Kurssikerta 5 – Bufferi Lohikäärme

MapInfo on paikkatieto-ohjelmana paljon muutakin, kuin värikkäitä koropleettikarttoja ja hassuja 3D-karttoja – se on nimittäin myös monipuolinen työkalu, jota voi käyttää suunnittelun ja päätöksenteon tukena. Edellisessä kirjoituksessani pääsin juuri sanomasta, että ohjelmaan alkaa olla jo jotain tuntumaa, mutta kummasti 5. kurssikerta palautti taas maanpinnalle, mitä taitoihin tulee. Tai sitten unohdin ottaa ne Artun peräänkuuluttamat ”paremmat aivot” mukaan. Niin tai näin, niin puhutaanpa hetki puskureista.

Pohjustimme kurssikertaa jo edellisellä tunnilla, kun merkkasimme Pornaisten keskusta-alueelta taloja ja teitä piste- ja viivakohteina. Koska karttalehti oli rekisteröity, eli se sisälsi myös koordinaattitietoa, niin jokaiseen kartalle tehtyyn objektiin tallentui sijaintitiedot. Puskuroinnissa valitun objektin ympärille luodaan säteeltään halutun kokoinen alue, josta voimme tarkastella ja laskea sen sisälle jääviä kohteita. Harjoituksessa laskimme väestöä, jotka asuvat tietyn etäisyyden päästä pääteistä, sekä asutuksen määrää terveyskeskuksen ja koulun ympäristössä.

Bufferoinnista on moneksi – liikehuoneistojen sijainti- ja saavutettavuus analyysit, kiinteistöhuollon tehtävät, suojelualueiden kartoittaminen, melu- ja suojarajojen määrittely (esimerkiksi Puolustusvoimien ampuma-alueet, tuulivoimalat) reittioptimointi, tai vaikkapa väestönsuojien sijoittaminen onnistuu, kunhan vain on tarvittavat aineistot ovat saatavilla ja molemmat aivopuoliskot käytössä. Harjoittelimme puskurointia itsenäisesti mielenkiintoisten tehtävien parissa, jotka haastoivat ajattelemaan, sekä soveltamaan aiempien kurssikertojen oppeja.

Laskimme Malmin ja Helsinki-Vantaan lentokenttien melurajojen sisäpuolella asuvien määrä, sekä juna-asemien ympäristössä asuvia. Tehtävät tuntuivat heti jotenkin ”konkreettisilta”, jotain mitä voisi tehdä oikeastikin tulevaisuudessa. Mihin kannattaa sijoittaa vaikkapa uuden metrolinjan asemat? Millaista ostovoimaa löytyy Kalasataman, tai Pasilan uusien keskuksien vaikutuspiirissä asuvilta ihmisiltä? *Klik*, *klik* ja johonkin sinne 30 auki olevan ikkunan joukkoon avautui vielä yksi, josta saattaa löytyä vastaus haluttuun kysymykseen.

Omalla kohdallani tehtävien tekemisessä ongelmaksi muodostui kokonaiskuvan hallinta. Muutkin ovat kohdanneet vastaavanlaisia ongelmia, kuten Mia Hyödynmaa (2016) blogissaan kirjoittaa ”Mielestäni hankalinta MapInfon kanssa on vielä todella ymmärtää mitä milloinkin pitää tehdä. Mitä arvoja tarvitaan? Lasketaanko arvoa vai summaa?” Tämän voin kyllä allekirjoittaa ja itseäni lohduttaakseni pistän ohjelman kanssa suoritetut sekoilut harjoituksen puutteeksi. Periaatteessa (ja ehkä käytännössäkin) ymmärsin kyllä mitä ja miten joku kannattaisi tehdä, mutta toteutuspuoli ontuu, kun emme ole tehneet vielä sinunkauppoja MapInfon kanssa. ”Pitäisikö tämä query52 tallentaa johonkin? Mihin **** sarakkeeseen se tieto nyt oikein siirtyi, tai oikeammin miksi se ei siirtynyt mihinkään? Oho, hups! Olisi ehkä pitänyt tallentaa workspace!” ja tätä rataa. Kaikesta huolimatta tehtäviin alkoi löytymään vastauksia (taulukko 1), kunhan oli ensiksi kokeillut kaikki muut vaihtoehdot.

Vastausten tulkintakin oli jossain tapauksissa hankalaa. Onko 82 000 henkilöä oikea kokoluokka, vai onkohan tullut laskettua jotain väärin? Ehkä tietoja yhdistäessä on tullut tehtyä väärä laskukaava? Mikäli saatu tulos vaikuttaa järjellisestä, niin se saattaa helposti mennä läpi ilman kyseenalaistamista. Epäselvyyksiä aiheuttaa myös taulukoissa käytettävät lyhenteet – seliteosa olisi monesti hyödyllinen, jotta tietäisi mitä jossakin sarakkeessa kuvataan.

Taulukko 1. Kurssikerran tehtävien vastaukset

Itsenäistehtäväksi valitsin tehtävän putkiremonteista, koska aihe tuntui mielenkiintoiselta. Työ- ja elinkeinoministeriön tutkimuksen mukaan 44 % maan asunnoista on kerrostaloissa ja näistä 570 000 asuntoa olisi rakennettu 1960 ja 1970-luvuilla (TEM 2015). Luvassa on siis melkoinen putkiremontti-putki. Parin tunnin päästä suunnittelin jo koneremonttia, sillä seinä nousi vastaan tietojen siirtämisessä. Mikä sen mukavampaa, kuin aina pitkään pähkäillyn ”queryn”, tai ”update columnin” jälkeen MapInfo heittää pois ohjelmasta ja takaisin tulessa vastassa on ”Sori, ei valittu mitään” –tyyppinen ilmoitus?

Aloitin tehtävän monta kertaa puhtaalta pöydältä ja pala palalta taulukkoon alkoi löytymään oikeita tietoja. Lopullinen tehtävässä vaadittu koropleettikartta putkiremonttitalojen osuudesta kaikkiin asuntoihin nähden on tätä kirjoittaessa vielä työn alla. Sain tehtyä kartan, jossa näkyy kaikki vuosina 1965–1970 rakennetut kerrostalot (kuva 1). Kohteet menevät kartassa pitkälti päällekkäin zoomaus-tasosta ja pisteiden koosta johtuen, joten yksittäisten kohteiden (1204 kpl) havainnointi on vaikeaa. Elinkeinorakenteen myllerryksen ja sen aiheuttaman työttömyyden johdosto maassamuutto suuntautui maalta kaupunkeihin. Vastauksena väkiluvun kasvuun rakennettiin ”nykyaikaisia” kerrostalolähiöitä kasvavan väestön tarpeisiin: Myllypuro, Kontula, Mellunmäki, Keski-Vuosaari, Oulunkylä, Siltavuori, Simonkylä, Louhela, Martinlaakso jne.

Kuva 1. Pistekartta vuonna 1965–1970 rakennettujen kerrostalojen sijainnista. (Lähde: OpenStreetMap ja kurssiaineisto)

Kuva 1. Pistekartta vuonna 1965–1970 rakennettujen kerrostalojen sijainnista. (Lähde: OpenStreetMap ja kurssiaineisto)

Yleisesti ottaen tuntuu, että tällä kokemuksen määrällä ohjelman tarjoama potentiaali jää vajaakäytölle. Erilaiset haut, tietokantojen yhdistäminen ja visualisointi ovat eittämättä ohjelmiston työkalupakin keskeisimpiä tekijöitä. Perusasioita täytyisi tehdä huomattavasti nykyistä enemmän, että toiminnot ja niiden vaikutuksen oppisi paremmin. Tosin yhtä tärkeää on myös se, mitä saadulla tiedolla tekee. Kartan pitäisi pikemminkin olla analyysin tukena, eikä välttämättä itse analysoinnin kohde (tulkitaan mitä visuaalisesti näkyy ja missä on eniten palleroita). Tämäkin vaatii itsensä kehittämistä. Tiedostaen tosin sen, ettei kaikista kurssikerroilla laadituista aineistoista nyt vaan voi olla omaa tietoa, joten silloin korostuu tiedonhaku ja lähteiden etsiminen.

Lähteet:

Hyödynmaa, M. (2016). Viikko 5 – MapInfo ilman karttojen tuottamista. https://blogs.helsinki.fi/hymihymi/ Luettu 29.2.2016

Työ- ja elinkeinoministeriö (2015). Kyselytutkimus suomalaisen kerrostalokannan todellisesta korjauspotentiaalista. TEM raportteja 61:2015 https://www.tem.fi/files/44115/TEMrap_61_2015_web_22102015.pdf Luettu 23.2.2016

Kurssikerta 4 – Ruudun takaa

Pakertaminen mapInfon parissa jatkui jälleen uusien aiheiden parissa. Tällä kurssikerralla laadimme karttapohjien päälle ruudukoita, joihin siirsimme tietoa esitettäväksi – ruutukarttoja siis! Aikaisemmat kosketukset ruutukarttaan liittyivät PAK-kursseihin, joissa sijoiteltiin pallukoita ruutuihin asukasmäärien mukaan ja laskettiin maankäytön osuuksia. Kumpikin oli aikaa vievää ja rehellisesti sanottuna hieman puuduttavaa, joten toivon mapInfosta löytyvän taikanapin ruutujen käsittelyyn. Taikanappia ei löytynyt, mutta ohjelma suorittaa haluttuja toimintoja varsin mutkattomasti, kunhan taas jälleen kerran tietää mitä on tekemässä. Lievästi nuivat asenteet ohjelmaa kohtaan ovat alkaneet lientymään, kun kurssin edetessä on ymmärtänyt käsittelevänsä ihan oikeaa paikkatieto-ohjelmaa, joka tekee juuri sitä, mitä käyttäjä käskee tekemään. Vääristä valinnoista, luokkaväleistä, värityksestä, puutteista ynnä muista valituksen aiheista kun voi pääsääntöisesti syyttää vain itseään.

Ruutukartan luominen aloitetaan niinkin mielikuvituksellisella tavalla, kuin luomalla ruudukko. Tätä vaihetta ei pidä väheksyä, sillä jo heti ensimmäinen vaihe on ratkaisevin lopputuloksen kannalta. Esitettävän asian kannalta kun on merkitystä minkä kokoisen ruudukolla tietoa meinaa esittää. Tähän vaikuttanee jo käytettävän kartta-alueen koko. Suomen kokoista aluetta ei liene järkevää lähteä esittämään 5 m x 5m ruudukossa, kun taas kuntatasolla jo 500 m x 500 voi olla liian suuri. Joka tapauksessa ruutukartta yleistää sijaintia, joten mikäli haluaa esittää tarkasti jonkun asian esiintyvyyttä, niin pistekartta soveltuu siihen paremmin. Ruutukartta onkin eräänlainen koropleettikartta, jossa ruutujen värillä kerrotaan kuvattavasta muuttujasta, mutta erona ovat käytettävät arvot. Ruutukartalla voidaan kuvata absoluuttisia arvoja, joten sillä onnistuu tarkkojen arvojen havainnointi esim. kuinka monta ihmistä asuu alueella X. Valittu ruutujen koko vaikuttaa esitystarkkuuteen, mutta koska jokainen ruutu on aina samankokoinen, niin alueita voidaan verrata keskenään.

Saimme tehtäväksi laatia ruutukartan Pk-seudulta käyttäen haluamaamme muuttujaa ja ruutukokoa. Aineistona meillä oli HSY:n seutucd:n tietokantoja vuodelta 2009, sekä OpenStreetMap-karttapohja. Tämä olikin miellyttävä ominaisuus, sillä selkeän taustakartan avulla hahmottaminen on helpompaa. Ohjelma myös mahdollistaa käytännössä minkä tahansa karttapohjan käyttämisen taustalla, kunhan sen ensiksi sitoo ohjelman ymmärtämään koordinaatiojärjestelmään. TAK-kurssilla laaditut kartat muuttuisivat hovikelpoisiksi paikkatietomateriaaliksi, mikäli maastokartan digitalisoitu versio olisi ollut koordinaatistossa.

Yhtä kaikki, päädyin tekemään karttani ulkomaan kansalaisten sijoittumisesta Pk-seudulla käyttäen 500 m x 500 m ruutukokoa, eli jokainen ruutu vastaa 25 ha (tai 0.25 km²). (kuva 1) ”ulkomaalaisella tarkoitetaan henkilöä, joka ei ole Suomen kansalainen” (Kansalaisuuslaki, Tilastokeskus). Täytyy siis pitää mielessä, ettei kartta kerro mitään ulkomaalaistaustaisten osuudesta, joka voi olla hyvinkin erilainen nyt laadittuun karttaan verrattuna. Toinen seikka liittyy Kauniaiseen, tai pikemminkin reikään sen kohdalla. Kauniainen on joko Suomen ksenofobisin kunta, tai sitten datasta puuttuu kokonaan Kauniaisen tiedot. Salla Marttila teki oman karttansa muunkielisen väestön jakautumisesta (Marttila 2016). Sallan karttaa tulkitsemalla havaitaan, että Kauniaisissa puhutaan kyllä äidinkielenään myös jotain muuta kieltä kuin suomea, tai ruotsia. Mielenkiintoista…

Kuva 1. Ulkomaan kansalaisten sijoittuminen Pk-seudulla käyttäen 500 m x 500 m ruutukokoa. (Lähde: HSY:n seutucd09 ja OpenStreetMap)

Kuva 1. Ulkomaan kansalaisten sijoittuminen Pk-seudulla käyttäen 500 m x 500 m ruutukokoa. (Lähde: HSY:n seutucd09 ja OpenStreetMap)

Ulkomaalaiset näyttäisivät keskittyvän pääsääntöisesti Kehä III:n eteläpuolelle. Poikkeuksena Vantaa, jossa Tuusulan ja Lahdenväylän välinen sektori kurkottaa kohti Keravaa (tästä tulikin mieleeni, että olisi voinut olla hyödyllistä lisätä tieväylät sekä kuntarajat näkyviin). Helsingissä keskittyminä erottuvat kantakaupunki, itäiset kaupunginosat kuten Myllypuro, Kontula, Länsimäki ja Vuosaari (metron varrella). Luoteesta löytyy radan varrelta Malminkartano, Kannelmäki ja Pohjois-Haaga. Espoosta erottuu selvinä keskuksina Espoon keskus, Matinkylä, Kivenlahti-Soukan – seutu, sekä Otaniemi. Vantaalla, Myyrmäki-Martinlaakso, Hakunila, Tikkurilan ympäristö ja Rekola. Paria poikkeusta lukuun ottamatta alueita, jotka eivät ole profiloituneet ehkä sinne kaikkein kirkkaimpaan luokkaan mitä tulee työllisyys, – koulutus- ja tuloasteeseen (Helsingin kaupunki, tietokeskus). Toki osa paikoista erottuu lähinnä ulkomaalaisten opiskelijoiden, tai työntekijöiden johdosta (Otaniemi, kantakaupunki). Olisi mielenkiintoista tutkia onko eri kansalaisuusryhmien välillä eroavaisuuksia sijoittumisen suhteen. Eroaako Espoon ulkomaalaisväestö jotenkin Vantaalla asuvista ulkomaalaisista? Onko Itä-Helsingissä eroa Pohjois-Helsinkiin?

Tein myös toisen kartan, mutta tällä kertaa eri aineistosta ja eri ruutukoolla (kuva 2). Kartassa on kuvattuna aluetehokkuus Pk-seudulla. Aluetehokkuus ilmaisee ”rakennetun kerrosalan määrän suhteessa maa-alaan (yksikkö m²)” (HSY). Ruudusta on laskettu kerrostietoala, joka on jaettu maa-alalla. Koska jokaisen ruudun pinta-ala on sama, niin ainoastaan kerrosala toimii tässä muuttujana. Mitä punaisempi ruutu on, sitä tiiviimpää on rakennuskanta ja sitä myöten kerrosalaa on enemmän. Luku on suurin Helsingin kantakaupungista Pasila-Meilahti – linjalle. Suurimmillaan suhdeluku on lähemmäs 4, joka tarkoittaa että rakennettua pinta-alaa on lähes neljä kertaa enemmän, kuin maa-alaa. Nämä ruudut sijoittuvat aivan Helsingin ydinkeskustaan (kuva 3)

Kuva 2. Aluetehokkuus Pk-seudulla käyttäen 250m x 250 m ruutukokoa. (Lähde: HSY rakennustietoruudukko 2013, avoin data. Open StreetMap)

Kuva 2. Aluetehokkuus Pk-seudulla käyttäen 250m x 250 m ruutukokoa. (Lähde: HSY rakennustietoruudukko 2013, avoin data. Open StreetMap)

Kuva 3. PK-seudun seitsemän aluetehokkuudeltaan suurinta ruutua (arvot välillä 3.10 – 3.90). Mitähän mahtaa sijaita meressä Kauppatorin edustalla? (Lähde: HSY rakennustietoruudukko 2013, avoin data. Open StreetMap)

Kuva 3. PK-seudun seitsemän aluetehokkuudeltaan suurinta ruutua (arvot välillä 3.10 – 3.90). Mitähän mahtaa sijaita meressä Kauppatorin edustalla? (Lähde: HSY rakennustietoruudukko 2013, avoin data. Open StreetMap)

Datasta oli helppo laatia myös grid-teemakartta, jonka muutin 3D-muotoon, koska halusin katsoa miltä sama suhdeluku näyttää näin havainnollistettuna (kuva 4). En osannut lisätä 3D karttaan legendaa, enkä sen puoleen mitään muutakaan tulkintaa helpottavaa informaatiota, joten lopputulos vaikuttaa aika sekavalta. Parhaiten se toimiikin, kun vertaa sitä ylläolevaan ruutuaineistoon. Kartasta erottuvat piikkeinä tiheään rakennetut keskusta-alueet, suuret kauppakeskukset ja isot teollisuuden ja logistiikan keskukset. Harjoitukset jatkuvat, mutta oli mukava huomata kuinka osaa tuottaa jo jotain ”omaakin” ilman, että täytyy olla suorat kirjalliset ohjeet.

Kuva 4. Pk-seudun aluetehokkuus 250 m ruutukoolla muutettuna 3D-muotoon. (Lähde: HSY rakennustietoruudukko 2013)

Kuva 4. Pk-seudun aluetehokkuus 250 m ruutukoolla muutettuna 3D-muotoon. (Lähde: HSY rakennustietoruudukko 2013)

 

Kirjallisuus:

Helsingin seudun ympäristöpalvelut. Tietokuvaukset, rakennustietoruudukko.<https://www.hsy.fi/sites/AvoinData/AvoinData/SYT/Tietoyhteistyoyksikko/Rakennustietoruudukko.pdf > Luettu 11.2.2016

Helsingin seudun ympäristöpalvelut. SeutuCD09.

Marttila, S. (2016). KK4: Ruuturiesa. < https://blogs.helsinki.fi/sallamar/ >Luettu 12.2.2016

Siirtolaisuus IV (2004). Tilastokeskus, Helsinki 4.7.2004 http://www.stat.fi/tup/tietoaika/tilaajat/ta_06_04_nieminen.html Luettu 11.2.2016

Vilkama, K., H. Lönnqvist, J. Väliniemi-Laurson, & M. Tuominen. (2014).Erilaistuva pääkaupunkiseutu. Sosioekonomiset erot alueittain 2002–2012. Tutkimuksia – Helsingin kaupungin tietokeskus 2014: 1 <http://www.hel.fi/hel2/helsinginseutu/liitteet/PKS_erilaistuva_seutu_tieke.pdf >Luettu 12.2.2016

Kurssikerta 3 – Konflikteja ja valuma-alueita

Kolmannella kurssikerralla menimme jo askeleen syvemmälle mapInfon maailmaan. Kuten aikaisemmin kirjoitin, niin ohjelmaan on mahdollista tuoda ja liittää tietoa ulkoisista lähteistä. Kurssikerran harjoitus ja tehtävät simuloivatkin mielestäni hyvin tilanteita, joita todennäköisesti tulee vastaan tulevaisuudessa. Jos miettii työelämää (ja mahdollisia harjoittelupaikkoja), niin tuskin pääsemme niin helpolla, että joku on kerännyt datan ja tehnyt pohjatyön valmiiksi, jolloin tehtäväksi jäisi avata valmis tiedosto (ja pähkäillä puolituntia käytettävää luokkajakoa) ja tuottaa joku ohjelman tarjoamista karttavaihtoehdoista.

Todennäköisempää on, että tieto on levällään ja se pitää ensiksi hakea eri tahojen tarjoamista aineistoista ja koostaa itse yhtenäiseksi tietokannaksi ohjelmiston avulla. MapInfossa on tähän useita vaihtoehtoja. Eri tietokantojen sisältämää tietoa voidaan yhdistää yhteisen tekijän avulla (joka voi olla esim. maakoodi), jolloin ohjelma etsii annetun tekijän vastaavuudet ja yhdistää tietoja tämän perusteella. Tietokantaan voidaan lisätä itse uusia sarakkeita, joihin voidaan siirtää dataa muista taulukoista yksinkertaisesti osoittamalla mitä siirretään ja mistä siirretään, sekä mihin siirretään. Toimenpiteet ovat lopulta aika simppeleitä ja suurin osa tietojen liittämiseen tarvittavista toiminnoista tehdään hakuvalintojen kautta (query select/SQL select). Mikäli tieto on ohjelman ulkopuolella esimerkiksi Excel-aineistona, tai muussa tekstimuodossa on tärkeää, että se ”siivotaan” ohjelman ymmärtämään muotoon. Tämä tarkoittaa käytännössä sitä, että sarakkeista täytyisi olla joku yhdistävä tekijä mapInfon tietokantojen kanssa, jotta yhdistäminen onnistuisi mutkattomasti.

Toimintaa harjoiteltiin siirtämällä Afrikan valtioiden tietoja sisältävään taulukkoon muutama ylimääräinen rivi. Alkutilanne oli, että meillä oli karttapohja, jonka tietokannassa oli valtiot ja niiden koodit. Tähän lisäsimme tiedot timanttikaivosten, öljyesiintymien ja konfliktien sijainnista. Lisäksi laskimme Internetin läpäisevyyden eri valtioille (yhteyksien määrä/väkiluku). Tuhmuuksia suunnittelevan virkamiehen kannattaisi harrastaa laittomuuksiaan maassa, jossa yhteyksien määrä on vähäinen, sillä sosiaalinen media oli avainasemassa Arabikevään laajenemisessa. Esimerkiksi Tunisiassa Facebook toimi tiedon välittäjänä ja väkijoukkojen mobilisoinnissa (Khondker 2011) Levottomuuksien levitessä Egyptiin se blokkasi ensin pääsyn Twitteriin ja Facebookiin, jonka jälkeen pääsy Internettiin estettiin kokonaan. (Stepanova 2011)

Tietojen yhdistäminen sujui aika helposti, kunhan vain seurasi ja toisti tarkasti saman, mitä Arttu teki edessä. Tuotetusta kartasta tuli seuraavanlainen (kuva1):

Kuva 1. Kartta Afrikan timanttikaivoksista, öljykentistä ja konflikteista

Kuva 1. Kartta Afrikan timanttikaivoksista, öljykentistä ja konflikteista

Tein kartasta myös toisen version koettaen käyttää 2. kurssikerran oppeja (kuva 2.)

Kuva 2. Yhdistetty koropleettikartta ja ympärädiagrammi konfliktien esiintymisestä, sekä öljy- ja timanttiesiintymien sijainnista

Kuva 2. Yhdistetty koropleettikartta ja ympärädiagrammi konfliktien esiintymisestä, sekä öljy- ja timanttiesiintymien sijainnista

Kiitos muinoin alueella liplatelleen Tethysmeren on Pohjois-Afrikkaan kasaantunut suurin osa mantereen öljyesiintymistä, kun taas timanttikaivoksia näyttäisi olevan eniten Etelä-Afrikassa ja länsirannikolla. Konfliktit näyttäisivät muodostavan löyhän vyöhykkeen Malista Somaliaan ulottuvalla linjalla, sekä muodostavan tiheämpiä klustereita Sierra Leonen, Liberian ja Sudanin alueella.

Nopealla vilkaisulla näyttäisi siltä, ettei mantereelta löydy montaa valtiota, jossa ei olisi ollut konflikteja. Tosin tulin miettineeksi myös miltä vuodelta konfliktien tiedot ovat, sillä esimerkiksi Libya näyttäisi olevan konflikteista vapaa, vaikka maassa käytiin sisällissota, joka päättyi Muammar Gaddafin hallinnon kaatumiseen 2011 (Kulmanen 2014). Konflikteja osoittavat vihreät pisteet näyttäisivät olevan Tunisian puolella, josta itse asiassa Arabikevään tapahtumisen katsotaan saaneen alkunsa (Globalis). Muita konflikteista vapaita alueita on Länsi-Afrikassa sijaitseva Mauritania, sekä idässä sijaitseva Tansania ja eteläiset sisämaavaltiot Malawi, Botswana ja Sambia. Näistä Tansanialla, Sambialla ja Botswanalla on timanttikaivoksia, joista varsinkin Botswana on hyötynyt, sillä vastuullinen timanttikaivostoiminta on nostanut ennen yhden maailman köyhimmistä valtioista kukoistukseen (Nocera 2008). Tansania taas elää matkailusta, sillä sen alueella sijaitsee Afrikan korkein vuori Kilimanjaro, sekä useita suojelualueita ja kansallispuistoja, joissa elää suuria villieläin-populaatioita. Malawi ja Sambia taasen löytyvät molemmat YK:n vähiten kehittyneiden valtioiden listalta (YK 2015). Ei siis mitenkään helposti nippuun laitettava ryhmä, vaikka yhteistä näille maille on, että jokainen niistä on ollut jossain historiansa vaiheessa siirtomaita ja kolonialismin alla. Vaikka olisikin helppoa ja houkuttelevaa todeta suora yhteys resurssien ja konfliktien määrässä, niin kuten opetettua – kannattaa katsoa poikkeuksia tuloksissa. Yksittäisten hyödykkeiden (kuten timantit, öljy ja kokaiini) ja sisällissotien välistä yhteyttä ovat tutkineet mm. Collier ja Hoeffler (2004), joiden mielestä ” the extent of primary commodity exports is the strongest single influence on the risk of conflict” Toisessa tutkimuksessa taas ei löydetty yhteyttä tämän välillä Fearon & Laitin (2003). Esimerkiksi Sierra Leonen sisällissodan yhtenä ”syynä” pidetään maan suuria timanttiesiintymiä. Tosin esim. Jangin mukaan (2012) timantit toimivat kuitenkin lähinnä sotatoimien rahoittamisen välineenä. Fearonin mukaan (2005) taas esim. öljytuottajamaiden alttius sisällissodille johtuisi maiden heikommasta valtionhallinnosta, verrattuna maihin, joilla on sama bruttokansantuote. Ehkäpä konfliktit ovat seurasta resursseista, pikemminkin, kuin syy?

Kurssiblogissa (Paarlahti 2016) oli kartta, johon konfliktien yhteyteen oli bufferoitu taistelujen laajuus. Tämä on osittain havainnollisempi, kuin pelkkä pistekartta konfliktien sijainnista, sillä usein ne eivät jää pelkästään paikallisiksi. Toisaalta Nooralla (2016) on hyvä havainto omassa blogissaan siitä, että kyseessä on konfliktien maksimialueet, eikä aktiivinen sotatantere. Nyt kun bufferoitu maksimilaajuus peittää lähes koko mantereen, niin alkuperät hämärtyvät – mitkä konflikteista ovat levinneet ympäröiviin valtioihin? Kuinka voidaan ylipäätänsä selvittää, mikä kahakka liittyy mihinkin kokonaisuuteen? Toisaalta voi myös miettiä, että kun taistelut näyttäisivät leviävän huomattavasti resurssilähteiden ulkopuolelle, että niiden taustalla vaikuttaa myös muut valtion sisäiset syyt, kuin pelkät kiistat timantti- tai öljylähteistä.

Konfliktien tapahtumisvuoden ja resurssien löytymisvuoden perusteella voisi vertailla, kumpi on tapahtunut ennen toista ja onko näillä mahdollista yhteyttä toisiinsa. Tai onko lähteen ja kaivoksen tuottavuudella ollut vaikutusta konfliktiin. Arvioisin, että mikäli konfliktin alkujuuret ovat resursseissa, niin eskaloituminen laajemmaksi on suurempi, mitä kannattavampi esiintymä on. Toisaalta köyhässä valtiossa jo pienempikin löydös voi tuoda merkittävää parannusta esim. henkilökohtaisen poliittisen aseman avustamiseksi.

Jos olisi ollut aikaa, niin olisi mielenkiintoista tehdä esimerkiksi kartta bruttokansantuotteesta ja verrata sitä konfliktien esiintymiseen. Ovatko köyhyys ja sen mukanaan tuomat lieveilmiöt sisäisten konfliktien syntysiemeniä? Toki aikaisemmin mainitulla kolonialismillakin on osansa, sillä ne jättivät jälkeensä yksipuolisen tuotantorakenteen ja sisäisen valtataistelun. On myös huomioitava, että kolonialismin myötä syntyneet rajat eivät monestikaan noudattaneet paikallisia heimo- ja kyläyhteisön rajoja, joten monien konfliktien taustalla kytee myös etniset kiistat, tai maa-alueiden omistukseen liittyvät erimielisyydet. Afrikka on myös luonnonoloiltaan ja olosuhteiltaan vaihteleva ja haastava manner – kuivuudet, nälänhätä, pakolaisuus, eroosio yms, eivät katso öljy- tai timanttiesiintymiä. Taustalla vaikuttavien syiden kirjo on varmasti monenkirjava ja onkin surullista, että luonnonvaroiltaan rikas manner ei pääosin ole päässyt näistä hyötymään.

Valuma-alueista

Varsinainen viikkotehtävä oli laatia kartta valuma-alueista ja niiden järvisyydestä (ns. Tulvaindeksikartta). Pääsimme heti soveltamaan aikaisemmin opetettua, sillä tehtävän toteuttamiseksi tarvittava aineisto oli pilkottu eri tiedostoihin. Itseriittoinen hymy alkoi hyytymään melko nopeasti, kun ohjelmassa oli parhaimmillaan auki kymmenkunta ikkunaa ja tieto siitä, mitä missäkin on ja mitä seuraavaksi pitäisi tehdä, hävisi matkalla. Kun seurasi tarkasti annettuja ohjeita ja koetti olla räpeltämättä mitään ylimääräistä, niin lopulta tarvittavat tiedot oli samassa ikkunassa. Laskimme tulvaindeksin ”virtaamavaihtelujen indeksi” (keskiylivirtaama/keskialivirtaamalla), jonka pitäisi kertoa kuinka paljon korkein virtaama eroaa pienimmästä mitatusta. Toinen kartalle sijoitettu muuttuja kuvaa valuma-alueen järvisyyttä (kuinka monta prosenttia valuma-alueesta on järviä). Kuva 3.

Kuva 3. Valuma-aluiden tulvaindeksi ja järvisyys

Kuva 3. Valuma-aluiden tulvaindeksi ja järvisyys

Kartasta tuli varsin havainnollistava, mutta olisin voinut käyttää hetken luokkajaon miettimiseen, sillä nyt tehdyllä jaolla viimeinen luokkaväli on liian suuri, eikä kuvaa parhaiten aineiston jakaumaa. Suurin tulvaindeksi on Aurajoella (1100), kun seuraavaksi suurimman arvo (Halikonjoki) on 500. Parempaan lopputulokseen on päätynyt esim. Tommi omassa kartassaan käyttäessään luonnollisia välejä (Toikkanen 2016). Tällöin Aurajoki on yksin omassa luokassaan ja selvästi pienemmän virtaaman alueet jakaantuvat tasaisesti muihin luokkiin. Taas hyvä muistutus siitä, kuinka tärkeätä luokittelu on.

Mitä kartta sitten kertoo? Luokittelupuutteista huolimatta kartasta on pääteltävissä järvien osuuden ja tulvaindeksin välinen suhde. Missä järvisyyden osuus on suurempi, on tulvaindeksi pienempi. Suomenselkä ja Maanselkä erottuvat omina vedenjakaja-alueinaan. Valuma-alue on siis se alue, jolta vesistö kerää vetensä, kun vedenjakajat taasen erottavat valuma-alueita toisistaan. Pohjanmaa on pääsääntöisesti tasaista lakeutta ja joilta puuttuvat luonnolliset vesivarastot, jotka tasaavat tulvia. Suomenselällä järvien osuus on lähes 20 % valuma-alueiden alasta, jolloin niiden kyky tasata vettä heijastuu pienempänä tulvaindeksinä. Yleistettynä rannikkoalueilla indeksi on suurin ja Keski-Suomessa, Kainuussa ja Lapissa pienin. Toinen silmiinpistävä seikka on valuma-alueiden koko – näyttäisi nimittäin siltä, että Suomenselällä valuma-alueet ovat isompia verrattuna Maanselkään. Heikosti lepattava sisäinen Luma-liekkini sanoo, että veden kerääntymisen suuremmalta pinta-alalta täytyy kestää kauemmin, jolloin myös tulvaindeksi (tai tulvahuippu) tasoittuu. Mitro pohtii omassa blogissaan (Müller 2016) muita tulvaindeksin suuruuteen vaikuttavia tekijöitä, jotka vaikuttavat oikein järkeenkäyviltä.

Tallennettaessa valmista karttaa kuvaan ilmestyi kummallisia säteittäisiä katkoviivoja, jotka näyttäisivät lähtevän Viron rannikolta Haapsalun tienoilta. Näitä viivoja ei näy itse karttaikkunassa, vaan ne tulevat vasta lopulliseen kuvaan. Koetin tallentaa kartan eri tarkkuuksilla, mutta lopputulos oli sama. Tuskastuttavaa! Huomasin, että Tuomaksella on omassa kartassaan samanlaisia viivoja, jotka lähtevät vielä samasta pisteestä (tosin Rauman ja Porin välissä on oma veteen piirretty viiva) (Tavi 2016). Tästä täytynee ottaa Artulta selvää!

 

Kirjallisuus:

Collier, P., Hoeffler, A. (2004) Greed and grievance in civil war. Oxford Economic Papers 56, 563 – 595 <http://www.econ.nyu.edu/user/debraj/Courses/Readings/CollierHoeffler.pdf >Luettu 9.2.2016

Fearon, J. (2005). Primary Commodity Exports and Civil War. Journal of Conflict Resolution August 2005 vol. 49 no. 4 483-507 <http://jcr.sagepub.com/content/49/4/483.full.pdf+html >Luettu 9.2.2016

Globalis, Konfliktit, Arabikevät. <http://www.globalis.fi/Konfliktit/Arabikevaet >Luettu 9.2.2016

Khondker, H. (2011). Role of the New Media in the Arab Spring. Globalizations 8:5 <http://www.tandfonline.com/doi/abs/10.1080/14747731.2011.621287> Luettu 9.2.2016

Kulmanen, J. (2014). Afrikan unioni oli oikeassa Libyan suhteen. Yle 30.10.2014 <http://yle.fi/aihe/artikkeli/2014/10/30/afrikan-unioni-oli-oikeassa-libyan-suhteen >Luettu 9.2.2016

Müller, M. (2016). Kurssikerta 3: Internetin käyttöä, konflikteja ja virtaavaa vettä. <https://blogs.helsinki.fi/mcmitro/> Luettu 9.2.2016

Nocera, J. (2008). Diamonds Are Forever in Botswana. The New York Times 8.8.2008 <http://www.nytimes.com/2008/08/09/business/worldbusiness/09nocera.html?_r=0> Luettu 9.2.2016

Paarlahti, A. (2016). Konflikteja Afrikassa. https://blogs.helsinki.fi/pak-2016/ Luettu 8.3.2016

Rinne, N. (2016). The One with Afrika. https://blogs.helsinki.fi/noorarin/ Luettu 8.3.2016

Stepanova, E. (2011). The Role of Information Communication Technologies in the “Arab Spring”. Memo No. 159 <http://www.ponarseurasia.com/sites/default/files/policy-memos-pdf/pepm_159.pdf> Luettu 9.2.2016

Tavi, T. (2016). Valuma-alueiden ominaisuuksia ja sekavia palkkeja. <https://blogs.helsinki.fi/tugtavi/ >Luettu 9.2.2016

Toikkanen, T. (2016). Kurssikerta 3 <https://blogs.helsinki.fi/tgtoikka/ >Luettu 9.2.2016

United Nations (2015). List of least developed countries. <http://www.un.org/en/development/desa/policy/cdp/ldc/ldc_list.pdf >Luettu 9.2.2016

Yang, Y. (2012). The Causes of the Sierra Leone Civil War – Underlying Grievances and the Role of the Revolutionary United Front. <http://www.e-ir.info/2012/10/25/the-causes-of-the-sierra-leone-civil-war-underlying-grievances-and-the-role-of-the-revolutionary-united-front/> Luettu 9.2.2016

Kurssikerta 2 – Teemaa teeman päälle

MapInfon edellisestä käyttökerrasta oli kerennyt vierähtää jo lähes viikko, joten olin kerennyt unohtaa lähes kaiken ensimmäisellä kurssikerralla läpi käymistämme asioista. Ohjelma oli kerennyt kasvaa mielikuvissani takaisin epäkäytännölliseksi, pökkelöksi ja sangen kankeaksi, joten hieman taas epäilin tulevaa suoritusta.

Toisella kurssikerralla sukelsimme syvemmälle ohjelman tarjoamaan visualisointiin. MapInfolla voidaan laatia pistekarttoja, erilaisia diagrammikarttoja, ”gridejä”, graduated-teemakarttoja, 3D-karttoja jne. Kaikki onnistuu suhteellisen nopeasti, kunhan vain tietää mitä tekee. Kävimme alkuun Artun johdolla läpi eri ominaisuuksien hyviä ja huonoja puolia, sekä perehdyimme niiden soveltamiseen. Ideana kurssikerralla oli, että aina ei ole tarkoituksenmukaista esittää vain yhtä asiaa/kartta, vaan hyvin toteutettuna päällekkäisten teemojen käyttö visualisoi ja kohdentaa eri muuttujien välistä suhdetta.

Ja sitten hommiin!

Ensimmäisenä iskee valinnan vaikeus, sillä aineistoa on paljon ja sitä on vielä mahdollisuus liittää ulkopuolelta Excel-muodossa, jolloin käytössä ovat esimerkiksi Sotka-netin laajat tietokannat väestöstä, palveluista yms. Valittujen aiheiden tulisi mielellään liittyä jotenkin toisiinsa, jotta niitä olisi mielekästä vertailla. Kokeilin tehdä useammankin kartan ensiksi koko Suomen alueesta eri mittareilla, mutta lopputulos oli aina sekava, tai muuttujilla ei ollut järkevää yhteyttä. Esimerkki: muistan lukeneeni jostain, että avioeron ja koulutustason välillä on yhteys siten, että korkeakoulutetut eroaisivat muita vähemmän. Laadin aluksi koropleettikartan korkeakoulutettujen suhteellisesta osuudesta, jonka päälle gratuaded-teemakartan avioeroista siten, että symbolin koko kertoo avioerojen määrästä. Esimerkin väittämää ei lopullisesta kartasta pystynyt päättelemään, sillä molempien osuudet olivat suurimmillaan isoissa kaupungeissa ja keskuksissa. Tästähän olisi voinut tehdä virheellisen päätelmän, että korkeakoulutetut ovat muita hanakampia eroamaan.

Alueen rajaaminenkin tuotti välillä päänvaivaa, sillä usein rajatessa esim. maakuntatasolle, niin keskuskaupunki dominoi näyttämöä ja ympäryskuntien palkit litistyivät.

Lopulta useimpien yritysten jälkeen päädyin tekemään kartan Pohjois-Pohjanmaan työssäkäyvistä (%), työpaikkojen määrästä ja omassa kunnassa työssäkäyvistä. Pohjalla on tasamääräisillä luokilla laadittu koropleettikartta työssäkäyvien määrästä, jonka päälle on lisätty pylväsdiagrammikartta kuvaamaan alueen työpaikkojen määrää ja omassa kunnassa työssäkäyviä. (Kuva 1)

Kuva 1. Yhdistetty teemakartta Pohjois-Pohjanmaan työssäkäyvistä, sekä työssäkäyvien- ja työpaikkojen lukumäärästä

Pohjois-Pohjanmaa2

Lähde: Tilastokeskus

Työssäkäyvien osuus on suurin Oulun välittömässä läheisyydessä (ei niinkään Oulussa itsessään). Eteläpuolella sijaitsevat ympäryskunnat, Liminka, Kempele, Tyrnävä, Muhos ja Lumijoki ovat hyvin sidoksissa Oulun kasvuun. Ne ovat nuorekkaita ja muuttovoittoisia ja ihmisten työmatkaliikenne ylittää kuntarajoja. Vuonna 2009 päivätyssä Oulun seudun ilmastostrategiassa arvioidaan noin 20 000 ihmisen kulkevan päivittäin Ouluun töihin. Eniten työmatkalaisia olisi Haukiputaalta, Kempeleestä ja Kiimingistä. Oulusta muihin kuntiin taas arvioidaan suuntautuvan noin 8000 ihmisen päivittäinen työmatka. Nämä luvut ovat kuitenkin ilmeisesti vuosilta 2000 – 2004, joten voisi olettaa nykyään lukujen olevan vielä suurempia (Oulun seudun ilmastostrategia). Kartan eteläpuolelta erottuu myös toinen alue, nimittäin Ylivieska ympäryskuntineen. Ylivieska muodostaa viiden muun kunnan kanssa Ylivieskan seutukunnan. Alueella on hyvät kulkuyhteydet, siellä on paljon teollisuutta ja Kalajoki tuo alueelle matkailun työpaikkoja.

Pienin työssäkäyvien osuus on Pudasjärvellä, Taivalkoskella, Utajärvellä, Pyhäjärvellä ja Kärsämäellä. Nämä erottuivat myös aikaisemmin tekemästäni huoltosuhdetta kuvaavasta kartasta. Silmiini sattui myös Tuomas Pätärin mainio kartta kuntien pienituloisuusasteesta ja äänestysaktiivisuudesta (Pätäri 2016). Ei juurikaan yllättänyt mistä luokista löysin nämä omat ”kovan onnen” -kuntani – toisilla vaan menee vähän paremmin, kuin toisilla. Mielenkiintoinen juttu sinänsä, sillä luulisi heikohkon tilanteen heijastuvan äänestysaktivisuuteen (negatiivinen korrelaatio) ja saavan kansan uurnille. Ehkä eduskuntavaalit nähdään heikkona vaikutusmahdollisuutena? Mielenkiintoista olisikin nähdä onko kuntavaalien aktiivisuuden kanssa sama juttu, vai pysyykö kunnantalon valot pimeänä?

Kartastani olisi voinut tulla selkeämpikin, sillä nyt palkeista on vaikea tehdä tulkintoja. Esimerkiksi omassa kunnassa työssäkäyvien osuudesta on vaikea sanoa mitään, kun vertailukohtaa ei ole. Onko osuus paljon, vai vähän? Lisäksi työpaikkojen määrää on vaikea hahmottaa. Legendassa näkyvä lukuarvo 79 000 on todennäköisesti Oulun arvo, joten muut pylväät on skaalattu sen mukaan. Kehittämiskohteet tiedostaen on hyvä jatkaa kohti seuraavia kurssikertoja!

”Artikkeli 1”, Teemakartoista

Kun kartta on huolellisesti tehty (luokkia sopiva määrä, värit valittu ”oikein” ja muuttujat ovat järkeviä), niin päällekkäiset teemakartat onnistuvat välittämään hyvin tietoa alueellisesta vuorovaikutuksesta. Tämä vaatii kartografisia taitoja, jotta karttoihin perehtymättömätkin osaavat lukea karttaa. Toisaalta yksi kartantekemisen ensimmäisiä askeleita on pohtia kenelle kartta tehdään, eli kuka on kartan oletettu käyttäjäryhmä. Tämä ei kuitenkaan saa vaikuttaa itse kartan luettavuuteen ja selkeyteen – eihän nimittäin ole olemassa käyttäjäryhmää, jolle lähtökohtaisesti tehtäisiin epäselviä ja huonoja karttoja. Käyttötarkoitus siis ratkaisee. Joissakin tapauksessa riittää, että kartassa on vaadittu taso ja esittävä asia käy siitä ilmi (vaikkapa tieteellinen julkaisu), kun taas näyttävästi visualisoitu kartta voisi sopia paremmin koululaisryhmille, tai esityksen tueksi. Eri käyttäjäryhmille suunnatuissa kartoissa on se ongelma, että tieto voi jäädä muilta piiloon/ymmärtämättä. (Kinnunen et al. 1997)

Teemakartta on visualisoitua paikkatietoa. Tuplateemakartta tekee saman, mutta kertoo myös alueellisesta vuorovaikutuksesta. Leonowiczin (2006) artikkelissa käytetään eräänlaista hajontataulukkoa karttojen legendana. Tekstiä lukiessa en oikein käsittänyt periaatetta, mutta lopussa olevasta kuvasta hoksasin mistä on kyse. Idea on erinomainen, sillä siitä saa yhdellä vilkaisulla luettua jonkun alueen sijoittumisen kummallakin mittarilla. Molempien muuttujien selitteet ovat ikään kuin puristettu yhteen kuutioon. Kartasta voi etsiä alueen ja etsiä sitä vastaavan värin legendasta, jolloin myös luokat selviävät, tai toisinpäin. Mikäli kuvatekstin yhteyteen lisäisi lukuohjeen legendan tulkitsemiseksi, niin uskon, että moni saisi siitä enemmän irti, kuin tavallisesta legendasta, jossa molempien muuttujien arvot on kerrottu erikseen.

Yleisesti ottaen tässä vaiheessa oma tietotaito on rajoittavin tekijä karttoja laatiessa. Kun ohjelmilla on mahdollista tuottaa vaivattomasti helppoa peruskarttaa liukuhihnalta, niin vaaditaan enemmän ymmärrystä siihen mitä tuotetaan ja kuinka tuotetaan. Uskon, että taitojen kehittyessä myös ohjelmat kasvavat siinä rinnalla.

 

Kirjallisuus:

Kinnunen, I., Halme T. & Vaattovaara M (1997) Kartografisen viestinnän ongelmallinen olemus. Terra 109: 2, 77 – 85

Leonowicz. A. (2006) Two-variable choropleth maps as a useful tool for visualization of geographical relationship. GEOGRAFIJA 42: 1, 33 – 37

Oulun seudun ilmastostrategia (2009). Oulun kaupunki, Oulu. 2.2.2016 <http://www.ouka.fi/documents/64417/6b35350e-08ef-411a-b904-abfa45d89544 >

Pätäri, T. (2016). Äänekkäät rannikot, hiljaiset korvet. < https://blogs.helsinki.fi/ttpatari/ > Luettu 2.2.2016