Kahden muuttujan koropleettikartat

Toisella kurssikerralla tutkailimme lisää MapInfosta löytyviä teemakarttatyyppejä. Kävimme läpi ja kokeilimme kartogrammeja pylväillä ja ympärädiagrammeilla, graduated-karttoja erikokoisine ukkeleineen, individual-karttoja luokkajakoineen, tiheyskarttaa, grid-karttaa, prismaattista esitystä ja vuorimaista 3D- karttaesitystä. Tunti laajensi käsitystäni teemakartoista ja MapInfolla oli mukava kokeilla kaikkea, vaikka luomieni kartografisten esitysten laadusta ja käytettävyydestä en menisi takuuseen. Loppukurssikerrasta pääsimme upottamaan kätemme saveen ja työstämään omaa karttaesitystä, jossa esitetään kaksi päällekkäistä koropleettikarttaa. Pointtina oli ymmärtää minkälaisten muuttujien esittäminen päällekkäin on ylipäätään järkevää ja onko niiden välillä nähtävissä korrelaatiota.

Anna Leonowiczin artikkeli “Two-variable choropleth maps as a useful tool for visualization of geographical relationship” sukeltaa syvemmälle kahden muuttujan koropleettikartan teoriaan. Luokkien määrän todetaan heti alkuun olevan hyvä rajoittaa yhdeksään (3×3). Huomaan ensimmäisen karttani sisältävän yhteensä 25 luokkaa, ja ymmärrän kartan levottoman ilmeen johtuvan juuri siitä. Kuten Iisa Hyypiä toteaa blogikirjotuksessaan liian suuren luokkamäärän huonontavan luettavuutta ja pienenkin luokkamäärän kanssa rastereiden valinnassa on oltava tarkkana. Lisäksi rasterit ovat muuttuneet monimutkaisemmiksi ja epäselvemmiksi blogiin tuotaessa. Uusiksi meni siis!

Korjattu kartta (Kuva 1.) tuo alueelliset erot esiin hyvin selvästi ja muuttujien yhteisvaihtelu on selvää. MapInfo -ohjelmassa pisterastereiden ero oli helposti luettavissa, mutta tuodessani kuvan blogiin rastereita on jostain syystä vaikea erottaa toisistaan. Luokkien vähentäminen paitsi selkeytti karttaa, se laittoi myös luokittelun uusiksi. Koulutuksen kuvaamiseen sopi luonnollinen luokkajako, mutta tulojen luokittelussa se ei toiminut. Yhden kunnan tulot olivat selvästi muita alemmat, mikä olisi luonut sille kokonaan oman luokan ja luokkamäärän rajoittuessa kolmeen tällainen jako olisi laskenut kartan informaatioarvoa. Päätin siis käyttää luonnollisen luokkajaon sijaan tasamääräistä jakoa, josta käy hyvin ilmi suhteessa korkeimmat ja matalimmat tulot. Myöhemmin tajusin, että kaikkien kuntien nimeäminen olisi ollut tärkeää näin rajatulla alueella. Saman toteaa Tanja Palomäki blogikirjoituksessaan “Toinen kurssikerta“.  Iisa Hyypiä ymmärtää nimistön esittämisen kartalla auttavan maantieteellistä hahmottamista ja analyysiä, etenkin jos alue on lukijalle ennalta tuntematon.

Kartalta (Kuva 1.) voidaan lukea korkeakoulutuksen ja korkeampien tulojen keskittyvän pääosin samoille alueille. Molemmat ovat korkeimmillaan Turun läheisyydessä. Koulutuksen osalta tämä todennäköisesti johtuu Turun laajasta yliopisto- ja korkeakoulu tarjonnasta. Tulojen osalta ilmiö voi johtua siitä, että hyväpalkkaisimmat työt keskittyvät kaupunkeihin ja lähikunnista pendelöidään Turkuun töihin. Ilmeisesti myös korkeakoulutuksen voidaan päätellä johtavan mahdollisuuksiin ansaista paremmin. Toisaalta kartalta nousee esiin Varsinais-Suomen luoteisosan Uusikaupunki, jonka tulot sijoittuvat korkeimpaan luokkaan, mutta koulutus on keskitasoa. Tilanne on toisin päin Turun lähellä Paimiossa ja Ruskossa, joissa on paljon korkeakoulutettuja, mutta tulot eivät sijoittuneet ylimpään kategoriaan. Pidemmälle meneviä tulkintoja varten olisi syytä perehtyä aineistoon tarkemmin ja tutkia todellisia lukuarvoja aineistosta, eikä turvautua pelkkään kolmijakoiseen luokitteluun.

Leonowiczin käsittelemä kahden muuttujan koropleettikartta on monimutkaisempi esitys kuin kaksi koropleettikarttaa päällekkäin, vaikka luokkia tai mahdollisia luokkayhdistelmiä tuleekin molempiin yhtä monta. Tälläisen kartan legenda on esim. 3×3 ruudukko, jonka halkoo diagonaalisesti lineaarisen korrelaation viiva ja sen yläpuolelle jäävät positiiviset poikkeamat ja alapuolelle negatiiviset. Eniten havaintoja osuu lähelle lineaarista akselia, mutta toisaalta myös suuret poikkeamat ovat mielenkiintoisia tapauksia.

Kahden muuttujan koropleettikarttoja on monimutkaisempaa lukea kuin yhden muuttujan vastaavia. Toisaalta mielestäni ne ovat myös kartografisesti mielenkiintoisempia, mahdollisesti niiden harvinaisemman esiintymisen takia. Kahden muuttujan kartta edellyttää lukijalta jonkinlaista kartografista hahmotuskykyä ja mahdollisesti aiempaa karttojenlukukokemusta. Väärintulkinnan vaara kasvaa muuttujien lisääntyessä ja kartan monimutkaistuessa, kuten myös Leonowicz toteaa tutkimuksessaan. Kahden muuttujan kartalta alueellinen yhteys muuttujien välillä on jopa helpommin luettavissa kuin kahdelta erilliseltä koropleettikartalta (Kuva 1.). Yhden muuttujan kartat taas kuvaavat paremmin ilmiöiden alueellista jakautumista, kuten Leonowicz todistaa artikkelissaan Varsovan yliopiston maantieteen opiskelijoilla teettäneet tutkimuksen avulla.

MapInfon teemakarttatyökalulla ei ollu mahdollista luoda Leonowiczin esimerkin tapaista kahden muuttujan värisävyjen muodostamaa koropleettikarttaa. Tämä selvästi rajoittaa kartografin mahdollisuuksia vain päällekkäisiin koropleettikarttoihin (Kuva 1.). Toisaalta kahden muuttujan koropleettikarttojakin on varmasti mahdollista luoda yhdistelemällä eri ohjelmia tai vaikka kehittämällä uuden. Moni nykyihminen, itseni mukaan lukien, on tosin sen verran laiska ja kiireinen, että jättää asian sikseen ja tyytyy valmiisiin, nopeisiin teemakarttatyökaluihin. Käyttämämme ohjelmat siis ohjaavat, millaisia karttoja tuotamme, mutta silti ihmiset ovat luoneet ohjelmat, eikä mikään rajoita kehittämästä uusia, rajoittamattomampia paikkatieto-ohjelmia.

Lähteet:

Anna Leonowicz: “Two-variable choropleth maps as a useful tool for visualization of geographical relationship”, Kartografija, 2006

Iisa Hyypiä: “Päällekkäiset koropleettikartat: taloudellinen huoltosuhde ja eläkeläiset“, <https://blogs.helsinki.fi/hiisa/>, julkaistu 28.01.2017, luettu 30.01.2017

Tanja Palomäki: “Toinen kurssikerta “, <https://blogs.helsinki.fi/ptanja/>, julkaistu 29.01.2017, luettu 30.01.2017

Sotkanet: Verotulot, euroa/asukas 2014 <https://www.sotkanet.fi/sotkanet/fi>, luettu 25.01.2017

Suomen virallinen tilasto (SVT): “Oppilaitosten opiskelijat ja tutkinnot 2015”, <http://www.stat.fi/til/opiskt/index.html>, luettu 18.01.2017

 

Kuva 1. Teemakarttayhdistelmä korkea-asteen tutkinnon suorittaneista % (lähde: SVT, 2015) ja keskimääräisistä verotuloista € (lähde: Sotkanet, 2014) osoittaa koulutuksen ja keskimääräistä suurempien tulojen painottuvan samoille alueille Varsinais-Suomessa. Molemmat ovat korkeimmillaan Turun lähiseudulla. Selittäjänä voisi olla Turun yliopistot ja korkeakoulut.

MapInfon alkeet

Uusi vuosi alkoi paikkatiedon merkeissä ja sen uusia ulottuvuuksia tutkiessa. Nykyään jopa yli puolen kaikesta maailman datasta arvioidaan olevan paikkatietoa. Tutkittavaa ja erilaisia mahdollisuuksia riittää siis aivan valtavasti. Paikkatieto koostuu sijaintitiedosta eli yleisimmin koordinaateista ja tiettyihin koordinaatteihin tai koordinaattijonoihin liitetystä ominaistiedosta, joka voi olla esimerkiksi kuvailevaa tai luokittelevaa. Paikkatiedon mielekkäin, visuaalisin ja lukijaystävällisin esitystapa on kartta. Kaikki kartat ovat paikkatietoa, sillä ne antavat ominaistietoja (esimerkiksi nimet) kartalla esitettävistä kohteista. Informaatiota eri teemoista on myös helppo ja nopea omaksua kartografisen esityksen kautta, mikäli kartografiset perustaidot ovat hallussa. Digitalisaatio on tehnyt teemakarttojen luomisen hyvin nopeaksi ja vaivattomaksi kartografin näkökulmasta.Nykyään valtavia paikkatietoaineistoja voidaan hallita, käsitellä ja muokata erilaisiksi kartoiksi käden käänteessä, kunhan tietää mitä on tekemässä. Helppouden takia vaarana on omien aivojen jättäminen narikkaan ja näennäinen yliyksinkertaistaminen ja siitä seuraava lopputuloksen harhaanjohtavuus.

Ensimmäisellä kurssikerralla tutustuimme MapInfon tarjoamiin mahdollisuuksiin tutkia ja muokata paikkatietoa. Eri toimintoja harjoitellessa ohjelmat tuntuvat aina alkuun vanhoja tuttuja ohjelmia kömpelömmiltä, mutta niiden käyttöön tottuessa huomaakin useita käteviä piirteitä. Paikkatietokannat koostuvat aina useammista tiedostoista ja MapInfossa voidaan käsitellä näitä erityyppisiä tiedostoja: kartat ja taulukot, samanaikaisesti.

Teemakartan laatimiselle löytyy ohjelmasta oma yksinkertainen työkalu. Valmis ja viimeistellyn näköinen karttaesitys on vain muutaman klikkauksen päässä, prosessin nopeudesta sekä automatisoinnista ei voi kuin ällistyä. Verrattaessa vaivaa sekä tuskan hien määrää käsintehtyyn, piirrettyyn teemakarttaan, ero ei voisi olla suurempi.

Kuva 1. Korkea-asteen tutkinnon suorittaneiden osuus (%) 2015, lähde: SVT. Kartalta erottuvat yliopistokaupungit koulutettujen ihmisten keskittyminä tummimmalla värillä.

Laadin ensimmäisen kurssikerran aikana kolme koropleettikarttaa eri aiheista. Aineistona käytimme Tilastokeskuksen keräämää dataa Suomen kunnista vuodelta 2015.  Olennaista oli huomata, ettei kaikkia tietokannan ominaisuuksia ole mielekästä kuvata teemakartalla. Vain suhteutetut luvut, kuten prosentit, ovat vertailukelpoisia keskenään. Kuntien vaihtelevista pinta-aloista johtuen esimerkiksi väkilukua ei sovi kuvata sellaisenaan koropleettikartalla, mutta suhteutettaessa se pinta-alaan saadaan koropleettikarttaan sopiva arvo. Myös esimerkiksi syntyneistä saadaan käyttökelpoinen luku kunhan se suhteutetaan kunnan kokonaisväkilukuun.

Kartalla kuvattavan ominaisuuden valinnan jälkeen päästään vaikuttamaan kartan ominaisuuksiin, kuten väriskaalaan ja luokkajakoon. Tietyn ilmiön voimakkuuden vaihtelua kuvaamaan sopii hyvin saman värin eri voimakkuudet lähtien vaaleimmasta (ilmiö heikko) ja päätyen tummimpaan (ilmiö voimakas). Helposti toisistaan erottuvat värit ovat tärkeitä kartan luettavuuden kannalta ja on hyvä pitää värimaailma melko neutraalina kartografisia normeja noudattaen. Omiin karttoihini valitsin kelta-oranssin väriskaalan ja toiseen sinisen eri sävyjä. Molemmat toimivat mielestäni kohtuullisesti ja ovat hyvin luettavissa. Kelta-oranssi väriskaala korostaa kuitenkin ääriarvoja selvästi enemmän räikeämmän värin takia ja siksi silmääni miellyttää enemmän rauhallisempi sinisävyinen karttaesitys.

Vaihtoehtoja luokkajakoon löytyy MapInfosta useita. Kvantiilit ohjaavat jokaiseen luokkaan saman verran havaintoja, tasavälinen luokitus säätää luokat keskenään samansuuruisiksi, luonnollinen luokkajako etsii datasta aukkoja ja katkoo luokat niiden kohdalta. Lisäksi aineistoa voi luokitella keskihajonnan perusteella tai määrittää luokat itse käyttämällä esimerkiksi histogrammityökalua apuna. Histogrammityökalulla voi määrittää, onko aineisto normaalijakauman mukainen vai kenties vino tai epätasainen. Kvantiilit ja keskihajontaan perustuva luokittelu soveltuu pääsääntöisesti normaalisti jakautuneelle, tasaiselle aineistolle. Maantieteelliseen aineistoon sopii yleensä parhaiten luonnollinen luokkajako, sillä se ei katko toisiaan lähellä olevia esiintymäryppäitä keinotekoisesti. Kvantiili- tai tasavälisessä luokittelussa toisiensa kanssa hyvin samankaltaiset kunnat voivat joutua eri luokkiin, mistä voi seurata virheellisiä karttatulkintoja, joten valitsin karttoihini luonnolliset luokkävälit. Toki luonnollisia luokkia voisi muokata käsin niin, että luokkarajat olisivat hieman järkevämpiä eikä väliin jäisi aukkoja, mutten tehnyt näin.

Legenda syntyy automaattisesti ja siinä näkyy kuinka monta havaintoa kuuluu kuhunkin ryhmään. Tämä tarjoaa mukavaa lisäinformaatiota lukijalle, mutta voi myös sekoittaa ulkoasua hieman. Lisäsin vielä mittakaavan sekä pohjoisnuolen MapInfon omilla työkaluilla, niin kuin hyvään karttaan kuuluu. Erityisesti korkeakoulututkintoja kuvaavaan karttaan (Kuva 1.) olisin vielä voinut nimetä suurimmat keskittymät, sillä yliopistokaupungit ovat hyvin selkeästi nähtävissä kartalla. Kuten Iivari Laaksonen on blogitekstissään todennut: “Karttaan toisi lisäarvoa suurten kaupunkiseutujen merkitseminen näkyviin, jolloin asiaan perehtymätönkin saisi heti yleiskuvan Suomen tilanteesta.”, koskien luomaansa karttaa vuokralla asuvien osuudesta Suomessa 2015. Muuta arvokasta lisäinformaatiota olisi tuonut esimerkiksi merkitä kaikki Suomen korkeakoulutusta tarjoavat instituutiot samalle kartalle ja tarkastella tutkintojen alueellista jakaumaa niiden valossa. Suurin osa tutkinnon suorittajista jää varmastikin töihin näihin kaupunkeihin tai muuttaa mahdollisesti kehyskuntiin ja pendelöi sieltä käsin.

Kuva 2. Eläkeläisten osuus väestöstä (%) 2015, lähde: SVT. Kartalta näkyy, että eläkeläiset keskittyvät Keski-, Itä-, ja Pohjois-Suomen maaseudulle ja pienin osuus eläkeläisiä on suurissa kaupungeissa. Kartta muodostaa mielenkiintoisesti vastakkaisen karttaparin korkeakoulututkinnon suorittaneiden kanssa, Kuva 1.

Eläkeläisten ja korkeakoulututkintoja kuvaavat kartat toimivat itse asiassa hauskasti karttaparina täydentäen toisiaan. Tämän huomasin vasta tarkasteltuani valmiita teemakarttoja. Siellä missä on eniten korkeakoulutettuja (yliopistokaupungeissa ja kasvukeskuksissa) eläkeläisten osuus väestöstä on pienin ja toisin päin. Eläkeläisten osuutta kuvaavalla kartalla (Kuva 2.) korostuu autioituva ja kunnallisiin palveluihin taloudellista tukea tarvitseva Itä- ja Pohjois-Suomi. Kuten Johannes Vihervirta blogissaan toteaa koskien tekemäänsä teemakarttaa yli 65-vuotiaiden osuudesta; vaaleimmalla kuvautuvat yliopistokaupungit ja niiden ympäristöt. Näihin kuuluvat Pääkaupunkiseutu, Turku, Tampere, Vaasa, Lappeenranta, Jyväskylä, Kuopio, Joensuu, Oulu ja Rovaniemi eli täsmälleen samat alueet, jotka korostuvat korkeakoulutettujen kartalla. Vähiten korkeakoulutettuja on vastaavasti Keski-, Itä- ja Pohjois-Suomen maaseudulla, todennäköisesti heikkojen työllistymismahdollisuuksien takia.

Tehdyn harjoituksen myötä opin luomaan teemakarttoja MapInfo- paikkatieto-ohjelmalla ja käyttämään sen yksinkertaisimpia toimintoja. Koropleettikarttojen ominaisuuksia opin tarkastelemaan kriittisemmin ja kyseenalaistamaan enemmän. Olen kokeileva ja tekemisen kautta parhaiten asioita omaksuja oppija, mutta tarvitsen myös erityisesti tekniikkaa koskevia ohjeita ohjelmia käytettäessä. Spontaanisti kokeilemalla voi syntyä sattumanvaraisiakin oivalluksia ja huomata yllättäviä yhteyksiä asioiden välillä, kuten kävi vertaillessa valmiita koropleettikarttoja eläkeläisten ja korkeakoulutettujen osuuksista. Vaikka näillä kahdella tekijällä ei ole mitään selvää yhteyttä, muut tekijät selittävät karttojen yhteneväisyyttä. Kaupunkien vetovoimatekijät, kuten juuri yliopistot ja korkeakoulutettujen työmahdollisuudet toimivat nuoria aikuisia ja lapsiperheitä työntävänä voimana pois Itä- ja Pohjois-Suomen maaseudulta, jolloin samoille alueille jää suuri prosentti eläkeläisiä. Samantyylisiä yhteyksiä voisi todennäköisesti löytää myös esimerkiksi huoltosuhdetta tai valtion aluetukia kuvaavasta teemakartasta.

Lähteet:

Iivari Laaksonen: “1. Kurssikerta”, <https://blogs.helsinki.fi/iilaakso>, luettu 22.01.2017

Johannes Vihervirta: “Tutustuminen paikkatietoon ja MapInfo-ohjelmaan”, <https://blogs.helsinki.fi/johviher/>, luettu 25.01.2017

Suomen virallinen tilasto (SVT): “Oppilaitosten opiskelijat ja tutkinnot 2015”, <http://www.stat.fi/til/opiskt/index.html>, luettu 18.01.2017

Suomen virallinen tilasto (SVT): “Kelan eläkkeet”, <http://www.stat.fi/til/elakkk/index.html>, luettu 22.01.2017