SWOT. Amerikan kartoitus: Uhka vai mahdollisuus?

Blogitehtävänantona oli tarkastella SWOT-analyysin keinoin New York Timesin palvelua ”Mapping America: Every City, Every Block”. SWOT-analyysissa tullaan pohtimaan kyseisen karttapalvelun heikkouksia, vahvuuksia, uhkia ja mahdollisuuksia.  Palvelun kartat ovat monipuolisia ja ne tarkastelevat muun muassa USA:n kansalaisten etnisyyttä, tuloja, asumista, perhemuotoja ja koulutusta. Määrällinen tieto on koottu pistetietokannaksi kun taas suhteellinen aineisto on esitetty pienehköinä alueina. Karttojen esittämät aineistot pohjaavat Census Bureau’s American Community Survey -kyselyyn vuosilta 2005-2009.

New York Timesin palvelu on kaikille avoin ja tietoa saa helposti maantieteellisesti hyvin pieneltäkin alueelta. Pidän karttapalvelun vahvuutena sen avoimuutta ja kaikkien ihmisten mahdollisuutta tarkastella tietoa. Tiedon merkitys kasvaa jaettaessa, kun yhä suuremmat väestön osat voivat tarkastella tietoa itsenäisesti. Karttapalvelun kartat on huolella laadittu. Ehdottomana etuna pidän myös palvelun monipuolisuutta ja helppokäyttöisyyttä.

Heikkoutena näen alkuperäisen datan puutteen. Sivustolle olisi voinut lisätä tiedot myös taulukkomuodossa tai mahdollisesti saada lisätietoa klikkaamalla datapistettä kartalla. Väestöpistekartat tarjoavat tarkempaa tietoa kuin suhteelliset kartat, mutta niiden vähemmän yleistävä ilmiasu luo sekavamman kuvan. Väestöpisteet olisivat täten voineet olla ehkä kooltaan laajempia, mutta silloin toisaalta kartan tarkkuus olisi kärsinyt. Hänninen (2014) nostaa esille blogissaan heikkouksiksi kartan rajaamismahdollisuuden puuttumisen, luokkarajojen muokkaamisen manuaalisesti ja omien karttojen laatimisen puutteen. Karttapalvelu on mielestäni kaunis jo nykyisellään, mutta Hännisen ehdotukset kieltämättä parantaisivat sitä entisestään. Toisaalta ne myös monimutkaistaisivat palvelua ja ehkäpä vähentäisivät sen käytettävyyttä. Kartan rajaus olisi oiva lisä. Mutta luokkarajojen säätäminen ja omien muuttujien lataaminen kartalle saattaisi tehdä ohjelmasta liian raskaan. Optimitilanteessa kartoista voisi olla kaksi versiota: Standard ja Advanced, joissa jälkimmäisessä olisi enemmän kartan muokkausmahdollisuuksia.  Muokkaamalla muuttujia ja luokkarajoja tietokannasta voisi havaita vielä enemmän mielenkiintoisia yhteyksiä ja alueellisia eroja.

Avoimessa lähdemateriaalissa piilee monia mahdollisuuksia. Tiedon julkisuus takaa kaikille yhtäläiset mahdollisuudet saada dataa käsiinsä, eikä siten aseta mitään tahoa etulyöntiasemaan. Suomessa tieto on harvoin julkista, mikä vaikeuttaa tiedon välitystä. Esimerkiksi Itämeren suojelutyö ja Natura-alueiden perustaminen on vaikeutunut huomattavasti karttatiedon puutteessa. Itämeren pohja ja sen rakenne on kyllä kartoitettu, mutta tieto on salattua maanpuolustukseen liittyvistä syistä. Tämän takia Itämeren Natura-alueet on sijoitettu melko sattumanvaraisesti, eikä suinkaan sinne missä suojeltavaa meriluontoa löytyisi. Jos tutkijat haluavat karttatietoa, on heidän tehtävä kartoitus itse. Niin turhaa kuin jo kartoitetun alueen kartoitus onkin. Tässä mielessä tietokannan avoimuus tarjoaa lyömättömän edun yhteisölle. Lisäksi tavallisille kansalaisille tarjotaan mahdollisuus tutustua maansa maantieteellisiin ilmiöihin ja niiden jakautumiseen. Saattaa olla, että kartanlukutaidotkin paranevat helppokäyttöisen avoimen aineiston ääressä.

Tiedon salaamiseen on perusteensa ja avoimuuteen liittyvät omat uhkakuvansa. Tarkasteltaessa etnisyydestä kertovaa pistetietoaineistoa karttapalvelussa, voidaan osoittaa miltei talon tarkkuudella missä asuu minkin etnisyyden edustajia. Vaikka aineisto on anonyymia, voidaan tämän katsoa hipovan yksityisyyden loukkausta. Myös avoin tieto homo- ja lesboparien asuinpaikoista on hieman arveluttavaa. Tämä tieto on kaikeksi onneksi esitetty alueittain, ei pisteittäin, joten tarkkaa osoitetietoa ei ole saatavilla. Toisaalta aineisto perustuu kyselytutkimukseen, johon ihmiset ovat voineet täyttää vain ne tiedot, jotka haluavat antaa julkisuuteen. Tietojen julkistaminen saattaa siis johtaa jonkinlaiseen vinoumaan aineistossa ja sosiaalisen hyväksyttävyyden vaikutus vastauksissa korostuu. Suomessa kaikki kerätty kyselytutkimus aineisto on yleensä luottamuksellista ja kyselyyn vastaaja on hyvin perillä mihin hänen tietojaan voidaan käyttää. Vaikka tiedon suojaaminen hankaloittaa tutkijan työtä, luo se turvaa tutkittavalle. Mainitsin karttapalvelun puutteeksi datataulukon puutteen. Toisaalta alkuperäisen datan esittäminen mahdollistaisi kyselytutkimuksen tulosten käyttämisen arveluttavienkin karttojen luomiseen ja veisi kyselyyn vastanneilta sen vähäisenkin yksityisyyden suojan, joka heillä oli jäljellä.  Uhkakuvana voisin nähdä myös mahdollisen itsensä toteuttavan ennustuksen. Kartalta jokainen pystyy näkemään millä asuinalueilla asuvat tiettyyn etniseen ryhmään tai tulotasoon kuuluvat henkilöt. Tämä saattaa vaikuttaa asuinalueen valintaan ja johtaa siten jo valmiiksi heikkojen alueiden kurjistuvan entisestään ja alueellisten erojen korostumiseen. Samalla tavalla alueet saattavat eriytyä myös etnisyyden perusteella. Kartan esittämä tieto saattaa siis vahvistaa entisestään mielikuvaa tietyistä alueista ja ohjata muuttovirtoja.

Kartta-aineiston avoimuuteen liittyy sekä uhkia että mahdollisuuksia. Tietojen julkisuutta mietittäessä on tasapainoiltava yksityisyydensuojan, informaation avoimuuden ja avoimuuden mahdollisten seurauksien kanssa. Anonyymi avoimuus lienee kaikkien kannalta paras vaihtoehto, mutta sen saavuttaminen sitten jo toinen tarina.

LÄHTEET

Hänninen, Oskari (2014). <https://blogs.helsinki.fi/oskariha/> Luettu 1.3.2014

New York Times: Mapping America: Every City, Every Block. <http://projects.nytimes.com/census/2010/explorer> Luettu 1.3.2014

Kurssikerta 7: Syrjäytymistä, bruttokansantuotetta ja jäähyväisiä

Viimeisen kurssikerran aamu valkeni puolipilvisenä. Olin etsinyt jo etukäteen valmiiksi dataa, josta tänään muokkaisin upean teemakarttani. Päätin välittömästi kohdentaa tarkasteluni Eurooppaan, olenhan itsekin eurooppalainen ja tulosten tulkinta lienee helpompaa, kun tiedän mantereen maista jotakin. Euroopan unionin tilastotietokannasta löytyi tietoa unionin jäsenmaiden bruttokansantuotteista (BKT asukasta kohden 2012) sekä ihmisten riskistä vajota köyhyyteen ja syrjäytyä (Syrjäytyminen ka köyhyys 2012). Molemmista muuttujista oli tietoa useilta vuosilta. Ensimmäisen muuttujan tiedot olivat vuosilta 2006-2011 ja toisen 2006-2012.

Kopioin datan Euroopan unionin tilastotietosivuilta (http://epp.eurostat.ec.europa.eu/) Exceliin. Laskin sekä bruttokansantuotteesta että syrjäytymisestä keskiarvot tilastossa esiintyvien vuosien osalta. En onnistunut tuomaan karttaa internetlähteestä, joten päädyin käyttämään kurssimateriaaleista löytyvää maailmankarttaa ja valitsemaan siitä Euroopan kohteekseni. Hieman karttaa pyörittelemällä onnistuin saamaan Islanninkin mahtumaan kartalle. Lähdeaineistosta johtuen Euroopan Unionin jäsenmaiden nimet ovat kartalla Englanniksi. Katsoin tämän kuitenkin pienemmäksi pahaksi kuin nimien jättämisen kokonaan pois.

Päätin tarkastella luomallani kartalla bruttokansantuotteen sekä köyhyyden ja syrjäytymisen suhdetta. Päädyin kuvaamaan bruttokansantuotetta asukasta kohden vihreällä pylväällä. Köyhyys ja syrjäytymisvaarassa olevien prosentuaalista osuutta maittain halusin kuvata koropleettikartalla, jonka hälyttävän punainen värimaailma sopi tehtävään hyvin. Tältä yhdistelmäkartalta on mahdollista tarkastella melko helposti näiden kahden ilmiön suhteita.

köyhyysbruttokarttaKuva 1. Köyhyys- ja syrjäytymisvaarassa olevat ihmiset ja bruttokansantuote asukasta kohden maittain Euroopan unionin alueella. 

Kartalta (Kuva 1) on helposti nähtävissä, että alimman bruttokansantuotteen maat sijoittuvat itäiseen Eurooppaan. Näihin valtioihin lukeutuvat muun muassa Baltian maat, Puola, Slovakia, Unkari, Romania ja Bulgaria. Selvästi on havaittavissa, että alemman BKT:n maiden asukkaat ovat keskimäärin myös suuremmassa vaarassa vajota köyhyyteen tai syrjäytyä. Toisaalta alhaisen BKT:n maiden välillä esiintyy selvää vaihtelua köyhyys- ja syrjäytymisvaaran suhteen. Esimerkiksi suhteellisen matalan BKT:n Slovakia sijoittuu samaan riskiluokkaan huomattavasti rikkampien Saksan ja Ranskan kanssa.

Korkean BKT:n maat sijoittuvat riskiluokissa keskimäärin paremmin, mutta näiden valtioiden välillä on riskiluokituksissa selkeitä eroja. Benelux-maat, Brittein saaret, Pohjoismaat, Itävalta, Sveitsi, Ranska ja Saksa rajautuvat kaikki suuren BKT:n maiksi. Kuitenkin Ruotsi sijoittuu alhaisimpaan luokkaan riskiluokkia tarkasteltaessa ja Saksa keskimmäiseen. Köyhyyttä ja syrjäytymistä näyttäisivät selittävän muutkin tekijät kuin eri maiden asukaskohtainen varallisuus. BKT selittää kuitenkin jonkin verran riskiluokkiin jakautumisesta.

Bruttokansantuote asukasta kohden on sinänsä kiinnostava, että siihen voi verrata lähes mitä tahansa. Ruutu (2014) on asettanut luomallaan kartalla vertailuun BKT:n ja valtioiden kasvihuonepäästöt. Kaikista maista ei tietoa ola ollut saatavilla, mutta on kiinnostavaa huomata, kuinka syrjätyminen ja kasvihuonekaasu päästöt noudattavat lähes päinvastaista trendiä. Itävallassa ydinvoima on kielletty, Suomessa poltetaan runsaasti hiiltä ja Irlannissa käytetään paljon turvetta. Nämä kolme maata näyttänevät saaneen korkeimman päästöluokituksen Ruudun kartalla. Ydinvoiman mallimaa Ranska taas päästä ilmoille maapalloa lämmittäviä kaasuja huomattavasti vähemmän. Ruudun karttaa voisi miltei käyttää ydinvoimapropagandan osana.

Omaa karttaani sen sijaan ei voi helposti mainoskapanjoihin työllistää. Kartan perusteella ei voida vetää johtopäätöksiä köyhyyden ja syrjäytymisen riskiä kasvattavista tekijöistä (BKT pois lukien). Tai niiden vähyyteen johtavista syistä. Arvauksia voi kuitenkin aina esittää. Pohjoismaiden erottuminen edukseen saattaa olla seurausta hyvinvointiyhteiskunnasta, joka ainakin jonkin aikaa oli toiminnassa niissä kaikissa. On kuitenkin vaikea sanoa, mistä ero Ruotsin ja Suomen välillä johtuu. Se on kuin yrittäisi selittää Suomen yllättävän korkeita itsemurhalukuja. Itsemurhien, köyhyyden ja syrjäytymisen taustalla voi olla samoja selittäviä tekijöitä, mutta niiden identifiointi onkin sitten toinen juttu. Sveitsi ja Tšekin tasavalta ovat myös luokitukseltaan pienimmän riskin maita. Osatakseni selittää tämän, olisi minun tunnettava kyseisiä maita hieman paremmin.

Kiinnostavana lisätietona omassa kartassani olisi voinut olla kunkin maan sosiaalipalveluihin investoima osuus valtion budjetissa. Tästä aiheesta olisi voinut luoda oman erillisen karttansa. Myös itsemurhatilastojen tai muita syrjäytymisen ja köyhyyden kanssa mahdollisesti korreloivia muuttujia olisi voinut tarkastella. Syrjäytymisen kaltaisten ilmiöiden takana piileviä syitä on kuitenkin vaikea jäljittää pelkän korrelaation ja kartografisen tarkastelun avulla. Esimerkiksi Brittein saarten melko kehnoa luokitusta voivat selittää luokkayhteiskuntaan perustuvat historia ja mahdollisesti suuret tuloerot. Valtion sosiaalinen, kulttuurillinen ja yhteiskunnallinen kehitys vaikuttanevat kaikki omalta osaltaan asukkaiden riskiin syrjäytyä ja vajota köyhyysrajan alapuolelle.

LÄHTEET

Syrjätytyminen ja köyhyys (2012). <http://epp.eurostat.ec.europa.eu/tgm/table.do?tab=table&init=1&plugin=1&language=en&pcode=tsdsc100> Luettu 27.2.2014

BKT asukasta kohden (2012). <http://appsso.eurostat.ec.europa.eu/nui/show.do?dataset=spr_exp_sum&lang=en> Luettu 27.2.2014

Ruutu, Katri (2014). <https://blogs.helsinki.fi/karuutu/> Luettu 28.2.2014

Kurssikerta 6: GPS paikannusta ja hasardeja

Kuudes kurssikertamme alkoi reippaalla happihyppelyllä. Nappasimme GPS-laitteen kouraan ja lähdimme vaeltelemaan Kumpulan lähimaastoon merkkaillen haluamiamme pisteitä aina toisinaan. Oma ryhmäni löysi jännittävän Eternal Erection -bussin, toivoi voivansa muuttaa Limingantien puutaloihin ja ihasteli siirtolapuutarhoja. Luokassa ryhmien pisteet sijoitettiin koordinaatein kartalle ja katsottiin, josko GPS-paikannus oli osoittautunut paikkansa pitäväksi. Ja olihan se. Muut ryhmät olivat paikallistaneet muun muassa roskiksia ja liiketoimitiloja. Siirsimme keräämämme tiedon Excelin kautta MapInfoon ja lepuutimme sieluamme kättemme jäljen äärellä, kartan pistekaaosta katsellen.

Seuraavassa työssä kokeilimme valmiin aineiston peliautomaattien paikkatiedon sijoittamista kartalle. Tästä harjoituksesta oppimiamme taitoja pääsimme soveltamaan hasardikartan luomisessa. Tämä itsenäistehtävä alkoi Excelin pyörittelyllä, jossa suomut repäistiin silmieni päältä. Tähän mennessä olin aina käsin näpytellyt tiedot taulukkoon, mikäli ne eivät itsestään solahtaneet soluihin. Opin kuitenkin, että Excelissä oli aivan erityinen toiminto tätä varten. Tällä toiminolla tiedon kuin tiedon sai helposti sarakemuotoon, vaikka aluksi tilanne olisi ollut kaoottinen. Tästä riemastuneena viha-rakkaussuhteeni Exceliin muuttui ainakin hetkeksi silkaksi ehdottomaksi rakkaudeksi.

hasardit kartta

Kuva 1. Vuodesta 1980 eteenpäin tapahtuneet yli 8 richterin maanjäristykset, meteoriittitörmäykset ja aktiivisten tulivuorten sijainti.

Päädyin lisäämään omalle kartalleni (kuva 1) tiedot meteoriittitörmäyksistä ja maanjäristyksistä(yli 8 richteriä) vuodesta 1980 lähtien. Lisäsin kartalle myös tiedon tulivuoren purkauksista vuodesta 1964 lähtien, sillä tulivuoriaineisto oli valmiiksi luokiteltu ja tuorein purkausluokka oli 1964 jälkeen tapahtuneet purkaukset. Tulivuoret ja maanjäristykset osuivat samoille tienoin, mikä selittynee helposti niiden molempien tyypillisellä sijainnilla mannerlaattojen saumakohdissa. Sen sijaan meteoriittitörmäykset näyttäisivät osuneen melko laajalle alalle ja hajanaisesti ympäri maan kuorta. Meteoriitti törmäyksiä tapahtuu todennäköisesti myös merialueilla, mutta näistä törmäyksistä ei usein saada tietoa. Valtaosa meteoriittitörmäyksistä 1980 luvusta lähtien näyttäisi osuneen kääntöpiirien väliselle alueelle, joskin joitakin poikkeuksia on.

Opetusmielessä karttaani voisi käyttää riippuvuuksien tarkasteluun. Ensimmäiseksi voisi tarkastella aiheutuvatko maanjäristykset usein meteoriittitörmäyksistä. Helposti nähdään, että suuret maanjäristykset ja meteoriitti törmäykset eivät sijaitse samoilla alueilla. Meteoriitti törmäyksillä siis tuskin on suurempaa yhteyttä maanjäristyksiin. Seuraavaksi voidaan tarkastella tulivuorten ja maanjäristysten sijaintia kartalla. Nämä kaksi ilmiötä näyttävät tapahtuvan samoilla alueilla. Voidaanko silloin vetää johtopäätös, että tulivuorenpurkaukset aiheuttavat voimakkaita maanjäristyksiä? Toki tulivuorenpurkauksiin saattaa liittyä jonkinasteista maanjärinää, mutta 8 Richteriin tämänkaltaiset tärinät yltävät harvoin. Tämä kartta on oivallinen esimerkki korrelaation ja syy-seuraussuhteen erosta. Vaikka kaksi ilmiötä esiintyisi samalla alueella samaan aikaan, ne eivät silti välttämättä ole toistensa syy ja seuraus.

Kuva 2. Mannerlaattojen saumakohdat (opinnot.internix.fi 2014)

Sen sijaan kahdella selitettävällä ilmiöllä saattaa olla yhteinen selittävä tekijä. Sekä tulivuoret että sijaitsevat mannerlaattojen saumakohdissa (kuva 2). Mannerlaattojen saumat ja niiden liikkuminen toisiaan vasten saattaakin siis selittää sekä tulivuorien runsauden että voimakkaiden maanjäristysten määrän. Meteoriittitörmäykset taas eivät ole millään muotoa mannerliikuntoihin kytkeytyneitä ja siksi ne eivät seuraakaan samanlaista alueellisen jakautumisen mallia kuin kaksi muuta hasardia. Kuten Lyytikäinen (2014) blogissaan pohtii, karttaa voisikin käyttää tarkastellessa “maanjäristyksien ja vulkaanisen toiminnan yhteyttä litosfäärilaattojen saumakohtiin”.

Luomani kartan avulla voidaan valmentaa myös karttakriittiseen tarkasteluun. Tulivuorien ja maanjäristysten lukumäärä näyttää huomattavasti suuremmalta, kun tarkasteluväliä pidennetään käsittämään esimerkiksi kaikki maailman tulivuoret (howmanyarethere.net 2014). Sama ilmiö on havaittavissa maanjäristysten määrää tutkaillessa. Karttojen välittämään informaatioon voi myös suhtautua kriittisesti. Oma karttani ei tarjoa minkäänlaista tietoa meteoriittitörmäysten suuruudesta. Toiset lähteet voivat tarjota tämänkin tiedon, mikä muuttaa kartan ulkoasua merkittävästi (seismo.berkeley.edu 2008).

LÄHTEET

opinnot.internix.fi (2014). <http://opinnot.internetix.fi/fi/muikku2materiaalit/peruskoulu/ge/ge1/3_planetaarisuus/362?C:D=ixX8.ixpG&m:selres=ixX8.ixpG>Luettu 27.2.2014

Seismo.berkeley.edu (2008). <http://seismo.berkeley.edu/blog/seismoblog.php/2008/09/29/where-earthquakes-occur> Luettu 27.2.2014

howmanyarethere.net (2014) <http://www.howmanyarethere.net/how-many-volcanoes-are-there-in-the-world/> Luetty 27.2.2014

Lyytikäinen, Satu (2014). <https://blogs.helsinki.fi/sealyyti/> Luettu 27.2.2014

 

Kurssikerta 5: Aivosolmua ja itsenäistä toimintaa

Edellisellä kerralla meitä oli pyydetty valmistautumaan nukkumalla hyvin ja varautumalla aivojen ylikuumenemiseen viidennellä kurssikerralla. Uutena asiana opeteltiin vain melko suoraviivainen bufferin luominen kartalle ja sen käyttö. Tämän jälkeen olimme omillamme. Toki hätähuutoihin vastattiin yhä, vaikka niitä kajahti ilmoille vähemmän kuin olin kuvitellut.

Puskurivyöhykkeiden tekeminen oli yksinkertaista, mutta niiden rajaaman aineiston jatkokäsittely tuotti itsenäistehtävissä jonkin verran päänvaivaa. Jonkin alueen tai pisteen puskuroinnilla voidaan arvioida muiden kohteiden etäisyyttä tai mahdollista kuulumista puskuroitavan kohteen vaikutuspiiriin. Itsenäistehtävän yhteydessä opimme, että puskurin avulla on myös mahdollista jakaa aineisto haluamiinsa alueellisiin osiin. Näistä osista oli mahdollista luoda kokonaan uusi tietokanta ja tarkastella vain osaa kaikista havainnoista. Järvisalo (2014) toteaakin blogissaan, että bufferointityökalu soveltuu erinomaisesti muun muassa kaupunkisuunnitteluun, logistiikan suunnitteluun ja miksei luonnonsuojelualueidenkin rajaamiseen.

Kokosin saamani tulokset taulukkoon (taulukko 1). Aluksi itsenäistehtävien teko hieman kangerteli, mutta etsimällä valikoista sitä oikeaa toimintoa, alkoivat asiat pikkuhilaa muistua mieleen. Loppupäässä tehtävät sujuivat jo nopeammin ja vaivattomammin. Loppupään tehtäviä ei tarvinnut tehdä montaakaan kertaa niiden oikein saamiseksi. Ensimmäisissä tehtävissä tulkitsimme aineistoamme hieman eri tavalla kuin oli tarkoitettu ja siitä syystä tarkastelimme asukkaiden määrän sijasta asuntojen määrää. Huomasimme erheemme kuitenkin vasta tehtävien loppupuolella, jolloin aikaisemmasta aineistosta oli jo hankkiuduttu eroon. Päädyimme siis vastaamaan kysymykseen eri suureessa kuin oli tarkoitus. Valinnaisista tehtävistä päädyimme tarkastelemaan uima-altaiden sineä. Totesimme alkusi saamamme yli sadan miljoonan uima-altaan lukumäärän melko mahdottomaksi ja rajattuamme aineistosta sopimattomat havainnot ulos, saimmekin tulokseksi hieman inhimillisemmän luvun. Kartan teko sujui kuin vettä vain kaiken tietokanta pyörittelyn jälkeen.

Malmin lentokenttä 2 km säde 4659 asuntoa
Malmin lentokenttä 1 km säde 752 asuntoa
Helsinki-Vantaa 2 km säde 2166 asuntoa
Helsinki-Vantaa 65 dB 44 asuntoa (2 %)
Helsinki-Vantaa 55 dB 1969 asuntoa
Helsinki-Vantaa 60 dB 1701 asuntoa
Juna-asema 500m säde 85069 asukasta
Juna-asema 500m säde (%) 7,3 % asukkaista
Juna-asema 500m säde: työikäisiä 71% asukkaista
Taajamissa asuvat 86 % asukkaista
Koululaiset taajamien ulkopuolella 7536 koululaista
Koululaiset taajamien ulkopuolella (%) 15 % koululaisista
Ulkomaalaisten osuus alueella yli 10 % 20 asuinalueella
Ulkomaalaisten osuus alueella yli 20 % 6 asuinalueella
Ulkomaalaisten osuus alueella yli 30 % 4 asuinalueella
Pää-kaupunkiseudun uima-altaat 856 uima-allasta
Asukkaita taloissa, joissa uima-allas 12748 asukasta
Uima-allas ja omakotitalo 343 taloa
Uima-allas ja rivitalo 464 taloa
Uima-allas ja kerrostalo 1302 taloa
Talot, joissa useita uima-altaita 17 kpl
Eniten uima-altaita Länsi-Pakila

Taulukko 1. Tehtävistä saatuja tuloksia. Huomaa lentoasema-tehtävissä, että tulkintavirheen vuoksi aineistosta on laskettu asuntojen, eikä asukkaiden määrät.

Itsenäistehtävät sujuivat paremmin kuin olin odottanut. Huomaamattani olin oppinut melko paljon MapInfon käytöstä. Lisäksi olin selvästi myös ymmärtänyt tekemäni, sillä ilman kuvallista ohjetta kykenin päättelemään kuinka aineistoa tulisi käsitellä. MapInfon keskeisimmiksi työkaluiksi koen taulukon ja tietokantojen muokkaamiseen liittyvät toiminnot ja teemakarttojen luonnin. Tietokantoja tarkasteltaessa on vaivauduttava ajattelemaan hyvin selkeästi, mitä aineistosta halutaan selvittää. Jos tehtävänanto ja kysymys ovat kirkkaina mielessäni, onnistun yleensä löytämään siihen vastauksen. Mutta joskus en osaa hajottaa ongelmaa komponentteihinsa. Silloin en tiedä kuinka edetä ja miten saada kaivettua haluamani tieto datan syövereistä.  SQL select-työkalun käyttö ja sen käytännöllisyys ovat kirkastuneet minulle vähitellen kurssin aikana. Uusien sarakkeiden luominen ja niiden päivittäminenkin sujuu. Vaikeaksi koen asioiden tekemisen helposti. Moneenkin toimintoon olisi varmasti oikoteitä ja kikkoja, mutta kun en niitä muista, tyydyn useimmiten kiertämään pisintä mahdollista reittiä maaliin. Etenen usein myös yrityksen ja erehdyksen kautta.

Uima-altaat

Kuva 1. Uima-altaiden lukumäärä asunnoittain pääkaupunkiseudulla.

Loimme teemakartan (kuva 1) uima-altaiden sijainnista alueittain pääkaupunkiseudulla. Kartta oli nopeasti kasaan hutaistu ja pienimmät palkit (osoittaen usein arvoa nolla) jäivät silmää häiritseviksi viivoiksi kartalle. Eniten uima-altaita näyttäisi olevan Helsingin alueella. Helsingin alueella Länsi-Pakila vei voiton lukumäärällisesti. Karttaan olisi voinut lisätä alueiden nimet luettavuuden parantamiseksi ja tulkinnan helpottamiseksi.

Teemakarttojen luonnissa en sen sijaan koe enää suuriakaan haasteita. Kartat vaativat toki visuaalista silmää, joka ei itselläni ole liiaksi ja vaivannäköä, johon malttini ei aina riitä. Kun valikoista onnistuu löytämään Create thematic map -toiminnon sujuu teemakartan luonti kuin tanssi. Ohjelma ohjaa askelittain eteenpäin ja aina on mahdollista palata takaisin muuttamaan asetuksia. Teemakarttojen luonti onkin kiitollista niiden muokattavuuden puolesta. Tietokantoihin tehdyt muutokset sen sijaan ovat lopullisia, ja joskus yritys-erehdys -toimintatapa ei ole suositeltava niitä käsiteltäessä.

MapInfon käyttöä rajoittavat muun muassa aineiston taulukointitapa. Kuten monet taulukkolaskenta- ja tilasto-ohjelmat, myös MapInfo voi hyödyntää laskuissaan vain numeerista tietoa. Muunlaista tietoa (esimerkiksi paikkojen nimiä) voidaan myös liittää kätevästi karttaesitykseen. Karttaesityksen suunnittelussa MapInfo on melko rajoittunut. Monimutkaisempien ja visuaalisesti kauniimpien karttojen luomiseksi on usein turvauduttava CorelDraw-ohjelmaan. Se ei tee MapInfosta huonoa, vaan pikemminkin osoittaa sen painopisteen sijoittuvan muualle kuin CorrelDrawn. Nämä kaksi ohjelmaa täydentävätkin toisiaan melko hyvin. Loppujen lopuksi MapInfo on aktivoinut laskupäätäni ja osoittautunut intuitiivisemmaksi kuin uskalsin toivoa.

LÄHTEET

Järvisalo, Henri (2014). KK5: Bufferointia ja menneiden aikojen muistelua <https://blogs.helsinki.fi/hpjarvis/> Luettu 13.2.2014

Kurssikerta 4: Ruudukon lumo

Neljännellä kurssikerralla oli tullut aika perehtyä ruutu- ja rasterikarttojen saloihin. Yhdessä lisäsimme ruudut pääkaupunkiseudun karttaan ja lisäsimme tietokantaamme väestötietoja kartoitettaviksi. Näiden pohjalta loimme omat karttanäkemyksemme. Valitsin omaksi aiheekseni alle kouluikäisten (eli alle 7 vuotiaiden) määrän pääkaupunkiseudulla.

Luomaani karttaa (kuva 1) varten loin ruudukon, jonka jokaiseen ruutuun summasin tuon ruudun sisällä asuvien alle kouluikäisten määrän. Lasten määrä oli absoluuttinen, ei suhteutettuna alueen kokonaisväestöön.  Käytin aineiston luokitteluun luonnollista luokittelua, joka auttoi korostamaan suurimman lapsiluvun alueita. Värivalinnoillani pyrin yhtälailla korostamaan suuren lapsimäärän alueita, enkä niinkään alueellisten erojen vähittäistä muuttumista. Omaa silmääni miellytti jättää ruudukko kartalle näkyviin, joten tein sen.

Pk_seutu_alle_kouluikäisiä

Kuva 1. Alle kouluikäisten lasten sijoittuminen kartalla pääkaupunkiseudulla.

Karttaa tarkasteltaessa suurimmat alle kouluikäisten keskittymät näyttäisivät sijaitsevan lounaisessa kantakaupungissa, Helsingin Rastilassa, Lauttasaaressa, Meilahdessa ja Munkkiniemessä, Espoon Haukilahdessa, Espoonlahdessa, Espoon Keskuksessa sekä Vantaan Martinaaksossa ja Aviapoliksen alueella. Runsaasti alle kouluikäisiä on sijoittunut myös lahden väylän varrelle.

Kartalta on nähtävissä, että suurimmat alle kouluikäisten keskittymät sijoittuvat sinne, missä ihmisiä on joka tapauksessa eniten. Kantakaupungin lapsimäärän runsaus selittynee lähinnä yleisellä väestönrunsaudella tällä alueella. Samaan ilmiöön törmäsi Aalto (2014) blogissaan tarkastellessaan yli 60-vuotiaiden sijoittumista pääkaupunkiseudulla ja Hintsanen (2014) tutkiessaan ruotsinkielisten levittyneisyyttä samalla alueella.  Alueellista vaihtelua olisi saanut paremmin esiin luomalla suhteellisen kartan, jossa lapsimäärä olisi suhteutettu alueen kokonaisväestöön. Absoluuttisilla arvoilla ei voida aivan yhtä hyvin erottaa mitkä väestöryhmät ovat runsaimpia milläkin alueella. Pikemminkin nähdään väestön absoluuttisen määrän vaikutus kuhunkin väestöryhmään.

Mutta eivät absoluuttiset määrät aivan hyödyttömiä ole. Verratessani omaa karttani ja Aallon (2014) karttaa yli 60-vuotiaista, on jotakin alueellisia eroavaisuuksia havaittavissa. Muun muassa Espoossa eläkeläiset näyttäisivät parveilevan Tapiolan tienoilla, kun taas lapset ovat keskittyneet etelämmäs Westendiin ja Haukilahteen. Myös Kauniaisessa lapsia on huomattavasti vähemmän kuin alle 60-vuotiata. Arvaukseni on, että lapsiperheet hakeutuvat sinne, missä asuntojen neliöhinta on kohtuullinen ja ympäristö turvallinen ja lapsiystävällinen. Espoon erot voisivat kummuta esimerkiksi näistä tekijöistä. Saattaa olla, että Haukilahden alue mielletään lapsiystävällisemmäksi kuin Tapiola. Lisäksi koulujen ja päiväkotien sijoittuminen saattaa suuresti vaikuttaa alueen lapsiperheiden ja alle kouluikäisten lasten määrään.

Ruudukon jälkeen siirryimme rasterikarttaan. Siirsimme ja kiinnitimme koordinaatteihin karttalehden UL414 (2011) MapInfo-ohjelmassa. Tämän jälkeen leikimme tovin cosmetic layerilla. Leikin lomassa opittujen taitojemme avulla piirsimme Pornaisten keskustan tiet ja merkitsimme asuinrakennukset kartalle. Tämä kartta toimisi seuraavan kerran karttapohjana. Ja seuraava kerta itsessään tulee kuulemma olevaan aivan hirvittävä ja aivot solmuun vääntävä. Sitä odottaen.

LÄHTEET

 

Aalto, Minni (2014). Kurssikerta 4: Rasterikarttoja MapInfolla. <https://blogs.helsinki.fi/mmaalto/> Luettu 6.2.2014

Hintsanen, Laura (2014). Kurssikerta 4: Rasterikarttoja. <https://blogs.helsinki.fi/lhintsan/> Luettu 6.2.2014

Kurssikerta 3: Pimeyden sydän ja tulviva data

Aikaisemmin olimme käsitelleet vain karttojen laatimista ja tietokantoihin koskeminen oli ehdottomasti kielletty. Kolmannella kurssikerralla oli tullut aika nostaa muovikupu tuon suuren punaisen painikkeen päältä ja lätkäistä kätensä antaumuksella. Tosiasiassa tietokannan muokkaus ei ollut aivan yhtä yksinkertaista kuin punaisen nappulan tapauksessa, vaan vaati hieman useampia painalluksia. Mallin seuraaminen sujui vielä helposti ja papukaijamaisesti osasin jäljentää hiirenliikkeet. Tuloksena syntyi erilaisia taulukoita ja lopulta kartta Afrikasta.

Afrikka, tuo pimeyden sydän, joksi Joseph Conrad mantereen nimesi romaanissaan vuonna 1902. Karttatiedon kurssilla laatimastamme kartasta opimme, että pimeyden sydämestä saatava tietokanta oli laajentunut sitten viime vuosisadan alun. Manner oli ensinnäkin kartoitettu ja nimetty. Lisäksi tarkastelimme kokoamastamme tietokannasta muun muassa Afrikan mantereella esiintyneitä konflikteja, timanttikaivoksia ja öljykenttiä. Myöskään 2000-luvun ilmiöt, kuten internetin ja facebookin käyttö otettiin tarkastelun ja taulukkolaskennan kohteiksi.

Luomamme kartan (kuva 1) perusteella ei Afrikka ollut viimeisen sadan vuoden aikana vielä kovin valoisaksi muuttunut. Konflikteja löytyi ympäri Afrikan mannerta. Eri tietokannoista yhdistetyt materiaalit summattiin samaan karttaan, jolloin voitiin tarkastella timanttikaivoksien, konfliktien ja öljylähteiden välisiä suhteita ja mahdollisia riippuvuuksia. Nopeasti karttaa vilkaisemalla näyttäisi siltä, etteivät konfliktit ainakaan suoraan alueellisesti liity luonnonrikkauksiin. Tietysti luonnonvarat saattavat välillisesti vaikuttaa konfliktiin. Omien tietojeni mukaan konfliktit Afrikan alueella liittyvät usein valtaan tai pikemminkin eurooppalaisten aikoinaan romuttamiin valtarakennelmiin. Kansanvalta ja demokratia eivät synny helposti heimokulttuurien pirstomissa Afrikan valtioissa. Tieto Afrikan heimorajoista olisikin saattanut tuoda arvokasta lisätietoa konfliktien mahdollisesta alkuperästä.

Afrika

Kuva 1. Kartta Afrikan konflikteista, timanttikaivoksista ja öljykentistä (Paaralahti 2014). 

Oppimamme avulla syvennyimme seuraavaksi tulvaindekseihin. Sen laskemiseksi klikkailimme ensin kaksi tietokantaa yhdeksi ja loimme uutukaisen sarakkeen tulvaindeksitiedoille. Lisäksi toimme tietokantaan dataa valuma-alueiden järvisyydestä. Kuten Paaralahti (2014) meitä tiedotusblogissaan valaisee, tulvaindeksi voidaan laskea keskiylivirtaaman (MHQ) ja keskialivirtaaman (MNQ) suhteesta. Laskeminen hoitui nopeasti taulukkolaskennan avulla. Tulvaindeksi on siis sitä suurempi, mitä suurempi on keskiylivirtaama.  Sen tulisi osoittaa tulvaherkät alueet suurella arvolla.

Kurssinaineistossa oli valmiiksi luotu histogrammi, jota käytimme aineiston luokittelussa. Muun muassa Massinen (2014) ja Erikkson (2014) olivat vähentäneet luokkien määrää oletusarvosta 5. Massisella luokkia oli 3 ja Erikssonilla 4. Samankaltainen menettely olisi saattanut tehdä omasta kartastani selkeämmän, mutta samalla tasapäistää aineistoa. Omassa kartassani esimerkiksi Lapin valuma-alueiden välillä on eroa tulvaindekseissä, kun taas Massisella nämä erot ovat kadonneet luokittelun myötä. Toisaalta oman karttani viisi luokkaa tekevät rannikkoseutujen aineistosta hankalammin tulkittavan.

Histogrammin vinoudesta ja runsaasta hajonnasta johtuen valmiit luokittelumenetelmät eivät soveltuneet aineistolle kovinkaan hyvin. Niinpä päädyin määrittelemään luokkarajat itse. Asetin ehdokseni, että jokaiseen luokkaan olisi tultava ainakin yksi havainto. Kaksi suurinta valumaindeksin arvoa poikkesivat huomattavasti muista arviosta ja siksi ne molemmat saivat itselleen oman luokan. Näin pyrittiin minimoimaan luokkien sisäinen hajonta. Kolmen havaintojensa suhteen jatkuvamman luokan jakaminen pyrittiin toteuttamaan siten, että jokaiseen luokkaan tulisi suunnilleen yhtä monta havaintoa. Tämä toteutui, kun luokkiin rajautui keskimäärin 20 havaintoa per luokka.

Valumaalueindeksi_kartta

Kuva 2. Suomen tulvaindeksit (alueet) ja järvisyys (pylväät) esitettynä valuma-aluettain.

Kartan (Kuva 2) tulvaindeksin väriksi valitsin veden sinisen ja järvisyyttä kuvaavan pylvään väriksi hyvin erottuvan oranssin. Kartasta voidaan nähdä, että järvisyys ja tulvaindeksi korreloivat negatiivisesti keskenään. Runsasjärvisillä valuma-alueilla järvet pidättävät ja keräävät vettä lähiympäristöstä. Järvien suuren tilavuuden vuoksi ne pystyvät varastoimaan suuriakin vesimääriä ilman, että veden pinta nousee tulvakorkeuksiin. Järvet toimivat tulvaa ja vedenvirtausta tasaavina tekijöinä. Sen sijaan vähäjärvisten seutujen valumavedet päätyvät jokiin, joiden vedenvarastointikapasiteetti ei ole sama kuin järvillä. Niinpä veden virtaama kasvaa ja usein joen suun tietämillä valuma-alueen eri joista kerääntyneet vesimassat kohtaavat. Tämä jokien vesien kerääntyminen suuren joen suulle saa aikaan helposti joen tulvimisen yli äyräidensä. Yksi tulvanhallinnan keinoista onkin rakentaa keinotekoisia järviä, jotka täytetään veden virtauksen kasvaessa joessa. Tällä pyritään estämään joen tulviminen, joka aiheuttaa usein vähintään taloudellisia kustannuksia.

Kartan perusteella voidaan päätellä vähäjärvisimpien ja tulvaindeksiltään suurimpien alueiden sijaitsevan Pohjanmaalla ja Suomen etelärannikolla. Nämä alueet ovat usein sangen tulvaherkkiä. Se lienee monille tuttua jokavuotisista uutisartikkelista koskien Pohjanmaan tulvia. Tulvaherkkyys käy ilmi jo Porin kaupungin viroista: kaupungilla on erikseen nimetty tulvasuojelupäällikkö. Vastaavaa virkaa tuskin löytyy esimerkiksi järvisuomen alueelta.

Eriksson, Mia (2014). Kolmas kurssikerta: Käsiksi dataan <https://blogs.helsinki.fi/miaeriks/> Luettu 1.2.2014

Massinen, Samuli (2014). Third round – Datan lisäys tietokantaan <https://blogs.helsinki.fi/smassine/> Luettu 1.2.2014

PAK-blogi= Paarlahti, A. (2014). Paikkatiedon hankinta, analyysi ja kartografia. Tulvaindeksi. <https://blogs.helsinki.fi/pak-2014/> 1.2.2014.

Artikkeli 1: Kaksoiskoropleetin kauneus ja kauheus

Anna Leonowicz (2006) vertailee artikkelissaan tavallisen koropleettikartan ja kaksoiskoropleettikartan luettavuutta. Loppupäätelmänä Leonowicz toteaa, että alueellinen jakautuminen on helpompi hahmottaa perinteiseltä koropleettikartalta, mutta muuttujien välisien suhteiden tulkintaan kaksoiskoropleettikartta on oiva väline. Kaksioiskoropleettikartassa keskeistä on selkeiden värien valinta ja luokkien lukumäärä, joka ei saisi ylittää yhdeksää (3×3). Hyvin laadittu kaksoiskoropleettikartta on siis toimiva ja luettava esitys kahden ilmiön välisistä suhteista. Tämänkaltainen kartta esitys saattaa helpottaa kahden eri muuttujan suhteen oivaltamista ja hahmottamista perinteisenpiin esityksiin verrattuna.

Kaksoiskoropleettikartta saattaa olla myös hämmentävä ja verrattain kaamea tapa esittää alueellista informaatiota. Tähän ei-toivottavaan lopputulokseen pääseminen on melko vaivatonta: riittää kun lisäät luokkia ja käytät epäjohdonmukaisia värejä. Esimerkiksi sinisen ja keltaisen käyttäminen kahden muuttujan kuvaamiseen ei ole suositeltavaa. Vihreä kun ennemmin mielletään omaksi värikseen kuin näiden kahden värin sekoitukseksi. Tämän tyyppisessä esitystavassa on siis oltava äärimmäisen tarkka, mikäli haluaa karttansa olevan vielä muidenkin luettavissa ja tulkittavissa.

Kaksoiskoropleettikartan tulkinnassa (niin kuin monen muunkin kartan tulkinnassa) legendan merkitys on ehdottoman tärkeä. Sen sijaan että kummallekin kartassa esiintyvälle muuttujalle olisi annettu omat arvonsa, on muuttujia kuvaavat värit esitetty samassa koordinaatistossa. Näin voidaan paremmin tuoda esille värien sekoittumista seuraavat värisävyt ja niiden indikoima muuttujien yhteisesiintyminen kartalla. Scatter blottiin perustuva kartan värialueiden määräytyminen oli mielestäni hieman hämmentävä, mutta toisaalta käytännöllinen. On loogista, että kartan värien luokkarajat seuraavat havaintojen jakaumaa. Samalla tavalla kuin tavallisessa koropleettikartassa, on myös kaksoiskoropleettikartassa otettava luokittelussa huomioon aineiston jakautuminen. Koska kyseessä ei ole yhdenmuuttujan aineisto, ei histogrammin käyttö aineiston jakauman tarkastelussa anna tarvittavaa tietoa. Nähdäkseni tämä tarvittava tieto jakaumasta voidaan saavuttaa scatter blotin avulla kaksoiskoropleettikartassa. Tarkastelemalla havaintojen sijoittumista kaksiulotteiseen koordinaatistoon voidaan kahden korreloivan muuttujan aineisto jakaa luokkiin. Nämä kahdenvärin sekoituksien avulla kuvatut väriluokat ovat kaksoiskoropleettikartan ydin.

Kaksoiskorpleettikartat eivät ole yhtä yleisesti käytössä kuin yhden muuttujan koropleettikartat. Kahden muuttujan kartat on mielletty vaikealukuisiksi, vaikka eriäviäkin mielipiteitä on esitetty. Kaksoiskoropleettikartta vaatii lukijalta enemmän paneutumista juuri sen käytön harvinaisuuden vuoksi. On tulkittava huolella legendaa ja selvitettävä itselleen mistä tässä kartassa on kyse. Sen sijaan yksittäistä ilmiötä kuvaavat koropleettikartat ovat monelle tuttuja niin sanomalehden sivuilta kuin karttakirjoistakin. Tämän vuoksi jo pelkää kartan otsikon vilkaiseminen saattaa kertoa lukijalle riittävästi kartan ylimalkaisesta sisällöstä. Kahden muuttujan tarkastelu perinteisellä koropleettikartalla vaatii kahta erillistä karttaa. On moneen kertaan todistettu fakta, että huomiokyvyn jakaminen usean kohteen välillä vähentää kykyämme prosessoida tietoa. Kahdella kuvalla esitetty tieto siis vaatii suurempaa ponnistelua, jotta lukija ymmärtäisi karttakuvien yhteyden. Kaksoiskoropleettikartan tiedon tulkinta saattaa vaatia enemmän syventymistä, mutta se kuormittaa vähemmän huomiokykyämme ja siten kahden muuttujan yhteydet ovat helpommin prosessoitavissa.

Kaksoiskoropleettikarttojen edut kahden muuttujan esittämisessä saattaisivat korostua, mikäli karttaesitystä käytettäisiin enemmän ja se olisi tuttu suuremmalle yleisölle. Kurssilla käytössä oleva MapInfo-ohjelma ei tarjoa mahdollisuutta kaksoiskoropleettikartan luomiseksi. MaoInfo ei siis varsinaisesti rohkaise kaksoiskoropleettien käytössä, vaan ohjelman tekijät ovat pikemminkin päättäneet hylätä kyseisen karttaesityksen. Kartanlaadintaohjelmia tai mitä tahansa tietokoneohjelmia kehitettäessä on mietittävä käyttäjäystävällisyyttä, monipuolisuutta sekä niitä ominaisuuksia, joita käyttäjät mahdollisesti ohjelmalta kaipaavat. Kaivattujen ominaisuuksien lista on varmasti loputon, eri ihmiset kun vaativat erilaisia asioita. Ohjelman suunnittelijoiden on päädyttävä jonkinlaiseen kompromissiin, sillä kaikkea ei voi yhteen ohjelmaan sisällyttää. Jos yhteen ohjelmaan yritetään pakata liikaa toimintoja, kärsii sen käyttömukavuus ja selkeys huomattavasti. On siis saavutettava jonkinlainen välimuotoratkaisu tässä trade-off tilanteessa: ohjelma, jossa on riittävästi toimintoja, mutta joka silti on helppokäyttöinen ja selkeä. Tässä tilanteessa kaksoiskoropleettikartat lienevät tippuneet listalta.

Jokin karttatyypin pois jättäminen ohjelmistosta saattaa helposti laukaista negatiivisen kierteen. Kun karttatyyppiä ei voi ohjelmalla luoda, ei sen käyttökään yleisty. Ja kun kartta ei ole yleisessä käytössä sitä tuskin jatkossankaan lisätään karttaohjelmaan. Kauheankauniin kaksoiskoropleettikartan tulevaisuus siis tuskin on kovinkaan ruusuinen ja niiden yleistyminen käytössä ei välttämättä tapahdu koskaan.

LÄHTEET

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

Kurssikerta 2: Kilketiklik! Monimuotoiset teemakartat

Toisella kurssikerralla tutustuttiin erilaisiin teemakarttoihin. MapInfon teemakartan luontivalikosta löytyi koropleettikarttaa, pylväsdiagrammikarttaa, ympyrädiagrammikarttaa, graduated-teemakarttaa, pistetiheyskarttaa, individual-teemakarttaa ja grid-karttaa. Lisäksi loimme vielä kolmiulotteisen kartan grid-kartan pohjalta. Kolmeulotteinen kartta ei oikeastaan tuonut informatiivisesti juuri mitään lisää grid-karttaan, mutta olihan sen kääntely kuitenkin hauskaa.

Erilaisilla esitystavoilla voidaan saada aikaan vaihtelua karttojen ulkoasuun. Erilaisten kartografisten esitystapojen taustalla lymyävät erilaiset ilmiöt, joiden mahdollisimman havainnollinen kuvaaminen saattaa vaatia vaihtelevia karttaesityksiä. Esimerkiksi eri ikäryhmien suhteellista osuutta kunnan väestöstä voi olla vaikea ilmaista yksinkertaisella koropleettikartalla ja esityksestä tulee huomattavasti helpommin tulkittava ympyrädiagrammein esitettynä. Lisäksi yhdistelemällä teemakarttoja voidaan luoda kartografinen esitys kahden asian suhteesta tai mahdollisesta korrelaatiosta. Tällainen kartta oli esimerkiksi tunnilla toteutettu tarkoituksellisen epäkorrekti kartta saamelaisväestön määrästä ja kunnan alueella tapahtuneista viranomaisten tietoon tulleista rikoksista.

Kurssikerran tehtävänä oli valita jotkin muuttujat ja vertailla niiden yhteyttä kartalla (kuva 1). Valitsin oman työni muuttujiksi koulutusasteen ja veronalaisen tulon suhteutettuna kunnan väkilukuun. Tuloja päädyin kuvaamaan koropleettikartalla, käyttäen värinä setelinvihreää. Päätin mennä siitä mistä aita on matalin ja käyttää MapInfon valmiita värejä, vaikka Mia toteaakin viisaasti blogissaan: ”MapInfon valmiit väripaletit ja muut helpotetut toiminnot saattaisivat johtaa kartografin tyytymään helppoihin ratkaisuihin, vaikka juuri kahden muuttujan koropleettikartassa värivalinnat ovat todella tärkeitä.” Valitsemani väripaletti kuitenkin tyydytti värisilmäni kunnianhimon. Yritin aluksi kuvata koulutusastetta graduated-teemakartan hahmolla, mutta erot kuntien välillä osoittautuivat liian pieniksi kuvattavaksi tällä menetelmällä. Niinpä vaihdoin tyyliksi pylväsdiagrammin, jossa pystyin pylväitä muokkaamalla tuomaan paremmin esiin kuntien väliset suhteelliset erot. Pylväät kuvasivat vähintään keskiasteen koulutuksen ja korkea-asteen tutkinnon hankkineiden osuutta kunnan väestöstä. Tarkastelukohteekseni valitsin Uudenmaan, jonka tunnen Suomen maakunnista parhaiten. Ajattelin, että tutun paikan valinta helpottaisi karttojen tulkitsemista, kun itselläni oli kunnista jonkin verran taustatietoa.

tulot_ja_koulutus_kartta

 

Kuva 1. Värikenttinä esitettynä valtion veroalaisten tulojen suhde kunnan väkilukuun ja pylväsdiagrammein vähintään keskiasteen tutkinnon suorittaneiden osuus sekä korkea-asteen tutkinnon suoruttaneiden osuus kunnan väestöstä (Tilastokeskus, 2011).

Laskin teemakarttaani varten uuden yksikön, jossa jaoin valtion veronalaiset tulot kunnan asukasmäärällä. Tämä synnytti koropleettikarttaan väestönmäärää heijastelevan värijakauman. Koropleettikartan uuden yksikön suureet jäivät kuitenkin hämäriksi, sillä en niitä legendaan jostain syystä lisännyt. Kuntia voidaan kyllä vertailla tulojen suhteen, mutta absoluuttiset määrät jäävät epäselviksi. Ovatko kyseessä veronalaiset tulot kuussa vai vuodessa ja onko ne ilmoitettu lyhennetyssä muodossa, esimerkiksi tuhannen tarkkuudella? Nämä seikat minun olisi ollut hyvä selventää sekä itselleni että legendaan.

Väestöltään runsaslukuisimmat kunnat Helsinki, Vantaa ja Espoo saivat kaikki alimman tuloluokituksen, kun taas moni Uudenmaan syrjäisemmillä seuduilla sijaitseva kunta sijoittui taloudellisesti menestyksekkäämmin. Tämä jako lienee seurausta suuresta tulotason vaihtelusta, jota suuriväkisten pääkaupunkiseudun kuntien alueella on havaittavissa (Kortteinen & Vaattovaara 2003). Hyvätuloisten alueeksi mielletty Espoo sulkee rajojensa sisään monenlaista taajamaa aina Tapiolasta ja Espoon keskuksesta Westendiin. Samalla tavalla Helsingissäkin kuntalaisten tulotaso on hyvin kirjava ja jo Itä-Helsingissä yksinään kuntalaisten tulojen ero on räikeä esimerkiksi Jollaksen ja Itäkeskuksen välillä.  Jollaksessa voimme ihailla riviin ankkuroitua purjeveneitä ja Itäkeskuksessa kapakkatappeluita, näin hieman kärjistäen.

Koulutusastetta tarkasteltaessa on hyvä ottaa huomioon että ensimmäiseen luokkaan ”vähintään toisen asteen koulutus” sisältyvät myös ne, joilla on korkeamman asteen koulutus. Se ei kuitenkaan tee näiden kahden muuttujan vertailusta hyödytöntä saati sitten mahdotonta. Pylväsdiagrammin voikin tulkita esittävän niiden määrää, jotka ovat suorittaneet toisen asteen tutkinnon ja edelleen niiden määrää, jotka ovat jatkaneet opinnoissaan vielä pidemmälle ja korkeakouluttautuneet. Alueellista jakaumaa tarkasteltaessa voidaan havaita sen sisältävän vähemmän yllätyksiä kuin aikaisemman kuntakohtaisen keskimääräisen tulotason. Korkea-asteen tutkinnon suorittaneita oli kaikkein eniten Kauniaisissa ja toiseksi eniten Espoossa. Myös Vantaalla, Helsingissä ja Sipoossa korkeakoulutettujen osuus oli jonkin verran suurempi kuin aivan Uudenmaan laitamilla sijaitsevissa kunnissa. Toisen asteenkoulutuksen saaneiden suhteellinen osuus ei juuri vaihdellut Uudenmaan kuntien välillä, vaan pysyi likipitäen samansuuruisena. Arvaukseni on, että korkeakoulutetut hakeutuvat melko lähelle keskustaa, mutta kuitenkin hieman rauhallisemmille esikaupunkialueille. Espoon hyvä maine ja muun muassa Otaniemi saattavat houkuttaa kuntaan korkeasti koulutettuja.

Karttaa tarkasteltaessa muuttujien välillä ei silmämääräisesti ollut juurikaan korrelaatiota. Ainoa kunta, jossa sekä valtion veronalainen tulo oli suuri että korkeakoulutettuja paljon, oli Kauniainen. Muut pääkaupunkiseudun kunnat sijoittuivat korkealle vain korkeakoulutettujen osuudessa, eivät tulotasossa. Päinvastaista trendiä osoittivat itäisen Uudenmaan kunnat Pornainen, Askola, Pukkila ja Myrskylä. Näissä kunnissa korkeakoulutettujen osuus oli pieni, mutta tulotaso korkea. Tästä voimme muodostaa korkealentoisen ja liioitellun johtopäätöksen: Korkeakoulututkinto ei aina ole taloudellisen menestymisen avain.

LÄHTEET

Tilastokeskuksen kuntatiedot, 2011

Eriksson Mia (2014) Toinen kurssikerta: Lisää teemakarttoja <https://blogs.helsinki.fi/miaeriks/> Luettu 30.1.2014

Vaattovaara, Mari and Kortteinen, Matti (2003). Beyond Polarisation versus Professionalisation? A Case Study of the Development of the Helsinki region, Finland. Urban Studies, Vol. 40:11, pp 2127 – 2145.

Kurssikerta 1: MapInfon taikaa

Ensimmäisellä kurssikerralla tutustuttiin MapInfo-ohjelman käyttöön. Aikaisemmin olin pitänyt MapInfoa melko kömpelönä ohjelmana, enkä kokenut sen toiminnallisia ratkaisuja kovin intuitiivisiksi. Nyt kuitenkin käyttötaidon karttuessa, alkoi ohjelmakin totella paremmin. Erityisen yllättynyt olin teemakarttojen luomisen teknisestä helppoudesta. Huiskaus ja näpäytys, teemakartta oli luotu! Aluksi harjoittelimme teemakartan luomista harjoitustehtävän avulla, jonka jälkeen ryhdyimme luomaan omia karttojamme.

Valitsin työni aiheeksi kuntien työpaikkojen määrän. Kuntatietoaineisto oli peräisin vuodelta 2011. Työllisyysaineiston hajonta oli suurta ja vain muutamissa kunnissa työpaikkoja oli yli 50 000. Suurin osa kunnista osui välille 0-8000 työpaikkaa. Aineistosta luoto histogrammi (kuva 1) ei ollut lähelläkään normaalijakaumaa, vaan hyvin vinosti suuntautunut. Tämä histogrammin muoto ja aineiston jakautuminen sulki pois kvartiilien käytön aineiston luokittelussa.  Tasaväliluokituksellakin suurimmasta luokasta tahtoi tulla liian laaja ja tuon luokan sisäinen hajonta jäi turhan suureksi. Niinpä päädyin käyttämään aineistossani luonnollista luokittelua, joka minimoi luokkien sisäisen hajonnan ja maksimoi niiden välisen hajonnan. Luokissa olevien havaintojen lukumäärä vaihtelee huomattavasti, mutta katson sen pienemmäksi pahaksi kuin valtavan luokan sisäisen hajonnan (joka ei aivan kadonnut tälläkään luokittelumenetelmällä).

Työpaikat_histogrammi

Kuva 1. Histogrammi työpaikkojen määristä kunnitain (Tilastokeskus 2011).

Luonnollisen luokittelun seurauksena suuren työllisyyden kunnat korostuvat. Tämä on tarkoituksenikin ja siihen pyrin karttaa luodessani. Hankalin ja epämääräisin luokka on toiseksi suurin luokka (8 000 – 59 000), sillä tuohon luokkaan kuuluu sekä melko pienen että keskimääräisen työpaikkamäärän kuntia. Kolme pienintä luokkaa ovat kaikki pienen työpaikkamäärän kuntia. Mielestäni on kuitenkin tärkeää tehdä ero esimerkiksi alle 1000 ja yli 2000 työpaikan kuntien välillä, sillä tuo määrä saattaa jakaa kunnat menestyviin ja menehtyjiin.

Työpaikat_kartta

 Kuva 2. Teemakartta Suomen työpaikkojen määristä kunnitain (Tilastokeskus 2011). 

Karttaa (kuva 2) tarkastelemalla voidaan nähdä, että suurimmat työpaikkakeskittymät sijaitsevat pääkaupunkiseudulla, Turussa, Tampereella, Jyväskylän tienoilla ja Oulussa. Alhaisen työpaikkamäärän kuntia on ympäri Suomea. Osa niistä sijaitsee Lapin läänissä, kun taas toiset näyttäisivät olevan pieniä maaseutukuntia. Kunnat, jotka osuvat luokkaan 8 000-59 000 työpaikkaa, sijaitsevat usein korkeimman työpaikkamäärän omaavien kuntien liepeillä. Itäisessä Suomessa tämän luokan kuntia sijaitsee myös korkeimmasta luokasta erillään.

Työllisyyskartan tuoma tieto antaisi vielä enemmän informaatiota kunnan hyvinvoinnista ja sen elinvoimaisuudesta, mikäli kunnan tiedot yhdistettäisiin tietoihin kunnan väestömäärästä, työllisyydestä tai vaikkapa ikäjakaumasta. Arvaukseni on, että väestönmäärä korreloi melko selkeästi työpaikkojen määrän kanssa.

Tutkailemalla muiden kurssilaisten ensimmäisen kerran karttoja löysin eläkeläisten osuutta (Satu Lyytikäinen) ja työttömyysastetta (Katri Ruutu, 2014) kuvaavat teemakartat. Näin karttoja silmäillen näyttäisi siltä, että sekä eläkeläisten osuus että työttömyysaste noudattelisivat karkeasti samaa kuviota kuin oma karttanikin, mutta vain päinvastoin. Tämä tukee yleistä mielikuvaa, jossa runsas työpaikkaisissa kunnissa asuu paljon työikäisiä, työkykyisiä ja työllistyneitä ihmisiä. Kuntien kilpailukyvyn ja elinvoimaisuuden katsotaankin usein pohjautuvan taloudelliseen vahvuuteen, mikä kumpuaa työpaikkojen runsaudesta ja hyvin työllistyneistä asukkaista.

Lähteet

Työpaikkojen määrä, Tilastokeskus (2011)

Lyytikäinen, S. (2014) Kurssi alkaa! <https://blogs.helsinki.fi/sealyyti/> Luettu: 28.1.2014

Ruutu, K. (2014) Kurssikerta 1: Mapinfoon tutustumista <https://blogs.helsinki.fi/karuutu/> Luettu: 28.1.2014

Histogrammityökalu. <http://illuminations.nctm.org/Activity.aspx?id=4152> 28.1.2014