Vihdoin koitti ensimmäinen niin sanotusti oikea GIS tunti. Aiemmilla kursseilla olemme harjoitelleet geoinformatiikan elementtejä ilman varsinaisia gis ohjelmia. Nykyisen kurssin aikana tulemme tutustumaan (toivon mukaan) melko laajasti QGis ohjelmaan.
Koska mestariksi ei synnytä ja yhdessä yössä kaikkia taitoja opita, on harjoittelu aloitettava perusasioista. Siispä ensimmäisellä kerralla harjoiteltiin perusasioita kuten ohjelman perusominaisuuksia, aineiston lisäämistä ja yksinkertaista analyysiä. Vaikka toisto ja hitaus turhauttavat joskus, on ohjelman perusominaisuuksien oppiminen tärkeää. Nyt osaan itsenäisesti löytää erilaisia työkaluja, laskea arvoja karttoja varten sekä muokata tuotos julkaisukelpoiseksi. Kun kurssin myötä näihin palikoihin lisätään uusia, on lopulta käytössäni laaja valikoima geoinformatiikkataitoja, joita voin yhdistellä eri tavoin tulevissa tehtävissä.
Yliopisto-opiskelu voi tuntua monelle pelottavalta, mutta ainakin oman kokemukseni mukaan ketään ei jätetä pulaan. Tälläkin kertaa harjoittelimme tarvittaessa lähes kädestä pitäen tekemään atribuuttitaulukosta löytyvien tietojen ja yksinkertaisten laskujen perusteella koropleettikartan. Yhteisen harjoittelun jälkeen tehtävämme oli toistaa teknisesti sama suoritus eri tiedoilla. Aineistonamme oli laaja valikoima tietoja Suomen kunnista vuodelta 2015, joista kukin sai valita mieleisensä.
Oman harjoitukseni tein koskien maahanmuuton jakautumista kuntien välillä (kuva 1). Jotta sain aiheesta koropleettikartan, tuli minun luoda uusi sarake, laskea absoluuttisten lukujen sijaan prosenttiosuudet ja muokata ulkoasu tarkoituksenmukaiseksi. Luomassani kartassa näkyy Suomen kunnat. Mitä tummempi väritys siinä on, sitä enemmän maahanmuuttoa sinne on kohdistunut.
Jo ennen kartan tekoa oli mahdollista yleistiedolla arvioida, että pääkaupunkiseudulle on kohdistunut paljon maahanmuuttoa. Myös muut suuremmat kaupungit olivat todennäköisiä kohteita, mutta niiden painoarvoa en pystynyt ennalta arvioimaan. Maahanmuuton suhteelliset erot ovat pääosin melko pieniä, vaikka kartalla erot ovat suuria. Jokainen geoinformatiikan ohjelmilla tehty kertta on hieman erilainen. Siksi niitä ei tule verrata suoraan vaan katsottava, millaisia luokkajakoja ja painotuksia kartassa on. Ilman pohtimista ja tarkastelua voi mikä tahansa kartta tarjota heikkoa informaatiota. Kartta on onnistunut visuaalinen esitys, jossa ensikatsomalla näkee jo tummuuseroista missä on jotakin enemmän ja missä vähemmän. Kartan informatiivisuus vaati kuitenkin legendaan tutustumista ja Suomen väestön sijoittumisen tuntemusta.
Halusin tuoda esiin silti pienetkin erot, sillä maahanmuuton suhteen ne kertovat alueista paljon. Jopa yhden prosentin osuus maahanmuutosta esimerkiksi pohjois Suomessa on merkittävä Suomen mittakaavassa, koska suhteellisesta maahanmuutost suurimman siivun nappaa lähes aina pääkaupunki ja sen lähistö. Esimerkiksi Rovaniemen alue voi hyötyä pienestäkin maahanmuutosta työvoiman lisänä ja mahdollisena syntyvyyden lisääntymisenä. On mahdollista, että sijoittelu ei ole ollut maahanmuuttajien oma valinta, mutta sijoittelu palveluita tarjoaviin keskuksiin on käytännöllinen ja järkevä. Suomessa on paljon alueita, joissa on hyvin harvaa asutusta ja vielä harvempaa palvelutarjontaa. Tällaisille alueille ei olisi mielekästä sijoittaa henkilöä, jolla ei tukiverkostoa, työpaikkaa tai kielitaitoa.
Silmääni miellyttää se, että vihreitä alueita on lähes joka puolella Suomea, eikä vain pääkaupunki. Koen autioitumisen suurena uhkana, jonka ehkäisyyn tulisi panostaa kunnolla. Alle prosentin suhteellinen maahanmuutto ei kuitenkaan vielä riitä korjaamaan ongelmaa. Toivon, että mikäli tekisin saman kartan viiden vuoden päästä, näyttäisi kartta tummemman vihreältä ympäri Suomea. Yksi keino tämän saavuttamiseen olisi parantaa muidenkin kuin pääkaupungin toimivuutta, kutsuvuutta ja saavutettavuutta eri tasoilla.
Yksi ominaisuustieto väestöstä ei tietysti riitä kuvaamaan sen nykytilaa. Vertasin omaa karttaani Leena Rantamaulan, Mikko Kangasmaan ja Flaminia Purasen karttoihin. Kukin heistä oli tarkastellut väestöä eri ominaisuuden perusteella, mutta niiden toisiaan tukeva informaatio oli huomattavaa. Rantamaula tarkasteli kuntien suhteellista työttömyyttä. Työttömyyttä esiintyi ympäri Suomea, mutta maahanmuuton suhteen kolmen suurimman luokan alueet voivat työttömyyden suhteen Suomessa melko hyvin. Kangasmaa puolestaan tarkasteli väestön muuttumista, mikä oli yllätyksekseni lähes täysin omia alueita vastaavilla osilla muuttovoittoinen. Puranen tarkasteli Suomea eläkeläisten suhteellisen osuuden mukaan, mikä oli hyvin alhainen maahanmuuton suhteellisesti suurimmilla alueilla.
Näistä havainnoista voi päätellä, että maahanmuutto joko edistää väestön ja kunnan hyvinvointia tai tasoittaa sitä. Osa syy näihin samansuuntaisiin tuloksiin on Suomen itäosien ja muiden harvaan asuttujen alueiden kuihtuminen ja väestön vanheneminen. Kausaalisuhdetta havaintojeni välillä ei ole, mutta samansuuntaiset tulokset voivat kertoa siitä, että monen asian summa tuottaa kunnan hyvinvointia. Maahanmuutto, nettomuutto ja työllisyys voivat olla merkittäviä tekijöitä kunnan ikärakenteen, hyvinvoinnin ja tulevaisuuden kannalta.
Geoinformatiikka voi olla pelottavaa, turhauttavaa ja vaikeasti ymmärrettävää. Ainakin, jos sitä ei ole koskaan tehnyt tai siihen erityisemmin paneutunut. Omalla kohdallani se on kuin matematiikkaa: Se toimii elementeillä, jotka voivat aluksi tuntua vaikeaselkoisilta. Kun logiikan oivaltaa ja palasia oppii käyttämään, on se loppujen lopuksi loogista ja yksinkertaista toimintaa, jossa täytyy vain yksinkertaisesti tietää, miten palikat sopivat toisiinsa.
Lähteet:
Kangasmaa, M. blogi kurssikerralta 1. Käytetty 19.01.2020 https://blogs.helsinki.fi/kanmikko/
Puranen, F. blogi kurssikerralta 1. Käytetty 19.01.2020 https://blogs.helsinki.fi/flaminia/
Rantamaula, L. blogi kurssikerralta 1. Käytetty 19.01.2020 https://blogs.helsinki.fi/rale/