Kurssi on tullut päätökseen ja sitä myöten on aika sinetöidä myös kurssiblogi. Kiitos opettajalle mielenkiintoisesta kurssista ja kiitokset myös blogin lukijoille.
Loppuun kurssin henkeen muokattu lainaus Stanley Kubrikin Kellopeliappelsiinista:
Alex: It’s funny how the colors of the real world only seem really real when you viddy them on the map.”
Hyvää kevättä!
-Niko
Viimeisellä kurssikerralla oli tarkoituksena hyödyntää edellisillä kerroilla opittua siten, että prosessi käytäisiin läpi aivan alusta pitäen, päätyen lopulta kauniisiin ja informatiivisiin karttoihin. Ihan niin syvälliseen ja perusteelliseen prosessiin ei onneksi tarvinnut ryhtyä, jossa aineistot tuotettaisiin ja kerättäisiin itse ja pohjakartatkin pitäisi piirtää joko Corelilla, tai MapInfolla. Kädet olivat vapaat, joten aiheen ja esitettävän asian sai valita mielensä mukaan.
Maailmaan mahtuu käsittämätön määrä erilaista tilastotietoa lähes mistä tahansa aiheesta, joten valinnanvaikeus iski kurssia edeltävänä iltana aiheita miettiessä. Keskiviikkoaamuna en ollut vieläkään aivan varma, mitä tulisin tekemään ja miltä alueelta, vaan selasin Eurostatin datapankkia toivoen jonkun mielenkiintoisen tilaston pistävän silmään. Lopulta minulla oli kerättynä Exceliin toistakymmentä saraketta, aiheiden vaihdellessa kalastussaaliiden määrästä liikennekuolemiin. Pikainen SPSS-analyysi aineistolle osoitti, että päällekkäistä koropleettikarttaa ei ainakaan näistä edellä mainituista kannattanut lähteä tekemään – harmi!
1. Kartta
Päädyin käyttämään valmista ensimmäiseltä kurssikerralta löytyvää pohjakarttaa, joten joutuisin tekemään itse kaksi karttaa (=4 muuttujaa). Rajasin alueeksi Euroopan, sillä olin kerännyt tietoni yksinomaan Eurostatin sivuilta. Siivosin Excel-taulukon huolellisesti, jotta siirrossa ja datojen yhdistämisessä ei tulisi MapInfon kanssa ongelmia. Lisäksi olin laskenut valmiiksi joihinkin sarakkeisiin suhteellisia osuuksia, koettaen näen minimoida riskejä. Ohjelman puolella kaikki sujui yllättävän kivuttomasti, joten oli helppo lähteä kokeilemaan erilaisia yhdistelmiä ja hyödyntää sitten toimivimmat ja mielenkiintoisimmat.
Yhtenä tietona minulla oli poliisien määrä, jonka laskin ja suhteutin väkilukuun sataatuhatta asukasta kohden. Saman tein myös rikosten määrälle, jolloin näitä voisi verrata keskenään. Absoluuttiset arvot vaihtelivat liikaa maiden välillä, esim. Italiassa oli vuonna 2007 liki 250 000 poliisia (väkiluku 58 miljoonaa), kun Iso-Britannian vastaavat luvut olivat 141 381 poliisia väkiluvun ollessa 61 miljoonaa. Suomen kanssa väkiluvultaan yhtäläisessä Slovakiassa poliisien määrä oli liki kolminkertainen meihin verrattuna. Mietin melko pitkään kuinka nämä tiedot esittäisin kokeillen läpi erilaisia karttavaihtoehtoja, mutta päädyin lopulta koropleettiin, josta käy ilmi rikosten määrä, jonka päällä pylväsdiagrammi kertoo poliisien suhteellisesta määrästä (kuva 1).
Kuva 1. Poliisin kirjaamat rikokset vuonna 2007 (/100 000 as.), sekä poliisien määrä (/100 000 as.) Lähde: Eurostat
Lopputuloksesta tuli aika mielenkiintoinen ja päädyin useampaankin kertaan takaisin Exceliin tutkailemaan arvoja, sillä kartta oli mielestäni jotenkin nurinkurinen. Ennakkokäsityksiin nojaamat mielikuvat olisivat sijoittaneet tulokset lähes päinvastoin. Mietin olinko tehnyt virheitä tallentaessa tietoja Exceliin ja pähkäilin myös tekemäni suhteuttamisen oikeellisuutta. Tietojen ollessa Excelissä omissa sarakkeissaan oli niitä helppo tarkastella myös tilastollisten muuttujien osalta. Siispä tein samasta datasta myös hajontadiagrammin sijoittaen poliisit Y-akselille ja rikokset X-akselille (kuva 2.) Lisäsin taulukkoon vielä regressiosuoran ja yhtälön, jotta ei tarvitsisi mennä pelkän arvailun varassa. Poliisien ja rikosten määrän välillä näyttäisi olevan negatiivinen korrelaatio, sillä poliisien määrän ollessa suuri on rikosten määrä pienempi. R² on 0,1284 josta neliöjuuri antaa selityskertoimeksi 0,358. Tästä saadaan Pearsonin korrelaatiokertoimen kautta selville, että tulos on tilastollisesti merkittävä 0,05 tasolla (N=29). Uskottava siis on! Kokeilin huvikseni samanlaista taulukkoa absoluuttisilla arvoilla ja tulos oli päinvastainen – siellä missä poliiseja oli paljon, niin myös rikosten määrä oli suurempi.
Kuva 2. Hajontataulukko rikoksien ja poliisien määrän suhteesta
Pitäisikö tästä ja kartasta sitten tehdä päätelmiä, että Pohjoismaissa ja Keski-Euroopassa on erityisen turvatonta ja Turkissa, Romaniassa, Bulgariassa ja Serbiassa kansalaiset saavat pyörittää arkeaan huolia vailla, sillä virkakoneisto turvaa ja palvelee? Ehkä, mutta epäilisin kyseessä olevan enemmänkin erilaisista kirjaamiskäytännöistä. Poliisien määrä voi olla pienempi, mutta koneisto ja hallinto tehokkaita ja laki jättää vähän tulkinnan varaa. Vastakohtana on sitten paisunut virkakoneisto, jossa käytännössä on puolet liikaa työntekijöitä, byrokratia ja kirjaamiskäytännöt lepsuja, tai epätarkkoja. Itä- ja Etelä-Euroopan suuret poliisimäärät ovat mielestäni pikemminkin tietynlaisen hallintomuodon ”jatke” ja tulos, kuin osoitus toimivasta järjestelmästä. Idässä kyseessä voi olla eräänlainen entisen Neuvostoliiton henkinen perinne – KGB:n varjo. Jostain syystä kartassa ei näy Norjan poliisien määrä, enkä ymmärrä syytä, sillä tiedot löytyvät taulukosta. En pikaisella yrityksellä saanut muutosta aikaan, joten tällä mennään.
Mitro on kuvannut omassa kartassaan väkivaltarikoksien määrää (Müller 2016) suhteutettuna sataatuhatta henkeä kohden ja päätynyt hauskasti pohtimaan kanssa tilastojen oikeellisuutta; ”Tässä vaiheessa kehtaan epäillä tietojen paikkansapitävyyttä joidenkin valtioiden kohdalla”. Eurostatia voi varmaankin pitää melko luotettavana lähteenä itsessään, mutta sitä en tiedä, kuinka he tiedot keräävät. Väkivaltarikoksienkin suhteen erot voivat johtua virkakoneiston erilaisista kirjaamiskäytännöistä. Sekä Mitro, että Jasmina Myllys (2016) omassa taskuvarkauksia Italiassa kuvaavassa kartassaan olivat päätyneet käyttämään aihetta havainnollistavia karttasymboloita. Jasmina kirjoittaa: ” Ehkä kartoissakin pitäisi enemmän käyttää toiminnalisia symboleita tylsien palluroiden sijaan, jotta lukijan aivot jaksaisivat keskittyä kartan analysointiin.” Nyt omat kankeat ja epäselvät pylväsdiagrammit alkoivat ärsyttämään jo itseäni.
2. Kartta
Jos ensimmäisen kanssa oli ongelmia aiheen valinnan kanssa, niin toinen tuotti vielä enemmän päänvaivaa, varsinkin toteutuspuolella. Koska uutisissa on viime aikoina puhuttu paljon hallituksen koulutusleikkauksista, niin päätin katsoa mitä tietoja Eurostatin sivuilta löytyisi aihetta liippaamaan. Löysinkin GBAORD:n (Goverment budget appropriations or outlays on R&D), josta valitsin kategoriaksi koulutuksen ja yksiköksi €/as. Ajankohdaksi valitsin vuoden 2013, jotta mahdollisimman monesta valtiosta olisi tiedot. Koulutuksesta tulikin nopeasti mieleen kansainvälinen PISA-vertailu, jossa Suomi on ollut eräänlainen mallioppilas ja esimerkki erinomaisesta koulujärjestelmästä. Etsin siis tietooni OECD:n sivuilta viimeisimmän testin (2012) tulokset. Kokeessa mitataan kolmea muuttujaa, lukemista, matematiikkaa ja luonnontieteitä ja maat pisteytetään erikseen kussakin kategoriassa. Laskin kolmen kategorian pisteet yhteen maittain, jolloin sain kokonaistuloksen. Mikä muu voisi kertoa koulutuksesta ja osaamisesta? Sivuilta löytyi tietoa myös patenttihakemusten määrästä ja mielestäni se olisi ihan hyvä indikaattori kertomaan väestön osaamistasosta. Niinpä valitsin yhdeksi muuttujaksi vielä patenttihakemusten määrän Euroopan patenttitoimistoon suhteutettuna miljoonaa asukasta kohden. Koska tilastosta löytyi aika kattavasti maakohtaista dataa pidemmältä aikaväliltä, niin laskin hakemukset yhteen aikaväliltä 2005–2010, jotta mahdolliset yhden vuoden heilahdukset eivät liikaa vaikuttaisi tulokseen.
Sitten alkoikin melkoinen päänsärky, kun aloin pistämään kerättyjä aineistoja kartalle. Alkoi jo kaduttamaan, että otin kolme muuttujaa, sillä niiden esittäminen sulavasti samalla pohjalla alkoi tuntumaan mahdottomalta. Olin kuitenkin tehnyt töitä aineistojen eteen, joten myös päätin saada ne näkyviin. Kokeilin gridiä, päällekkäisiä koropleettikarttoja eri esitystavoilla, erivärisiä pallukoita yms, mutta aina ongelmaksi tuli jonkin muuttujan epäselvyys. Lisäksi yksittäiset selvästi muuta aineistoa suuremmat poikkeamat vääristävät luokkia ja esitettävyys kärsi. Esimerkiksi Luxemburg käyttää koulutukseen huikeat 66,6€, joka on 3,6 kertaa enemmän, kuin toiseksi eniten käyttävällä Tanskalla.
Myös ohjelman puolella kankeus alkoi ärsyttämään, sillä esimerkiksi palkkien, tai varsinkin gridin sijaintia olisi hyvä saada muutettua, jotta suurempi kappale ei peittäisi pienempiä alleen. Kokeilin tehdä kaksi gridiä siten, että toinen kuvaisi patenttien määrää ja toinen budjettia, jolloin niitä voisi verrata rinnakkain. Eihän se tietenkään onnistunut, kun uusi muuttuja kuvautui suoraan vanhan päälle. Koetin kiertää tätä seuraavaksi tekemällä kaksi erillistä pylväsdiagrammia, mutta jälleen sama juttu. En tiedä onko näitä mahdollisuus ylipäätänsä siirtää, mutta ainakaan mistään kovin loogisesta paikasta en tuollaista ominaisuutta löytänyt. Välillä legendassa palkin kohdalla suurinta arvoa esittävä luku olikin väärään muuttujan arvo. Näiden kanssa tapellessa tuhraantui tolkuttomasti aikaa joten päädyin lopulta samaan malliin, kuin ensimmäisessä kartassani (kuva 3).
Kuva 3. Vuoden 2012 PISA-testin tulokset, sekä koulutukseen käytettävä budjetti/as. vuonna 2013. Sininen pylväs kuvaa vuosien 2005-2010 välillä jätettyjen patenttihakemusten määrää per miljoona asukasta.
Valtioiden koulutusbudjetista erottuu vain suurimmat panostajat, sillä yleisellä tasolla suurin osa käytti alle 2€/as. Tämä näkyy hyvin ohuena sinisenä viivana vihreän palkin vieressä, joten tästä ei juurikaan pysty päättelemään summia. Eniten koulutukseen käytti siis Luxemburg, seuraavaksi Tanska (18.2 €/as.), Norja (6 €/as.), Italia (5.6 €/as.) ja Itävalta (5.2 €/as.). Suomi käytti 0.5 €/as ja Ruotsi 0.6 €/as. sijoittuen listan loppupäähän. PISA-tulosten top5 taasen oli seuraavanlainen (pistemäärä sulkeissa):
Rahalla ei siis välttämättä ostella hyviä tuloksia, joskin täytyy muistaa että tilastot ovat vain yhden vuoden ajalta, jolloin asiaa pitäisi tarkastella pidemmällä jaksolla. Baltian maat muodostavat kartalla mielenkiintoisen sisarkolmikon; kaikki muuttajat näyttävät laskevan tasaisesti pohjoisesta etelään siirryttäessä. Ehkä kymmenen vuotta eteenpäin, niin Latvia ja Liettua ovat kaventaneet eroa pohjoiseen naapuriinsa, mutta tällä hetkellä Viro on omassa luokassaan koulutuksen budjetin ja PISA-tuloksen suhteen.
Vihreä palkki kuvaa Euroopan patenttitoimistoon jätettyjen patenttihakemusten yhteenlaskettua määrää vuosilta 2005-2010/miljoona asukasta. Top5 näyttää seuraavalta:
Pohjoismailla on varsin hyvä edustus tässä joukossa. Sattumalta silmiini osui myös ajankohtainen aihetta käsittelevä Helsingin Sanomien uutinen, jossa käsitellään myönnettyjen patenttien määrää (HS). Suomi on samalla listalla myös neljäntenä ja sijoitusta selitetään Nokian viestintä- ja tietoteknologian patenttimäärillä. Ihan järkeenkäypää, sillä isojen kansainvälisten yritysten sijoittuminen voi vaikuttaa paljonkin patenttihakemuksien määrään. Olisikin pitänyt ehkä tarkastella pikemminkin myönnettyjen patenttien määrää, kuin hakemuksia, sillä pelkkä hakemus ei sinänsä kerro vielä mitään.
Loppujen lopuksi pylväät eivät välttämättä ole paras vaihtoehto tässä kartassa, sillä arvoja on vaikea hahmottaa, vaikkakin keskinäinen kokovertailu onnistuu tyydyttävästi. Lukijalle arvot vaikkapa palkkiin (tai sen viereen) kirjoitettuna antaisivat kuitenkin enemmän pohjaa katselulle. En saanut näitä kuitenkaan näkyviin, joten koetin legendassa selventää arvoja hieman tarkemmin.
Lopuksi
Olen tyytyväinen molempien karttojen yleisilmeeseen, värit erottuvat ja ulkoasu on yleisesti selkeä. MapInfon käyttö sujui, vaikka ongelmia ja puutteita ilmenikin. Ohjelma ja sen käyttö ovat kuitenkin muuttuneet selkeämmiksi kurssin edetessä. Mikäli heti perään olisi toinen samanmoinen kurssi, niin uskon, että käyttötaidoissa olisi saavutettavissa ihan hyvä taso. Ohjelma vaatisi aktiivista käyttöä, sillä pelkäänpä että tulevien kurssien uudet ohjelmat sysäävät MapInfon syrjään. Uskon kuitenkin saavuttaneeni Artun (Paarlahti 2016) WebOodissa kurssille asettaman tavoitteen:
”Opiskelija tutustuu paikkatieto-ohjelmien mahdollisuuksiin kartografisessa viestinnässä. Opiskelija saa valmiudet käyttää paikkatieto-ohjelmia sekä tuottaa niiden avulla viimeisteltyjä painokelpoisia kartografisia esityksiä”
Kiitos kurssista!
Kirjallisuus:
Eurostat (2007). Police officers. http://ec.europa.eu/eurostat/data/database Luettu 2.3.2016
Eurostat (2007). Crimes recorded by police by offence category. http://ec.europa.eu/eurostat/data/database Luettu 2.3.2016
Eurostat (2013) Total GBAORD by NABS 2007 socio-economic objectives: Education.
http://ec.europa.eu/eurostat/data/database Luettu 2.3.2016
Eurostat (2005-2010). Patent applications to the European patent office (EPO) by priority year. http://ec.europa.eu/eurostat/data/database Luettu 2.3.2016
Lassila, A. (2016). Suomen patenttimaine on yhä täysin Nokian varassa. Helsingin Sanomat. Helsinki 3.3.2016. <http://www.hs.fi/talous/a1456973017510> Luettu 7.3.2016
Müller, M. (2016). Kurssikerta 7: Opit käyttöön. https://blogs.helsinki.fi/mcmitro/ Luettu 8.3.2016
Myllys, J. (2016). 7. kurssikerta: paikkatietoa italialaisittain. https://blogs.helsinki.fi/myllyjas/ Luettu 8.3.2016
OECD (2014). PISA 2012 results in focus: What 15-year-olds know and 42 what they can do with what they know.
<http://www.oecd.org/pisa/keyfindings/pisa-2012-results-overview.pdf >Luettu 2.3.2016
Paarlahti, A. (2016). Paikkatiedon hankinta, analyysi ja kartografia. Kurssikuvaus, tavoite. WebOodi, Helsinki.
The World Bank Group (2016). Population, total.
< http://data.worldbank.org/indicator/SP.POP.TOTL?page=1> Luettu 2.3.2016
Kurssikerta alkoi sopivasti pienellä happihyppelyllä, kun saimme tehtäväksi kerätä ja merkitä kymmenen valitsemamme kohteen koordinaatit käyttäen koulun GPS-laitetta. Oli mukava päästä tekemään ja tuottamaan itsekin ”paikkatietoa”, vaikka joukkoliikenteen pysäkkien sijainti on varmasti ollut hyvin tiedossa ilman meidän ryhmän panostakin. Tehtävän ideana oli näyttää, kuinka itse kerättyä materiaalia voidaan siirtää MapInfoon esitettäväksi kartalle. Toimenpiteet olivat yllättävän yksinkertaisia ja tehtävät tähän asti ehkä kurssin mielekkäimpiä.
Pistetiedon esittämisessä on pari kohtaa, jossa voi kompastua, mikäli ei ole tarkkana. Aineisto kerätään lähtökohtaisesti Excel-taulukoksi, jolloin se pitää tehdä mahdollisimman selkeäksi sarake- ja otsikkotasolla, jotta jatkokäyttö MapInfossa sujuisi vaivattomasti. Itse hieman yllätyin, kuinka hyvin taulukoiden tuominen ja geokoodaaminen sujui. MapInfon puolella sormi menisi ilman ohjeita suuhun, kun pisteille määritellään käytettävä koordinaattijärjestelmä ja projektio. Ohjeet olivat kuitenkin selkeitä ja Artun näyttäessä toimenpiteet edessä, ei ongelmia ilmennyt. Valittaessa käytettävät sarakkeet X ja Y -koordinaateille, joutuu tosin joka kerta pähkäilemään kumpi se nyt merkkasikaan latitudea ja longnitudea. Vastaus paljastuu viimeistään lopputuloksessa, kun pisteiden paikat heittävät häränpyllyä.
Kurssikerralla tuotettavien karttojen aiheena oli tällä kertaa hasardit ja niiden esittäminen. Lisämausteena tehtävässä oli, että valmiiden tuotoksien tulisi olla semmoisia, että niitä voisi käyttää opetuksen tukena kouluissa. Meillä oli aineistona eri organisaatioiden tuottamia tilastoja maanjäristyksistä, tulivuorista ja meteoriittien putoamispaikoista. Meitä kiinnostava tieto oli tapahtuman koordinaatit, joiden avulla havainnollistettava asia saadaan siirrettyä pisteenä kartalle. Tiedon siirtäminen sivustoilta Exceliin sujui hyvin pitkälti perinteisellä copy-paste –menetelmällä, jonka jälkeen syntynyttä taulukkoa täytyi hienosäätää – sarakkeet erotetaan omikseen ja pisteet korvataan pilkuilla. Jälkimmäisellä pyritään ehkäisemään Excelin fetissiä päivämääriä kohtaan, jonka kanssa tuli taisteltua jo ensimmäisellä kurssikerralla.
Päätin jättää meteoriittien putoamispaikat syrjään, sillä vaikka ne hasardeiksi lasketaankin, niin en oikein osannut mieltää niiden suhdetta, tai liittymistä kahteen muuhun aiheeseen. Toisekseen, meteoreiden määrästä voidaan kyllä päätellä tapahtumien yleisyyttä, mutta sijainti on sinänsä turha, koska putoamiset tuskin noudattavat mitään maantieteellistä jakaumaa, vaan kivi tipahtaa mihin tipahtaa. Löydösten suurempi määrä jollain alueella kertoneekin enemmän siitä, millaisia resursseja niiden etsimiseen on käytetty ja millainen on alueen asutus ja maa/kallioperä. Hakala Hanna (2016) oli tehnyt kartan kraattereiden sijainnista ja päätynyt samaan lopputulokseen ilmiön sattumanvaraisuudesta. Lisäksi huomio mereen pudonneiden meteoriittien puuttumisesta oli hyvä – koska lähes ¾ Maan pinta-alasta on merta, niin oletettavasti meteoriitteja päätyy paljon meriin, ilman mitään havaintoja.
Keskityin siis tulivuoriin ja maanjäristyksiin, ehkä jopa siinä määrin, että unohdin jossain vaiheessa tehtävänannon, kun aineistoa oli niin mielenkiintoista pyöritellä ja tarkastella kartalla. Karttaprojektioksi valitsin Robinsonin, joka lienee useimmille koululaisille se tutuin karttanäkymä Mercatorin ohella (tässä vaiheessahan vastuullinen maantiedon opettaja sitten selventää opiskelijoille, mikä vaikutus käytettävällä projektiolla on itse karttaan).
Aloitin maanjäristyksiä kuvaavalla kartalla (kuva 1), johon on merkitty kaikki yli 6:n magnitudin järistykset viime vuosisadan alusta lähtien. Valittu magnitudi ja aikaväli ovat mielestäni osuvia siinä mielessä, että pisteitä on vielä ihan järjellinen määrä ja laattojen reuna-alueet tulevat hyvin esille. Vihreä pallojono kiertää ja näyttää hyvin Tyynenmeren tulirenkaana tunnetun seismisesti aktiivisen alueen. Valitettavasti itse pohjakartta on tässä heikoin lenkki, sillä mainittu tulirengas leikkaantuu ikävästi. Tehtyyn työhön kuitenkin tyytyväisenä en jaksanut alkaa säätämään projektiota, tai karttalehteä sen koomin, vaan tyydyin käyttämään samaa pohjaa myös muissa kartoissa.
Kuva 1. Vähintään 6 magnitudin maanjäristykset alkaen vuodesta 1900. (Lähde: NCEDC)
Tulivuorista oli saatavilla monenlaista tietoa vuoren tyypistä, tiedetyistä purkauksista yms. Halusin tehdä kartan, joka ei niinkään tyytyisi toteamaan missä tulivuoria sijaitsee, vaan selvittämään aktiviisten tulivuorten sijaintia ja vaikutuksia (kuva 2).
Kuva 2. Vuoden 1964 jälkeen purkautuneet tulivuoret ja vähintään 1000 välitöntä uhria vaatineet purkaukset vuodesta 1750. (Lähde: NOAA)
Kuten kartasta havaitaan tulivuorten sijainti noudattaa pitkälti maanjäristyksien sijaintia. Tulivuoret sijaitsevat törmäysvyöhykkeillä, joten jäin tässä vaiheessa pohtimaan kolmatta karttaa, jotta mahdollinen yhteys vuorten tyypin, sijainnin ja tuhoisuuden suhteen kävisi ilmi. Opiskelijat voisivat esimerkiksi pohtia, miksi tuhoisimmat purkaukset näyttävät painottuvat tiettyihin paikkoihin? Mikä tulivuori tyyppi on kyseessä ja mikä tuhoisuuden aiheuttaa? Mikä muu voisi selittää uhrimääriä, tai tuhovaikutusta? Apuna voisi käyttää myös esimerkiksi väestötiheyttä kuvaavia karttoja (kuva 3).
Kuva 3. Ennuste väestöntiheydestä vuodelle 2015. (Lähde: FAO)
Pohdinnan tueksi laadin kolmannen karttani (kuva 4), josta ei tullut ehkä niin havainnollinen, kuin toivoin. Poimin karttaan kaikki kilpi-, keila ja vedenalaiset tulivuoret sijainnin mukaan painottamatta aktiivisuutta, tai muuta ominaisuutta. Vertaamalla aikaisempaan karttaan huomataan, että aktiiviset vuoret ovat pääsääntöisesti kerrostulivuoria ja vieläpä niitä, joiden purkaukset ovat tuhoisimpia. Olisin halunnut saada näkyviin mantereiden keskiselänteillä tapahtuvan toiminnan, mutta valittu ”vedenalainen tulivuori” ei kuvaa tätä kategoriaa parhaiten. Kartan tulivuoret ovat mahdollisesti erilaisia kuumia pisteitä, tai laatan sisäisiä tulivuoria. Viimeinen kategoria on kilpitulivuoret, jotka osin menevät samaan kategoriaan vedenalaisten tulivuorien kanssa. Sijaintikin osuu lähes järjestäen merialueille. Olisi hyvä, mikäli kartoissa näkyisi litosfäärilaatat, jolloin opiskelijoille muodostuisi selkeä kuva tulivuorityypin suhteesta litosfäärilaatan sijaintiin nähden. Oman ”opetusmateriaalin” tuottaminen oli mielenkiintoista ja perehdyttää samalla myös tekijäänsä aihealueeseen. Yleensäkin on hyvä, että opiskelijoille havainnollistetaan asioita myös visuaalisesti, jolloin muistijälki ei jää vain tekstin/puheen varaan.
Kuva 4. Kartta erilaisten tulivuorityyppien esiintymisestä. (Lähde: NOAA)
Kirjallisuus:
FAO (2005). “Mapping global urban and rural population distributions” <http://www.fao.org/geonetwork/srv/en/graphover.show?id=14053&fname=Map_2_03.png&access=public > Luettu 1.3.2016
Hakala, H. (2016). 6. Kurssikerta. < https://blogs.helsinki.fi/hakanna/ > Luettu 1.3.2016
National Geophysical Data Center / World Data Service (NGDC/WDS): Significant Volcanic Eruptions Database. National Geophysical Data Center, NOAA. < http://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=50&d=50 > Luettu 25.2.2016
NCEDC, (2014). Northern California Earthquake Data Center. UC Berkeley Seismological Laboratory. Dataset. ANSS Catalog Search. < http://quake.geo.berkeley.edu/anss/catalog-search.html > Luettu 24.2.2016
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)
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
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)
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 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)
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
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
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
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
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
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.
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
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!
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
Kolmannessa periodissa meillä alkoi paikkatiedon hankinta, analyysi ja kartografia kurssi (tuttavallisemmin PAK). Kahdella edellisellä jaksolla olemme perehtyneet tiedon hankintaan, analysointiin ja esittämiseen. Mikä siis muuttuu, kun lisäämme ”tieto” etuliitteen paikka sanaan?
”Paikkatiedolla (geographic information, spatial data) tarkoitetaan kaikkea tietoa, joka sisältää viittauksen tiettyyn paikkaan tai maantieteelliseen alueeseen.” (Maanmittauslaitos) Paikkatiedon isänä pidetään britannialaista lääkäriä ja samalla varhaisen epidemiologian kehittäjää John Snowta, jonka onnistui selvittämään Lontoota 1800-luvun puolessa välissä piinannut koleraepidemia. Hän merkitsi karttaan kaivojen sijainnin, sekä tiedettyjen tartuntatapausten määrän. Menemättä tässä sen tarkempiin yksityiskohtiin kerrottakoon, että hänen onnistui rajata mahdolliset taudinleviämispisteet ja lopulta hän sai paikallistettua taudin levittäjäksi yhden saastuneen kaivon. Kaivo poistettiin käytöstä ja tauti hellitti. (Vachon 2005)
Paikkatiedon määrä on lisääntynyt huimasti kuluneina vuosikymmeninä. Dataa on saatavilla enemmän, kuin koskaan aikaisemmin ja sekä tuottajien, että käyttäjien määrä jatkaa kasvuaan. Meistä jokainen on varmasti lähes päivittäin tekemisissä paikkatiedon kanssa huomaamattamme, tai tiedostamattamme (koulun ulkopuolella). Paikkatiedon hienous piilee sen lähes loputtomissa käyttökohteissa ja datan puettavuudessa visuaaliseen muotoon.
Tätä visualisointia lähdimme harjoittelemaan ensimmäisellä kerralla, kun tutustuimme MapInfo paikkatieto-ohjelmaan, joka mahdollistaa tiedon keräämisen, analysoimisen ja esittämisen. Kävimme läpi perustoimintoja, emmekä menneet juurikaan pintaa syvemmälle. Tämä olikin ihan hyvä, sillä uutta ohjelmaa opeteltaessa koetan ainakin itse hakea tiettyä loogisuutta mahdollisesti aikaisemmin käyttämieni ohjelmien kanssa. Esimerkkinä toimii TAK-kursseilla käytetty CorelDRAW-vektoriohjelma, jossa on paljon yhtenäisiä näppäinkomentoja/tuttuja valikkorakenteita esimerkiksi Photoshopin kanssa. Täten ohjelman käyttö oli jo alkuun tutunoloista ja siihen pääsi nopeasti sisään. MapInfo ei onnistunut vakuuttamaan ensimmäisellä kerralla, sillä siitä jäi hieman kankea ja ”tönkkö” kuva. Kuka tekee ohjelman, jolla ei voi palata taaksepäin, mikäli sattuisi tekemään virheen?
Rasteri, vektori ja koropleetti
Paikkatieto koostuu ohjelmassa vektoreista ja- tai rastereista. Käytännössä nämä eroavat siinä, kuinka tieto kuvataan. Vektoria käytettäessä alueet kuvataan viivoina ja kulmioina. Esimerkiksi järvi, tai pelto voidaan kuvata suljettuna alueena, jossa rajojen sijaintieto toimii alueen sulkijana. Rasterit ovat puolestaan pikseleitä, joissa jokainen ruutu saa oman arvonsa. Lopputulos näyttää ikkunamaalauksen ja Twister – laudan risteytykseltä.
Saimme ensimmäisellä kerralla tehtäväksemme tuottaa yhden koropleettikartan itseään kiinnostavasta aiheesta. Aineistona meillä toimi Tilastokeskuksen kuntatiedot vuodelta 2015. Itse kartta on lopulta helppo tuottaa, mutta se vaatii hieman laskemista ja taustatietoja. Ennen visualisointia on tärkeä tietää ja ottaa selvää siitä, millaista käsiteltävä aineisto on, sillä se määrää mitä voimme sille tehdä. Hienosäätäminen vie myös aina lopulta paljon kauemmin, kuin aluksi ajattelee.
Jotta kaikkea ei tarvitse laskea käsin, saimme käyttää Internetistä löytyvää histogrammityökalua, joka piirtää syötetystä aineistosta histogrammin (Kuva 1). Kuva kertoo yhdellä vilkaisulla, kuinka aineisto on jakautunut. Tässä tapauksessa huomaamme (tutkittavana huoltosuhde), että aineisto on hieman vino oikealle. Tämän voimme todeta myös katsomalla vinoutta kuvaavaa lukua, joka omassa aineistossani on 0,35 (ei näy kuvassa). Mikäli luku olisi negatiivinen, olisi jakauma vinoutunut vasemmalle, mutta tässä tapauksessa saamamme luku vahvistaa histogrammin tulkinnan. X-akselilla on arvojen jakauma ja Y-akselilla on havaintojen määrä.
Kuva 1. Histogrammi taloudellisen huoltosuhteen arvojen jakaumasta
Lähde: Tilastokeskus ja Shodor
Normaalijakautuneisuus -tai tässä tapauksessa vinous, sai minut käyttämään luokittelussa kvantiileja. En olisi tätä automaattisesti itse hoksannut, vaan tein kurssimateriaaleissa olevien ohjeiden mukaan. Lopputulos on nähtävissä kuvassa kaksi (Kuva 2)
Kuva 2. Koropleettikartta kuntien taloudellisen huoltosuhteen jakautumisesta
Lähde: Tilastokeskus
Karttatulkinta ja ongelmia Excelin kanssa
Lopputulos hämmästytti aluksi, sillä huoltosuhde oli jokaisessa luokassa yllättävän suuri. Muistelin TAK-kurssilla piirtämääni käyrää tutkimus- ja naapurikunnista ja jokaisessa arvo oli alle yhden, mutta kasvoi paikoin sen yli 2040-luvulle mentäessä. Yli yhden arvo on huono, joten käytin varmaan väärää luokittelua. Kartta toistui samanlaisena myös toisella luokittelulla, joka aiheutti päänvaivaa.
Halusin tarkastella aineistoani uudelleen ja sen tärkeimpiä arvoja Excel-taulukkolaskentaohjelmalla. Kaksi ohjelmaa ja käyttäjä eivät kuitenkaan onnistuneet löytämään toisiaan, sillä seurasi tuskastuttava pilkunviilaus. Suoraan MapInfosta kopioitaessa desimaalit erotetaan toisistaan pisteellä. Excel tulkitsee nämä kuitenkin päivämääräksi ja jos solumuotoilulla kertoo kyseessä olevan lukuarvo, niin jollain algoritmilla Excel arpoo jokaiseen soluun kummallisen numeron.
Esimerkiksi arvo 1.76 muuttuu Excelillä muotoon ”tammi.76” ja tämä kerrottuna luvuksi onkin 27760.
Selasin ja koetin muuttaa kieliasetuksia, mutta lopputulos pysyi samana. Lopulta törmäsin ohjeeseen, joka vaikutti toimivalta ratkaisulta. Ideana oli määrittää ja valita soluarvot tekstiksi jo ennen, kuin niihin kopioidaan lukuarvoja. Tämä tehosi ja arvot olivat oikein ja erottimena toimi pilkku. Paitsi — nyt luvuille ei pystynyt tekemään laskutoimituksia, koska ohjelma ei tunnistanutkaan näitä soluja luvuksi. Vedin päivän verran henkeä ennen uutta yritystä!
Ilmeisesti muillakin oli kyseistä ongelmaa ja ratkaisu löytyi lopulta Tuomas Tavin avustuksella. Toimiva neuvo on käyttää Excelin aloitusvälilehdeltä löytyvää ”etsi ja valitse” pudotusvalikosta löytyvää korvaa komentoa. Etsi ja korvaa pisteet pilkulla, niin homma toimii.
Kartan suuret lukuarvotkin selvisivät, sillä sekoitin taloudellisen huoltosuhteen väestölliseen huoltosuhteeseen. Väestöllinen huoltosuhde on suhdeluku, joka kertoo nuorten- ja eläkeläisten määrän suhteessa työikäisiin. Esimerkiksi luku 1.2 kertoo, että jokaista sataa työssäkäyvää kohti on 120 lasta ja vanhusta. Selvittämäni taloudellinen huoltosuhde taas kertoo työttömien ja työvoiman ulkopuolisten osuuden suhteessa työssäkäyviin. Suhdeluku kerrottaan tässäkin tapauksessa sadalla (Halonen 2012: 1 – 4)
Kartasta ilmenee mielestäni selkeästi, että huoltosuhde on heikon Lapissa, Kainuussa, sekä Pohjois-Karjalassa, eli alueita joilla kärsitään muuttotappiosta ja työpaikkojen puutteesta. Näissä maakunnissa liikutaan välillä 181 – 248 henkeä työvoiman ulkopuolella/ 100 työikäistä. Poismuuttava väestö on perinteisesti nuorta väkeä, jolloin vanhusten osuus kasvattaa taloudellista huoltosuhdetta. Poikkeuksena Lapissa näkyy Kittilän kunta, jonka hyvä suhdeluku selittynee kunnan matkailutoiminnalla. Timo ja Rasmus Aron laatimassa seutukuntien elinvoimaindeksissä (Aro 2016) Pohjois-Karjala, Kainuu ja Lapin itäosat ovat heikoimassa viidenneksessä, kun käytetään 10 alueen elinvoimaa mittaavaa indeksiä.
Parhaiten pärjääviä maakuntia ovat Uusimaa ja Pohjanmaa, joissa paikoin työvoiman määrä ylittää ulkopuolella olevien osuuden. Tällöin suhdeluku on alle yhden. Väestö on nuorta ja työvoimaa ja työpaikkoja on paljon. Uusimaa ja Pohjanmaa sijoittuvat parhaaseen viidennekseen seutukuntien elinvoimaindeksiä mitatessa (Aro 2016).
Vertasin karttaani Joni Uusitalon tekemään, eläkeläisten suhteellista osuutta (%) esittävään karttaan (Uusitalo 2016). Karttoja vertaamalla huomaa, kuinka samat alueet korostuvat molemmissa kartoissa. Missä eläkeläisten osuus on korkea, on sitä tavallisesti myös taloudellinen huoltosuhde.
Kartasta tuli mielestäni onnistunut ja jään odottamaan, mitä muita mahdollisuuksia MapInfo antaa.
Kirjallisuus:
Aro, T. & R. Aro (2016). Seutukuntien elinvoimaindeksi.
http://suomenkasvukaytava.fi/wp-content/uploads/2016/02/Seutukuntien-elinvoimaindeksi-2016-2.pdf Luettu 4.2.2016
Halonen, J. (2012). Demografinen ja taloudellinen huoltosuhde <http://www.kunnat.net/fi/tietopankit/tilastot/indikaatori/Lists/links/Attachments/40/Demografinen%20ja%20taloudellinen%20huoltosuhde.pdf> Luettu 26.1.2016
Paikkatiedon määritelmä (2016). Maanmittauslaitos, Helsinki 26.1.2016 http://www.maanmittauslaitos.fi/kartat/kartoitus/paikkatiedot
Vachon, D. (2005) Father of modern epidemiology http://www.ph.ucla.edu/epi/snow/fatherofepidemiology_part2.html#TWO Luettu 26.1.206
Uusitalo, J. (2016). Kurssikerta 1: MapInfon saloja ja koropleettikarttoja. https://blogs.helsinki.fi/jonuusit/> Luettu 26.1.2016