu tekemään isommiksi. Törmäsin tähän useasti,  mm. Iivarin, Joukon ja Pyryn tulvaindeksikartoissa (Laaksonen 2017, Lappalainen 2017, Lehtonen 2017). Täytyy myös useita blogeja tänään selailtuani sanoa, että fanitan suuresti kurssilaisten luovuutta! Huikean erilaisia ideoita  toteuttaa blogia. Vesireittejä jää siis loppupäivän korvamadoksi… (Fakta on myös se, että tämä muiden innovatiivisuus oli osa sitä henkistä kynnystä, joka esti minua käymästä blogitekstien kimppuun aiemmin. Luova tuska ja paineet siitä, ettei keksi mitään yhtä kivaa eikä ole yhtä hyvä kuin muut.)

Ja kuvassa 3 vielä vuoden 2015 versio omasta kartastani. Luokat näköjään olleet aika erilaiset, mutta ihan hyvältä näyttää. Kovin on sininen, kuten äitini varmasti sanoisi.

Kuva 3. Vuonna 2015 tehty tulvaindeksi ja järvisyysprosentti.

 

 

 

 

 

 

 

 

 

Lähteet:

Laaksonen, Iivari (2017). 3. kurssikerta. Iivarin blogi.

Lappalainen, Jouko (2017). Osa 3 – “Jos kaupunki tulvisi, vesireittejä pääsisi pakoon”. Vain PAK(ki) puuttuu.

Lehtonen, Pyry (2017). Kurssikerta III Lagin kosto. Paikkatieto tutuksi.

Kurssikerta 1 – histogrammihämmennys

Toisesta kurssikerrasta selvittyäni oli aika palata ensimmäisen tehtävän pariin. Tehtävä olikin varsin yksinkertainen; MapInfon toimintojen kertaamisen jälkeen tuli tehdä vapaavalintainen teemakartta ja luokittelutavan valinnassa hyödyntää internetistä löytyvää histogrammityökalua.

Histogrammityökalun ja histogrammien tarpeellisuus on ollut minulle aina suuri mysteeri. Tuntuisi vahvasti siltä, että aineistoa kartalla tarkastelemalla ja MapInfon eri vaihtoehtoja testaamalla saisi paljon selvemmän kuvan siitä, mikä toimii. Tästä huolimatta jouduin tekemään työtä käskettyä ja viemään valitsemani aineiston histogrammityökaluun (jatkossa “työkalu”) (Shodor 2017).

Valitsin valmiiksi annetusta aineistosta dataa korkea-asteen tutkinnon suorittaneista henkilöistä Lapissa ja Pohjois-Pohjanmaalla vuonna 2015. Työkalu luokitteli aineistoni värikkääksi pylväsdiagrammiksi, jonka intervallia muuttamalla luokkien eli pylväiden määrä muuttui. Tämä pylväiden vaihtelu ei kuitenkaan kertonut minulle vielä kolmen opiskeluvuoden jälkeenkään yhtään mitään eikä millään tavalla auttanut luokittelutavan valinnassa. Käännyin siis ystäväni Googlen puoleen (Google 2017).

Tilastokeskuksen (2001) sivuilta löysin selvennystä näihin jakaumakuvioihin eli histogrammeihin. Pikkuhiljaa mieleeni palautuivat etäiset opit pylväskokonaisuuksien muodon tutkimisesta, jonka nokkelasti yhdistin kurssimateriaalista löytyvään taulukkoon jakaumien ja luokittelujen yhteyksistä (Paarlahti 2017).

Kuva 1. GIF-esitys histogrammityökalun tuloksista eri intervalleilla.

 

Testailin työkalulla eri intervalleja pystyäkseni tulkitsemaan jakauman muotoa. Kuvassa 1 olen esittänyt tulokset slideshow-muotoisena GIF-tiedostona, jonka tein GIPHY-nimisellä verkkosivulla (GIPHY 2017). Vaikka tulokset osin viittaavaat vinoon jakaumaan, mielestäni selkeämmin kyseessä on epämääräinen jakauma. Koska aiemmin mainitun taulukon (Paarlahti 2017) mukaan ainoa sekä vinolle että epämääräiselle jakaumalle sopiva luokittelutapa on kvantiilit eli tasamääräiset luokat, valitsin sen karttaesitykseeni.

Tilastokeskuksen (2001) sivuilta löysin vanhan ohjeen luokkien määrästä päättämiseen: luokkia tulisi olla kuutiojuuri havaintojen määrästä. Valitsemassani aineistossa oli 50 havaintoa, joten kuutiojuuri pyöristyy neljään luokkaan. Kätevää! Myös Alex Salminen pohtii tekstissään luokkajakojen vaikeutta. Hän kokee valitsemansa viiden luokan jaon olevan karttansa heikon kohta (Salminen 2017). Koko Suomen aineistoon käytettynä neljä luokkaa saattaisi kuitenkin tehdä turhan suuria luokkia, jotka yleistävät huomattavan erilaisia tuloksia varsinkin ylimpään luokkaan, kuten Alex pohtiikin.

Neljällä luokalla ja kvantiililuokittelulla aineisto ei kuitenkaan jakautunut järkevästi (kuva 2, oikea). Legendasta on huomattavissa, että toiseksi alin luokka (15-17,8) on kyllä lukumääräisesti muita vastaava, mutta skaalaltaan muita paljon pienempi. Tämä ei mielestäni ole tarkoituksenmukainen esitystapa, koska luokat johtavat harhaan, jos niihin ei perehdy tarkasti.

 

Kuva 2. Korkea-asteen tutkintojen prosentuaalinen määrä Lapin ja Pohjois-Pohjanmaan maakunnissa vuonna 2015 kvantiililuokittelutapaa ja luonnollisia luokkavälejä käyttäen.

Tästä syystä tein toisen karttaesityksen epämääräiselle jakaumalle soveltuvalla luonnollisilla luokkaväleillä (kuva 2, vasen). Luokat jakautuivat vastaamaan paremmin histogrammin osoittamaa vaihtelua: alemmissa luokissa oli paljon havaintoja, kun taas korkeammissa huomattavasti vähemmän. Ja kuin taikaiskusta: histogrammin tekemiselle syntyi merkitys! Sen avulla voin osoittaa, että tässä tapauksessa luonnolliset luokkavälit oli tarkoituksenmukaisempi valinta aineiston kuvaamiseen.

Kuvasta 2 voi havaita, että korkea-asteen tutkintoja on enemmän niillä paikkakunnilla, joissa on korkeakoulu ja/tai ammattikoulu. Vasemmalla olevasta kartasta erottuvat selkeinä yliopistokaupungit Oulu ja Rovaniemi. Myös Ylivieska ja Raahe isompina paikkakuntina ovat korkeammalla luokituksessa. Utsjoen korkeaa luokitusta en heti osaa selittää.  Näistäkään luvuista huolimatta 34,8 % väestöstä ei mielestäni ole kovin korkea luku – esimerkiksi Valtterin kartasta huomaa, että koko Suomen aineistossa korkein arvo on jopa 56 % (Lammassaari 2017).

Karttani ovat mielestäni visuaalisesti melko onnistuneita ja selkeitä, tosin pohjoisnuolen hirvitys kyllä heikentää laatua. Myös legendojen sijoittelu on minulle melko vaikeaa. Lisäksi hiertää se, että laitoin kartat vahingossa väärään järjestykseen kuvaan ja vuosiluku puuttuu… No, pikkujutuja. Ainakin voin sanoa oppineeni jotain!

Bonuksena vielä fuksivuoden 2015 angstikartta Pohjois-Pohjanmaan työttömyysasteesta. Lempiaihe ilmeisesti. Mittakaava on ainakin paremmin kuin nykyään, mutta olen oppinut leikkaamaan turhat kunnat esityksestä pois.

Kuva 3. Pohjois-Pohjanmaan työttömyysprosentti vuonna 2011.

 

 

 

 

 

 

 

 

Löysin myös toisen kartan, joka on otsikoitu 1. kurssikerran harjoitukseksi. Voisiko tämä sitten olla viime vuodelta..? Aika tavallinen kartta, kivat raikkaat värit ja selkeä esitys toisaalta. Ei varsinaisia yllätyksiä ruotsinkielisten sijoittumisessa Helsingissä.

Kuva 4. Ruotsinkielisten osuus Helsingissä pienalueittain vuonna 2011.

 

 

 

 

 

 

 

 

 

 

Lähteet:

GIPHY (2017). Slideshow. GIPHY.

Google (2017).

Histogrammi-GIF (2017). Download. GIPHY.

Jakauman esittäminen. (2001). Tilastokeskus, Helsinki.

Lammassaari, Valtteri (2017). Koropleettikartta. lavaltte’s blog.

Paarlahti, Arttu (2017). Harjoitus1B_2017. Kurssikerta 1:n aineistot.

Salminen, Alex (2017). Viikko 1: Aloittelua ja korkeakoulutusta. PAK by Alex.

Shodor (2017). Histogram. Shodor.

Artikkeli 1 – Two-variable choropleth maps as a useful tool for visualization of geographical relationship

Tekstissään “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” Anna Leonowicz (2006) esittää keinoja, joilla kahden muuttujan koropleettikartoista voitaisiin tehdä selkeämpiä ja lukijaystävällisempiä, jotta esitystapaa hyödynnettäisiin enemmän. Hän käsittelee yhden ja kahden muuttujan koropleettikarttojen eroja ja esittämisen haasteita.  Hänen hypoteesinaan on, että kahden muuttujan kartalla pystytään esittämään paremmin muuttujien välistä korrelaatiota ja yhden muuttujan koropleettikartalla muuttujan alueellista esiintymistä. Leonowicz on testannut hypoteesia maantieteen opiskelijoilla ja esittelee testinsä tulokset, jotka ovat hypoteesin kanssa samansuuntaisia.

Ensimmäisenä huomasin, että olen viime aikoina lukenut todella vähän englanninkielisiä maantieteellisiä artikkeleja ja teksti vaati todella keskittymistä, varsinkin kohdassa, jossa Leonowicz käsitteli luokkavälien valintaa. Rehellisesti sanottuna en voi oikein väittää ymmärtäneeni mistä tässä kappaleessa oli kyse. Tiedän, että geoinformatiikkaa opiskelevat tutustuvat englanninkieliseen aineistoon huomattavasti meitä kumalaisia enemmän, mutta toivoisin silti, että ohjeistukset (esim. kirjalliset ohjeet) olisivat englanniksi,  jolloin kieltä tottuisi käyttämään. Suurin osa ohjelmistoista ja varmasti osa tulevista työtehtävistä ei ole suomeksi. Luulen ymmärtämisen vaikeuden johtuvan siis enemmän omasta tilastollisten käsitteiden ymmärtämättömyydestä kuin artikkelin varsinaisesta vaikeudesta.

Artikkelissa esitelty legenda poikkesi totutusta siinä, että se koostuu 2 x 2 tai 3 x 3 ruudukosta, jossa pystysarakkeet kuvaavat toista muuttujaa ja vaakasarakkeet toista, siten, että arvot ja korrelaatio kasvavat ylös ja oikealle edetessä. Molempia muuttujia kuvaa väri ja niissä ruuduissa, joissa sarakkeet risteävät, värit kumuloituvat ja näin kuvaavat muuttujien välistä suhdetta: usein tummempi väri kuvaa vahvempaa korrelaatiota. Näin vasemmasta alakulmasta oikeaan yläkulmaan eli ruudukon poikki diagonaaliin syntyy vahvimman korrelaation alue.

Tätä kohtaa ja luokkavälien valintaa en tosin tekstistä ymmärtänyt, joten en osaa sitä tarkemmin perustella. Minulle jäi hyvin epäselväksi, minkä takia tämän diagonaalisen korrelaatioviivan alapuolella on negatiivisia arvoja ja yläpuolella positiivisia arvoja, kun nämä alapuolella olevat arvot ovat kuitenkin toisen muuttujan korkeimpia esiintyviä arvoja. Korrelaation legendaan lisäämisen mahdollisuus on kuitenkin hyvin näppärää ja käytännöllistä.

Tällainen kahta muuttujaa kuvaava legenda voi mielestäni olla oikein toimiva, kunhan värit valitaan oikein. Esimerkiksi artikkelissa esimerkkinä käytetyt värit magenta ja syaani sekoittuvat kauniisti yhteen, mutta itse ajattelin aluksi valkoisen värin kuvaavan nolla-arvoja, toisin kuin todellisuudessa oli. Tärkeää on siis valita sellaiset väriyhdistelmät, jotka eivät hämmennä lukijaa, kuten tekstissä mainitut US Bureau of the Cencus:n käyttämät yhdistelmät olivat tehneet. Leonowiczin mukaan nämä olivat jopa olleet syynä kahden muuttujan koropleettikarttojen epäsuosiolle. Toinen merkittävä luettavuuteen vaikuttava asia on luokkien määrä: aivan kaikkeen kolmen luokan maksimi ei välttämättä ole riittävä.

Tämä Leonowiczin esittelemä kahden teeman koropleettikartan toteutus näyttää visuaalisesti miellyttävämmältä kuin MapInfon oletusasetusten tuottamat esitykset. MapInfokin kuitenkin mahdollistaa tekstissä mainitun Eytonin ideoiman vastavärien käyttämisen, kunhan karttatasoja muuttaa läpinäkyvämmiksi. Legendan luominen samalla idealla täytyisi ehkä tehdä jollain toisella ohjelmalla.

Kuten tehdyn tutkimuksen tuloksetkin osoittavat, kahden teeman koropleettikartta osoittaa yhden teeman karttaa paremmin muuttujien välisen suhteen ja mahdollistaa molempien teemojen samanaikaisen esittämisen. Kahden erillisen yhden teeman kartan tekeminen ja vertailu on työläämpää ja pelkällä silmämääräisellä tarkastelulla tuloksiin saattaa tulla virheitä. Lukijalta vaaditaan myös hieman keskittymistä legendan tulkintaan ja esitettyjen muuttujien todellisen yhteyden pohdintaan – kaikkea kartalla yhtäaikaa esitettyä ei kuitenkaan voi ottaa annettuna todellisena syy-seuraussuhteena.

 

Lähteet:

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

Kurssikerta 2 – MapInho

Hyppäsin mukaan PAK-kelkkaan vasta toisella kurssiviikolla, koska olin tekemässä kenttätöitä Thaimaan tulva-alueilla. Lähes kahden vuoden tauon jälkeen avasin MapInfon ja itsevarmana lähdin tekemään kurssikerran tehtävää sen enempää kertailematta komentoja. Mielessäni oli ajatus siitä, kuinka ArcGIS:n käytön jälkeen tämän ensin opitun ohjelmiston on oltava sekä helpompi että yksinkertaisempi kuin muistin. Valitettavasti muistini ei pettänyt vaan jouduin toteamaan MapInfon olevan yhtä jäykkä, kömpelö ja antiikkisen näköinen kuin aiemminkin. Onneksi GIS-ohjelmistojen peruslogiikka on kuitenkin hyvin pitkälle samanlainen, ja muutamien virheklikkailujen ja kuumeisten etsintöjen saattelemana pääsin tehtävän kimppuun.

Päällekkäiset koropleettiteemakartat MapInfolla toteutettuna ovat mielestäni paholaisen keksintö. Ne ovat NIIN RUMIA. Niiden informaatioarvo on myös kovin vaihteleva – vai kuka oikeasti jaksaisi tihrustaa mustavalkoisia erikokoisia pisteitä tietokoneen ruudulta? Teemakarttojen graafiset vaihtoehdotkin muistuttavat lähinnä lapsuutemme tietokoneista.

Tästä syystä halusin toteuttaa teemakarttani päällekkäisten karttojen lisäksi vierekkäisinä karttoina, joita tarkkailemalla saa selvemmän kuvan jonkin tietyn alueen tuloksista. Koen, että väriskaalattuja karttoja on myös intuitiivisempi lukea kuin kuvioituja. Tällainen intuitiivinen tulkinta voi tietenkin olla hyvin haitallista ja sillä voidaan vääristää tuloksia. Takaan kuitenkin, että tämä ei ollut tarkoitukseni. Joku voisi tietenkin argumentoida, että tehtävänanto mahdollisti myös mm. 3D-karttojen tekemisen; tähän en kuitenkaan keksinyt sopivaa kuvattavaa aihetta.

Jostain syystä hakeudun aina mahdollisimman ankeisiin aiheisiin ja haluan kuvata kurjuutta, mutta usein todella ankeat tilastot ovat vajaita tietoturvasyistä. Alun perin halusin tarkastella nuorten 17-24-vuotiaiden asemaa koulutuksen kannalta ja verrata sitä nuorisotyöttömyyteen, mutta tilastot osoittautuivat sen verran erilaisiksi, etten saanut niistä tarpeeksi yksiselitteistä karttaesitystä.

Tein siis tällä kertaa teemakarttani jopa hieman helpolla, suoraan Terveyden ja hyvinvoinnin laitoksen ylläpitämältä Sotkanet.fi -tilastosivustolta löytyvällä tilastotiedolla suomalaisten työttömyydestä. Ensisijaisesti halusin tarkastella viimeaikaisinta tietoa (2014) nuorisotyöttömyydestä ja vertasin sitä koko työvoiman työttömyysprosenttiin (2014). Nuorisotyöttömiksi luokitellaan 18-24 vuotiaat työttömät työvoimasta. Työvoimalla taas tarkoitetaan 15-74 -vuotiaat henkilöitä, jotka vuoden viimeisellä viikolla olivat työllisiä tai työttömiä (Tilastokeskus, 2017). Työttömien täytyy kuitenkin määritelmän mukaan olla työnhakijoita.

Työttömyysprosentti ja nuorisotyöttömyysprosentti Suomessa vuonna 2014 (Terveyden ja hyvinvoinnin laitos 2017).

Valitsin karttoihin punertavan väriskaalan, joka luo luontevasti katsojalle mielikuvan siitä, että ilmiö on negatiivinen. Tällainen dramatisointi on mahdollisesti tarpeetonta, mutta itse koen erityisesti nuorisotyöttömyyden todella vakavaksi ongelmaksi. Kartantekijän problematiikkaa – saisivatko omat mielipiteet ja ”kokemiset” vaikuttaa esitettävään asiaan? Joka tapauksessa työttömyysprosentit vaikuttavat melko pöyristyttäviltä. Kestävään tai ”normaaliin” työttömyysasteeseen pitäisi varmaankin perehtyä enemmän ennen kuin menee tekemään siitä laajempia tulkintoja – jokainen voi vapaasti tutustua vaihteluun Findikaattorissa. Karttaesityksistä vielä todettakoon, että muutaman kunnan nimeäminen kuvaan olisi voinut helpottaa analyysin tekemistä.

Molemmissa kartoissa tulokset on esitetty neljässä eri luokassa, jotka on luokiteltu luonnollisin luokkavälein. Tämä luokittelu on suosikkini, ja käytänkin sitä lähes aina kun voin. Nimensä mukaisesti se jakaa aineiston luonnollisiin luokkiin, eikä tee rajoja sinne, minne ne soveltuvat huonosti. Tästä johtuen karttojen luokat eivät ole keskenään yhtä suuret, vaikka niissä on käytetty samoja luokitteluvärejä.

Kartoista on nähtävissä, että vuonna 2014 työttömyysprosentti on ollut suurin (14,7 – 24,7 %) Itä- ja Pohjois-Suomessa sekä paikoin Keski-Suomessa. Nuorisotyöttömyys on jakautunut hajanaisemmin, mutta senkin korkeimman työttömyyden luokkaan (22,3 – 33 %) kuuluu itäisen ja keskisen Suomen sekä Meri-Lapin ja Oulun seudun kuntia. Syynä työttömyyden keskittymiseen näille alueille voi olla mm. muuttoliike pois maalaiskunnista ja palveluiden eli myös työpaikkojen katoaminen. Haja-asutus ei luo edellytyksiä uusien toimialojen ja työpaikkojen synnylle. Oulun seudulla työttömyyteen vaikuttaa se, ettei IT-buumin romahduksen jälkeen ole päästy vielä jaloilleen uuden vientiveturin avulla. Osin nuorisotyöttömyyteen vaikuttaa myös tiettyjen kuntien matala syntyvyys eli nuorten vähäinen lukumäärä ja läheisten yliopistokaupunkien vetovoima, jolloin nuoret saattavat muuttaa jo lukioiässä pois kotikunnistaan. Matalimmat työttömyysasteet (0 – 7,5 %, 0 – 8,6 %) ovat vuonna 2014 löytyneet Vaasan seudulta, Varsinais-Suomesta ja pääkaupunkiseudulta.

Suomen työttömyysprosentti ja nuorisotyöttömyysprosentti vuonna 2014 esitettynä päälllekkäisinä koropleettikarttoina (Terveyden ja hyvinvoinnin laitos 2017).

 

 

 

 

 

 

 

 

 

 

Demonstroidakseni MapInfon päällekkäisten koropleettiteemakarttojen ongelmallisuutta, olen tehnyt edellä esittelyistä aineistoista myös tehtävänannon mukaisen esityksen. Karttaa nopeasti vilkaisemalla saa sellaisen kuvan, että Savukoskella itäisessä Lapissa on Suomen kurjin työttömyystilanne. Itse asiassa näin oletin itsekin ennen kuin aloin kirjoittaa tätä tekstiä. Mutta kas, eihän asia ole lainkaan tällä tavalla. Huolellinen legendan tarkastelu osoittaa, että Savukoski itse asiassa kuuluu nuorisotyöttömyyden osalta alimpaan työttömyysluokkaan. MapInfon automaattiset rasterit ovat nyt menneet niin päin, että alimmassa luokassa on tihein ruudutus eli tummin väri, eli mielikuvissa tietenkin suurin lukuarvo. En huomannut asiaa korjata, joten nyt voin johtaa sekä kartan vilkuilijoita että itseäni harhaan. Sen sijaan esimerkiksi Tuli on osannut ja ymmärtänyt muokata luokittelun kuvattavaa asiaa vastaavaksi, ja näin hänen karttaesityksensä eläkkeellä olevien osuudesta ja taloudellisesta huoltosuhteesta on selkeä ja intuitiivisesti luettava (Siven 2017). Jätän tämän oman karttani analysoinnin nyt tähän, koska tulokset ovat hyvin lähellä edellä esitettyjä tuloksia, vaikka luokkia on vähennetty neljästä kolmeen.

Henkilökohtaisen kehityksen seuraaminen eli reflektointi on kovassa huudossa ja tietenkin myös hyvin tärkeää. Olen liittänyt tähän huvin vuoksi myös fuksivuonna 2015 tekemäni samaisen harjoituksen vertailun vuoksi. Onko kehitystä tapahtunut? Mielestäni vuoden 2015 kartta on selkeämpi ja myös miellyttävämpi värimaailmaltaan. Tuotosta on varmasti hiottu rakkaudella… Mutta mitenkäs kartta on tehty neljää eri luokkaa käyttäen? Aijai.

Lastensuojeluilmoitusten lukumäärä 0 – 19 -vuotiaita kohden Pohjois-Pohjanmaan ja Lapin maakunnissa.

 

 

 

 

 

 

 

 

 

Lähteet:

Käsitteet (2017). Tilastokeskus, Helsinki.

Siven, Tuli (2017). Kurssikerta 2 ja artikkeli 1. Tuli’s blog. Luettu 12.5.2017.

Sotkanet.fi (2017). Terveyden ja hyvinvoinnin laitos, Helsinki.

Työttömyysaste (2017).  Findikaattori. Valtioneuvoston kanslia & Tilastokeskus, Helsinki.

Hei!

Täällä taas!

Jokainen mantsakevääni on alkanut samoissa tutuissa merkeissä pak-blogin parissa. Tämä vuosi ei suinkaan ollut poikkeus, vaan ominaiseen tapaani saavuin kurssille toisella viikolla, tällä kertaa Thaimaan hiekat vielä varpaissani ja palmujenkuvat silmissä. Tämä vuosi on kuitenkin erilainen – tällä kertaa minun on PAKKO päästä läpi. Ei enempää eikä vähempää kuin kandidaatintutkintoni (kenties myös kunniani pikkuhiljaa) kaipaa merkintää tämän fuksikurssin suorittamisesta. En varmaankaan koskaan ole ollut se, joka saisi kurssit ajallaan suoritettua, mutta tämä on jo mennyt vähän liiallisuuksiin ja alkaa suoraan sanottuna hävettää. Julkinen paine on tietenkin paras paine, joten tämän tunnustuksen voimin koitan kammeta itseni suosta.

Mikä siinä PAKissa sitten tökkii? Sama kuin muissakin kursseissa – kirjoittaminen. Olen tehnyt jokaisen kurssin vaatiman kartan ja lisätehtävän jo vuonna 2015, mutta että pitäisi kirjoittaakin jotain? Aivan ylitsepääsemättömän vaikeaa. Siinä fyysisessä tilanteessa, henkilökohtaisesti, voin puhua kartoistani vaikka tunnin verran, mutta jotenkin kirjoittaminen tuntuu teennäiseltä ja kadottaa analyysista tiettyjä nyansseja. Samasta syystä useat muutkin kurssini ovat jääneet roikkumaan tai kesken ainoastaan lopputyön/viimeisen raportin takia. Kirjoittaminen ei jaksa luonnistua. Mutta turhapa siitä on yliopistossa valittaa, ja tämä kurssi tuskin on oikeasti työläin asia elämässä. Paitsi kaikille sisäisille perfektionisteille.

Tänä vuonna lähestymistapani olkoon siis enemmän “ihan sama pakko vaan tehdä”-tyylinen, jos se muka auttaisi asiaa. Tsemppi on kuitenkin (toistaiseksi) kova.

Kolmas kerta toden sanoo ja mitäs muita näitä oli.

#kaisakandiksi #pakkikuntoon

P.S. Postausten järjestys tulee todennäköisesti olemaan kurssikerta 2 ja kurssikerta 3, joiden jälkeen vasta käyn kurssikerta 1 tehtävän pariin. Koska loma heh. Näin kolmantena vuonna olen viimein antanut itselleni luvan pitää lomaa odottamatta, että sopiva väli tulisi joskus (koska sopivaa ei tule, voin melkein luvata).