Loppurutistus

Viimeisellä kerralla oli vuoromme itse etsiä mieluisaa aineistoa joista tehdä MapInfon avulla karttaesitys.

Minun oli vaikea valita mistä etsisin aineistoa. Mikäli osaa etsiä internetistä löytää vaikka minkälaista tietoa. Arttu avitti meitä hieman antamalla muutaman linkin jonka takaa voisi löytää kiintoisaa tietoa. Olisin ensin halunnut esittää Euroopan maiden Gini-kertoimia (joka kertoo tulojen jakautumisesta väestön kesken) sekä vallitsevaa poliittista ryhmittymää vasen-oikea -akselilla, mutta totesin jo ennen kuin aloitin että on todella työlästä käydä läpi jokaisen maan nykyiset (ja aiemmat!) vaalitulokset ja vielä määrittää niiden paikka poliittisella akselilla. Hypoteesinahan minulla oli että oikeistolaisissa maissa tulot olisi epätasaisemmin jaettu.

Päädyin sen sijaan luulemaan että isot tuloerot näkyvät ihmisten terveydessä, ja sitä kautta elinikään. Etsin tietoa odotetusta elinajasta, kohderyhmänä 60-vuotiaat naiset, YK:n tietokannasta.

Gini-kertoimen etsiminen oli vaikeaa. Tietoa löytyi kyllä monesta paikasta, mutta samassa paikassa ei koskaan löytynyt tietoa kaikista haluamistani maista, joten jouduin yhdistämään tietoa kahdesta eri lähteestä. Suurin osa tiedoista löytyi EU:n nettitietokannasta, mutta joidenkin Itä-Euroopan maiden tiedot jouduin ottamaan Maailmanpankin tietokannasta. En ole sataprosenttisesti varma että molemmat lähteet käyttävät samaa laskutapaa, Valko-Venäjän ja Ukrainan Gini-kerroin kun on ainakin minun mielikuviin verrattuna hyvin alhainen. Venäjän ja Turkin kertoimet sen sijaan olivat reilusti aineistoni korkeimmat, mikä antoi minulle enemmän uskoa lähteiden verrattavuudesta.

Gini-elinajanodoteKuva 1. Euroopan maiden Gini-kertoimet vuonna 2013 verojen ja tulonsiirtojen jälkeen sekä 60-vuotiaiden naisten elinajan odote.

Kartasta voi tulkita että molemmat kertoimet ovat vahvasti alueellisesti jakautuneita. Gini-kerroin on korkein, eli tulot ovat tasaisimmin jakautuneita, Pohjoismaissa sekä Keski-Euroopan pienissä maissa ja Valko-Venäjällä ja Ukrainassa. Keski-Euroopan suuret maat kuuluvat toiseksi korkeimpaan luokkaan jossa Gini-kerroin on 30:nen molemmin puolin. Etelä-Euroopan ja Baltian maissa tulot ovat epätasaisemmin jakautuneet kuin muussa Euroopassa, ja Turkissa, Venäjällä ja Balkanilla tuloerot ovat suurimmat.

Elinajan odote taas on selvästi länsi-itä -suuntaisesti jakautunut: Länsi-Euroopassa eletään pidempään kuin Itä-Euroopassa. Syitä tähän voi olla yleisen terveydenhuollon kehittyneisyyserot ja elämäntyyli.

Eli hypoteesini ei pitänyt paikkaansa: tulojen jakautumisella ei ole suoraa korrelaatiota eliniän pituuteen vaan siihen vaikuttaakin jokin muu paljon vahvemmin.

Toisen kartan tein Ruotsin ulkomaalaisten määrästä ja Ruotsidemokraattien kannatuksesta viime vaaleissa. Ruotsidemokraatit ovat näyttäytyneet erittäin maahanmuttovastaisena puolueena ja hypoteesini oli että heidän kannatus olisi korkeinta niillä alueilla jossa asuu eniten ulkomaalaisia.

utlänningar_SD_2Kuva 2. Ulkomailla syntyneiden ja Ruotsidemokraattien kannatus Ruotsissa lääneittäin.Kartalle merkitty Ruotsin kolme suurinta kaupunkia punaisin pistein.

Kartasta näkee heti että väljästi asuttuun Pohjois-Ruotsiin maahanmuutto ei edes suhteellisina lukuina ole ollut kovinkaan suurta – eikä myöskään Ruotsidemokraattien kannatus. Sen sijaan eniten maahanmuuttajia asuu Tukholman ja Malmön, Ruotsin kahden suurimman kaupungin, seuduilla. Skånessa ja muussa Etelä-Ruotsissa Ruotsidemokraattien kannatus on suurimmillaan. Jokseenkin yllätyksenä minulle tuli että Tukholman läänissä puolueen kannatus on erityisen pieni (reilu 8 %), vaikka siellä asuu suuri osa maan ulkomaalaisista. Ehkäpä alueen väestö on muuta Etelä-Ruotsia liberaalimpi, tai ainakin suvaitsevaisempi.


Loppupohdintoja

Vaikka aluksi petyin kun en “saanut” piirtää karttaa itse ja tehdä siitä oma tietokanta alusta asti, olen kyllä tyytyväinen, ja ehkä jokseenkin huojentunut, siitä että valmista tai puoli-valmista paikkatietoaineistoa on aika hyvin saatavilla netistä. Esimerkiksi löysin Ruotsin tilastokeskuksesta MapInfo .tab-muotoisen aineiston Ruotsin lääneistä.

Tiedon haussa havahduin kunnolla siihen että vaikka tietoa on olemassa paljon, voi kuitenkin olla että tietoa lötyy vain osasta kaikista alueista, eikä eri lähteissä oleva tieto välttämättä ole verrattavissa. Yllättävän huonosti joissakin paikoissa löytyy aineiston sisällön selventävää selitystä, esimerkkinä Gini-kerroin josta ei Maailmanpankin sivuilla lukenut lainkaan josko tilastotiedot olivat ennen vai jälkeen veroja ja tulonsiirtoja.

Aineiston hakemisessa minulla oli vähän sama ongelma kuin Tiia Salmisella: vaikea löytää mitään fiksua vaikka internet on täynnä kaikkea. Siksi onkin tärkeätä että kursseilla näytetään ja tutustutaan mahdollisimman moneen eri tahoon jolta löytyy tilasto- tai paikkatietoa internetistä. Ihan vain tulevaisuutta ajatellen.

Vaikein asia tätä tehtävää tehdessä oli itse asiassa päällekkäisten koropleettikarttojen teko. Yritin esittää toisen muuttujan pylväsdiagrammein ja erikokoisina pisteinä, mutta niiden erot eivät tulleet tarpeeksi hyvin esille. Siksi päädyin molemmissa kartoissa esittämään toisen muuttujan eri rasterein koska en enää keksinyt muuta parempaa. Mutta ihan hyvin ratkaisuni näyttää toimivan.

Tiedän että päällekkäisissä kartoissa saisi olla korkeintaan 3×3=9 luokkaa luettavuuden säilymiseksi, mutta valitsin kuitenkin käyttää neljää luokkaa alemmissa kartoissa jotka näkyy värein. Mielestäni sekin ratkaisu toimii hyvin, erityisesti kun toisesta muuttujasta yksi luokka esitetään ilman mitään rasteria. Tällä tavalla kartta on myös hieman monipuolisempi ja tiedoltaan rikkaampi.

Nyt kurssin päätyttyä tuntuu siltä että kurssilla käytetyt MapInfon toiminnot ovat aika hyvin hanskassa, mutta tiedostaen että vielä löytyy paljon jännää opittavaa mistä en ehkä vielä edes tiedäkään. Onneksi seuraavassa periodissa jatkamme GIS:in kanssa työskentelyä!

 

LÄHTEET

Eurostat (2015) Gini coefficient of equivalised disposable income <http://ec.europa.eu/eurostat/web/income-and-living-conditions/data/database> Luettu 26.2.2015

Maailmanpankki (2015) Gini-index (World Bank estimate) <http://data.worldbank.org/indicator/SI.POV.GINI> Luettu 27.2.2015

Salminen, T (2015) Kurssikerta 7: Tilastoja Afrikasta <https://blogs.helsinki.fi/tiisalmi/2015/02/24/kurssikerta-7-tilastoja-afrikasta/> Luettu 12.3.2015.

Statistiska centralbyrån (2015a) Allmänna val, valresultat <http://www.scb.se/sv_/Hitta-statistik/Statistik-efter-amne/Demokrati/Allmanna-val/Allmanna-val-valresultat/> Luettu 27.2.2015

Statistiska centralbyrån (2015b) Befolkningsstatistik <http://www.scb.se/sv_/Hitta-statistik/Statistik-efter-amne/Befolkning/Befolkningens-sammansattning/Befolkningsstatistik/> Luettu 27.2.2015

Statistiska centralbyrån (2015c) Digitala gränser <http://www.scb.se/sv_/Hitta-statistik/Regional-statistik-och-kartor/Regionala-indelningar/Digitala-granser/> Luettu 27.2.2015

United Nations Statistics Division (2015) Social Indicators, Table 2a – Life expectancy <http://unstats.un.org/unsd/demographic/products/socind/> Luettu 26.2.2015

Opetuskarttoja

Tällä kertaa aloitimme kohteiden koordinaattien keräämisen GPS:llä ja lopetimme hasardikarttojen tekoon.

Vinkkinä voin kertoa että ei muuten vaan kannata näyttää naamaansa kampuksen jokaiselle valvontakameralle turhan päiten – näköjään siellä joku ihan oikeasti katsoo niitä kuvia ja tulee huomauttamaan asiasta. No, vahtimestarit saivat meistä perjantaiaamupäivän puheenaiheen.

Mutta tämän viikon blogitehtävä koskee ihan toista aihetta. Tehtävänä oli laatia kolme opetuskäyttöön soveltuvaa karttaa hasardeista ja arvioida niiden soveltuvuutta opetukseen.

maanjäristyksetKuva 1. Yli 6 magnitudin maanjäristykset vuoden 1900 jälkeen. Lähde: University of California.

Kartalla (kuva 1) 6-8 magnitudin maanjäristykset on kuvattu ohuilla risteillä ja sitä suuremmat isompina tummina pisteinä. Minun mielestä kartta havainnollistaa oranssien ristien myötä hyvin missä päin maailmaa maanjäristyksiä yleensä esiintyy. Tummat pisteet taas esittävät missä ne aivan isoimmat maanjäristykset, jotka aiheuttavat eniten tuhoa, ovat sijainneet. Kartalta erottuu hyvin Tyynen valtameren “Tulirengas” sekä valtamerten keskiselänteet ja Intian ja Euraasian laatan konvergenssivyöhyke.

tulivuori-maanjäristysKuva 2. Maanjäristykset ja tulivuorenpurkaukset vuoden 1964 jälkeen. Lähde: NOAA (b) ja University of California .

Kuvassa 2 esitän tulivuorenpurkausten ja yli magnitudi 7:n maanjäristysten sijainnin. Kartalla visualisoituu hyvin maanjäristysten ja tulivuorten korrelaatio – molemmat esiintyvät litosfäärilaattojen saumakohdissa. Tämän voisi vielä selvemmin tuoda esille jos kartalle lisäisi litosfäärilaattojen rajat.

Toisaalta litosfäärilaattoja ei tarvitsisi esittää samalla kartalla – endogeenisten prosessien opetteluun käytetään kumminkin enemmän aikaa kuin mitä yhden kartan tulkitseminen riittää. Outi Seppälä ajatteli blogissaan pidemmälle kuin minä: “Opetuksessa näiden karttojen yhteydessä esittelisin kartan litosfäärilaatoista, koska niiden toiminnan ymmärtämiseen perustuu maanjäristysten ja tulivuortenkin haltuun ottaminen. Samassa yhteydessä voitaisiin käsitellä muutkin seismisyyteen ja vulkanismiin liittyvät käsitteet, kuten hot spotit sekä erilaiset saumatyypit ja niin edelleen.” 

Pisteitä tuli kartalle aikamoinen määrä, ja tarkemmin ajateltuna olisi ehkä ollut fiksumpaa laskea mukaan vain voimakkaimmat maanjäristykset ja eniten tuhoa aiheuttaneet tulivuorenpurkaukset. Tällöin kartta olisi ehkä vähän paremmin havainnollistava eikä vain satojen pisteiden sekamelska. Tulivuorenpurkausten pistekoon suurentaminen voisi myös helpottaa kartan lukemista.


tsunamiKuva 3. Tsunamin aihettaneet maanjäristykset ja tulivuorenpurkaukset sekä tsunameihin kuolleiden määrä tapahtumamaittain vuoden 1800 jälkeen. Virhe: alin luokka on “1-499”, eli ei ala nollasta.  Lähde: NOAA (a).

Kolmanteen karttaan en enää keksinyt mitään fiksua maanjäristyksistä tai tulivuorista joten päädyin ottamaan jonkun muun luonnonhasardin. En viitsinyt myöskään tehdä karttaa meteoriittikraatereista koska meteoriitit eivät tietääkseni valitse joitakin tiettyjä kohteita maan pinnalta jonne ne iskeytyvät vaan sattuma ratkaisee enemmän. Valitsin siis aiheekseni tsunamit joista löytyi tietoa samalta nettisivulta kuin tulivuorista.

Pohdin kauan mitä minun pitäisi esittää kartalla tsunameista. Tieto on pistekohtaista ja sitä on sekä tsunamin aiheuttamasta kohdasta (useimmiten maanjäristys tai tulivuorenpurkaus) että paikoista joissa tsunami on iskenyt rantaan.

Päädyin näyttämään tsunameihin kuolleiden määrää. Olisin halunnut esittää sen eri kokoisina pisteinä, joissa pisteen koko määräytisi kuolleiden määrän perusteella, samalla tavalla kuin syksyllä teimme Corelilla muista aiheista. En harmikseni löytänyt miten tämä MapInfossa tehtäisiin enkä halunnut käyttää teemakarttatoiminnon erikokoisia pisteitä, sillä ne määäräytyvät ainoastaan valittujen luokkien mukaan eikä juoksevasti, eikä tämä ole kovin fiksua.

Nyt päädyin näyttämään tsunameihin kuolleiden määrän valtioittain, eli kuinka monta on kuollut maan rajojen sisällä (ei kansalaissuuksia).  Tämä esitys antaa tulokseksi että Japanissa ja Intiassa sekä Kaakkois-Aasiassa on kuollut ylivoimaisesti eniten ihmisiä tsunamien johdosta. Myös Välimerellä, Itä-Afrikassa ja Amerikoissa on tsunamit johtaneet kuolemiin.

Kuolleiden määrän esittäminen tällä tavalla ei ole kuten edellä mainittu läheskään parhain mahdollinen. Tsunamit ovat tehneet tuhoja vain pienessä osassa maata, mutta koko maa värjätään yhdellä värillä, joten maan sisiäisiä eroja ei tule näkyviin. Hyvä esimerkki tästä on pinta-alaltaan iso Venäjä jossa on viimeisen 200 vuoden aikana kuollut tuhansia ihmisiä tsunameihin – tsunamiaallot ovat kuitenkin vain iskeneet itä-Venäjällä Kurilin saarilla ja Kamtšatkan niemimaan ympäristössä.

Mutta kartassani on myös näiden tsunamiaaltojen syntypaikat, eli useimmiten maanjäristys tai tulivuorenpurkaus. Tämä auttaa hyvin havainnollistamaan missä päin tsunami on voinut iskeä maahan.  Virheellisesti kartan legendassa kuitenkin kerron että vihreät pisteet olisivat vain maanjäristyksiä ja tulivuorenpurkauksia jotka ovat johtaneet tsunamiin, sillä kyllähän tsunameita syntyy myös esim. maanvyörymisistä etc.

Kartta ei tsunamien esittämiseen ole kovinkaan hyvä. Mutta ei se ihan arvotonkaan ole opetuskartaksi: opettaja voisi käyttää sitä oppilaiden kartanlukutaidon parantamiseksi. Esimerkiksi voisi pyytää oppilaita rajaamaan alueet joilla tsunamit ovat iskeneet maahan ja miettiä mitä heikkouksia ja vahvuuksia koropleettikartoilla on. Voisi myös pohtia minkä takia Intiassa on kuollut niin paljon ihmisiä tsunameihin, vaikka tsunameita ei ole syntynyt lähellä Intiaa.

jordbv_vulk_litosfärpl
Kuva 4. Litosfäärilaatat, maanjäristysalueet ja aktiiviset tulivuoret. (Kakko y.m.)

Lopuksi vielä yksi “oikea” opetuskartta. Se (kuva 4) on lukion maantiedon hasardikurssin kirjasta. Valitsin sen koska se kokoaa yhteen tietoa maanjäristyksistä, tulivuorista ja litosfäärilaatoista. Kartta visualisoi minusta hyvin miten nämä eri toiminnot liittyvät yhteen.

Tässä kartassa on valittu näytettäväksi vain aivan voimakkaimmat maanjäristykset. Kun vertaa minuun ensimmäiseen karttaan (kuva 1) jossa on tuhansia pisteitä näyttämässä missä maa järisee, tässä on sen sijaan maalattu maanjäristysalttiit alueet vaaleanruskealla värillä, jotta kartan muutkin elementit tulevat näkyviin.

Tulivuoria näkyy kartalla kahdenlaisia. Ensinnäkin kaikki aktiiviset tulivuoret, sekä toiseksi näkyvämmällä punaisella vuoden 1965 jälkeiset voimakkaat tulivuorenpurkaukset. Tällä tavalla oppilas voi sekä hahmottaa missä tulivuorenpurkaukset voivat olla riski, että missä lähihistoriassa on tapahtunut voimakkaita purkauksia.

Lisäksi on karttaan vielä merkitty litosfäärilaattojen rajat ja niiden liikkumissuunnat. Endogeenisten prosessien opiskelussa on hyvä paitsi teoriassa tietää miten maanjäristykset ja tulivuorenpurkaukset tapahtuvat, myös itse nähdä kartalta että nämä alueet sijaitsevat laattojen rajaseuduilla.

Tässä opetuskirjan kartassa on minuun karttoihin verrattuna valtavan paljon enemmän erilaista tietoa, mikä vaatii oppilaan pidempää tarkastelua – karttaa ei ymmärrä ja sisäistä kaikkea oleellista parilla vilkauksella. Toki karttojen tarkoitus ei aina ole sekunnissa kokonaiskuvan saaminen, etenkään kun  kartalla viestitään paljon erilaista tietoa.

Yksi asia mikä pisti silmään tätä karttaa katsottaessa oli ettei tässä, eikä muissakaan opetuskartoissa, ole koordinaattiruudukkoa. Se ei ole mikään välttämättömyys eikä tuo kovin paljon lisäarvoa kartalle. Minä olisin hyvin voinut jäättää sen pois kartoiltani ja silloin jopa parantanut niiden luettavuutta.

LÄHTEET

Kakko, I., Kenno, P., Tyrväinen, H., Eriksson, G., Sirén, N. (2004) Gymnasiegeografi. Riskernas och möjligheternas värld. 2. p. 190 s. Schildts Förlags Ab, Helsigfors.

NOAA (a)= National Oceanic and Atmospheric Administration (2015) Global Historical Tsunami Database <http://www.ngdc.noaa.gov/hazard/tsu_db.shtml> Luettu 23.2.2015

NOAA (b) = National Oceanic and Atmospheric Administration (2015) Volcano Location Database  <http://www.ngdc.noaa.gov/nndc/struts/form?t=102557&s=5&d=5> Luettu 20.2.2015

Seppälä, O (2015) Outin PAK-blogi: Järistyksiä ja purkauksia open näkökulmasta <https://blogs.helsinki.fi/outisepp/2015/02/18/jaristyksia-ja-purkauksia-open-nakokulmasta/> Luettu 23.2.2015

University of California (2015) Northern California Earthquake Data Center <http://quake.geo.berkeley.edu/anss/catalog-search.html> Luettu 20.2.2015

Aivojen aktivointi

Viides kurssikerta lähti käyntiin bufferoimisen oppimalla, ja jatkui itsenäistehtävien parissa jolloin saimme käyttää ja soveltaa tähän mennessä oppimaamme.

Kurssikerran tehtävät

Viime kerralla digitoimme osa Pornaisten keskustan teistä ja rakennuksista, ja tällä kertaa aloitimme harjoittelemalla bufferointityökalun käyttöä näiden avulla: kuinka moni talo on 100 metrin päässä jostakin tiestä ja kuinka moni on 500 metrin säteellä terveyskeskuksesta. Ohjelma siis piirtää valitun kokoisen “bufferin” objektin ympärille.

Ensimmäinen tehtävä koski lentokenttiä ja niiden melualueita. Alkajaisiksi tuli piirtää Malmin ja myöhemmin Hki-Vantaan kiitoradat ja tehdä niistä uusi tietokanta, tämän jälkeen bufferoida kuinka moni ihminen asuu yhden ja kahden kilometrin säteellä kiitoradoista. Tämä oli helppoa kun pienen totuttelun jälkeen ymmärsi mitä työkaluja piti käyttää bufferin sisällä olevien kohteiden valitsemiseen ja mistä niiden tiedot näkee.

Lentokenttätehtävissä oivalsin että aina ei ole pakko pitää kaikkia avoimia tietokantoja esillä sillä se sekä hidastaa työskentelyä että vaikeuttaa haluttujen elementtien erottamista muista.

Toisessa tehtävssä piti taas tuottaa uutta tietoa tietokantaan laskemalla mm. kouluikäisten lasten määrä ja ulkomaalaisten usuus väestöstä eri taajama-alueilla. Muuten laskeminen oli tuttua aiemmilta kurssikerroilta, mutta ulkomaalaisten määrää laskiessa menin vähän takalukkoon kun joidenkin rivien suuret minusluvut hämmensivät minua. Tein kaikki laskut muutamaan kertaan uudelleen (MapInfon kaatumisen vuoksi) ja ymmärsin viimein etten ollut tehnytkään mitään väärin.

Kolmanneksi tehtäväksi valitsin koulutehtävän. Ounastelin että siinä menisi paljon aikaa, mutta se olikin nopea ja helppo tehtävä, ei tarvittu enempää kuin muutama lasku. Edellytyksenä siihen oli tietenkin oikean koulun löytäminen tietokannasta kun siinä ei ilmoitettu koulujen nimiä, vain koordinatit ja osoite (josta se sitten toivon mukaan löytyi oikein).

Harjoitusten vastaukset alla.PAK harjoitus 5


Yleisiä pohdintoj
a

Tämä kurssikerta oli minulle antoisa. Oli kivaa tehdä harjoituksia ilman yksityiskohtaisia ohjeita, jolloin tarvitsi oikeasti käyttää päätä ja muistella miten aiemmilla kerroilla samat asiat on tehty. Ja mikäli en itse oikein muistanut tai oivaltanut mitä pitäisi tehdä, tuli se selväksi kun pohti sitä vierustovereiden kanssa.

Nyt neljännen ja viidennen kurssikerran jälkeen tuntuu siltä että alan vähän ymmärtää miten MapInfo -ohjelma toimii. Miten tietoa ohjelmassa tuotetaan ja tähän mennessä oppimamme analyysityökalut. Viides kurssikerta antoi myös vähän lisää itsevarmuutta tekemiseen.

Odotin kurssin alusta asti opetusta siitä miten karttoja tehdään MapInfossa ja miten ne sidotaan koordinaatistoon. Mielestäni se olisi voitu käydä läpi mieluten ensimmäisellä kurssikerralla. Nyt minulle tuli alussa semmoinen tunne että saamme kaikki karttapohjat ja ainestot valmiina opettajalta ja että niiden itse tuottaminen varmaan on liian monimutkaista meille tässä vaiheessa. Sen takia teemakarttojen teko alussa ei sytyttänyt minua ihan niin paljon kuin voisi toivoa kun tuntui että teimme enemmän vain kartografiaa emmekä ollenkaan “käytännön” asioita joista on hyötyä myöhemmässä vaiheessa esim. työelämässä – jolloin Arttu ei taatusti tuo karttoja ja aineistoja meille valmiiksi analysointia varten. Mutta onneksi tämä kuitenkiin käytiin läpi nyt.

En oikeastaan ole pohtinut MapInfon vahvuuksia ja heikkouksia kovinkaan paljon. Selvä miinus on piirtotyökalun heikkoudet verrattuna piirto-ohjelmiin (esim. Corel). Ohjelma ei myöskään ole liian käyttäjäystävällinen kun monet toiminnot ovat useiden klikkausten takana. Elias Annila kiteyttää tämän hyvin blogissaan:

“MapInfo tarjoaa näiden molempien tehtävien toteuttamiseen kohtalaiset työkalut, mutta molempiin on mielestäni olemassa tehokkaampiakin ratkaisuja. Piirtämiseen piirto-ohjelmat tarjoavat paremman ympäristön, ja taulukoiden datan manipuloinnissa MapInfon loputtomalta tuntuva valikoiden läpi kahlaus ja taulukoiden uudelleen availu, ei myöskään ole kovinkaan optimaalista. MapInfon vahvuus onkin siinä, että näitä työkaluja saadaan yhdisteltyä huomattavan helposti yhdessä ohjelmassa.”

Elias toteaa myös että ei olisi kovinkaan hauskaa piirtää esim. koropleettikarttoja Corelilla, jolloin joutuisi värittämään jokaisen alueen erikseen, etenkin kun MapInfolla teemakarttojen tekeminen on niin helppoa ja yksinkertaista.

Latasin kurssikerran jälkeen MapInfon omalle koneelleni kotona. Tunnin latauksen ja kahden tunnin asennuksen jälkeen huomasin iloisesti että se jopa toimii hyvin (myös pienellä näytöllä). En toki saanut yhteyttä lisenssiserveriin niin käytän sitä 30 päivän koeajalla nyt…

Viikonloppuna sitten leikin ja tein mielikuvituksellisia karttoja ja tietokantoja Mapinfolla ehkä liiankin kauan. Mutta näinhän sitä oppii. Neljännellä kurssikerralla piirsimme Pornaisten kartasta vain tiet ja rakennukset, joten tunnilla jäi oppimatta miten polygoneihin leikataan aukkoja esimerkiksi peltosaarekkeille, mitä oli hyvä harjoitella itsenäisesti.

Blogikirjoituksen ohjeessa neuvotaan pohtimaan esim. puskurivyöhyketoiminnon käyttömahdollisuuksia. Se on hyvä kun halutaan kartoittaa kuinka paljon jotakin (ihmisiä, rakennuksia, peltoja yms.) jonkin säteen päässä jostakin kohteesta on – joko absoluuttisesti tai relatiivisesti. Itse haluaisin ottaa selville kuinka suuri osa ihmisistä pääkaupunkiseudun eri osissa asuu esim. 300 metrin päässä lähimmästä joukkoliikenteen pysäkistä, Jos tekee karttaesityksen tästä ne asuinrakennukset jotka eivät osu tälle säteelle voi merkitä erityisen huomioidusti mikäli halutaan helposti nähdä missä joukkoliikenteen katvealueet sijaitsevat.

 

LÄHTEET

Annila, E (2015) Eliaksen PAK-blogi: Analyysejä pisteaineistosta, sekä pohdintaa Mapinfon käytöstä  <https://blogs.helsinki.fi/eannila/2015/02/16/viides-kurssikerta-analyyseja-pisteaineistosta-seka-pohdintaa-mapinfon-kaytosta/> Luettu 17.2.2015

Pisteistä rasterikarttoja

Tällä kertaa oli vuorossa pisteaineston loihtiminen rasterikartoiksi sekä karttalehden asettaminen koordinaattijärjestelmään.

Tämän viikon blogitehtävässä tehtiin rasterikartta valitusta pääkaupunkiseudun väestöön kuuluvasta aiheesta. Aineistona meillä oli pisteaineisto jokaisen asuinrakennuksen väestöstä ja sai valita itse minkä kokoisista ruuduista kartan teki.

Minä valitsin aiheekseni ruotsinkielisten absoluuttisen määrän kuvaamisen (kuva 1). Ruutukokona minulla on 250×250 metriä.

ruotsinkieliset
Kuva 1. Ruotsinkielisten määrä pääkaupunkiseudulla 250×250 metrin suuruisia ruutuja kohden.

Eniten ruotsinkielisiä asuu Helsingin ydinkeskustassa ja Mannerheimintietä pitkin Töölön kautta kohti Munkkiniemeä. Muita ruotsinkielisten keskittymiä ovat Lauttasaari lounais-Helsingissä, Kauniainen, Espoonlahti ja Matinkylä-Westend Espoossa. Vantaalla asuu verrattain vähän ruotsinkielisiä, 0-10 ruutua kohti, eikä mitään suuria ruotsinkielisten keskittymiä ole. Myöskään Pohjois-Espoossa ruotsinkielisten määrä ruutua kohtaan ei ole kovin suuri. Pääkaupunkiseudulla asuu yhteensä noin viidennes koko Suomen ruotsinkielisestä väestöstä.

Olli Rantamäki on myös tehnyt kartan ruotsinkielisten määrästä pääkaupunkiseudulla. Hän kyseenalaistaa blogissaan kieliryhmiä erottelevan tutkimuskysymyksen, tarkoittaen että suomen- ja ruotsinkielinen kulttuuri Helsingissä ei eroa kovinkaan paljon. En ole hänen kanssa ihan samaa mieltä. Esimerkiksi on tärkeätä tietää ja nähdä visuaalisesti missä esim. ruotsinkielisiä asuu ja kuinka paljon kun mietitään palvelujen sijoittamista eri alueille. Mikäli jokin alue erottuu poikkeuksellisesti kasvavana ruotsinkielisten lapsiperheiden alueena tällä alueella varmasti tarvitaan lähitulevaisuudessa uusia ruotsinkielisiä kouluja yms. Mistä tahansa teemasta tutkimuksen tai kartan tekee, pitäisi pohjalla aina olla jokin tarve tälle informaatiolle.

Kielirajat ylittävät avioliitot ovat olleet kasvussa. Tämä on johtanut kaksikielisten perheiden lasten määrän kasvuun (helsinginseutu.fi). Kiinnostava tutkimusaihe olisi selvittää missä nämä kaksikieliset, joista osa on suomenkielisiksi rekisteröidyt, asuvat ja miten ruotsinkielisen päivähoidon ja koulutuksen pitäisi ottaa tämä huomioon. Monet kaksikielisistä perheistä haluavat nimenomaan laittaa lapsensa ruotsinkieliseen koulutukseen, mutta jos lasten äidinkieleksi on rekisteröity suomi on viranomaisten vaikea ennakoida tulevia oppilasmääriä.

Ongelma tällaista asiaa esitettäessä absoluuttisia lukuja käyttäen on, ettei näe mikä ruotsinkielisten määrä  on suhteutettuna kaikkiin asukkaisiin. Laajoilla alueilla jossa kartan mukaan asuu esim. alle 10 ruotsinkielistä ei välttämättä asu kovinkaan paljon enemmän muunkielisiä, jolloin ruotsinkielisten määrä alueella onkin suuri.

Sen takia päätin että olisi hyvä ottaa mukaan kurssikerran alussa yhdessä tekemämme kartta alueen koko väestöstä (kuva 2).

asukkaita
Kuva 2. Pääkaupungin väestö kuvattuna 250×250 m ruuduissa.

 Tästä näemme että monet alueet joissa asuu paljon ruotsinkielisiä myös on muutenkin korkea asumistiheys (esim. Helsingin kantakaupunki, Espoonlahti, Matinkylä). Mutta kaikki alueet joissa asuu paljon ihmisiä ei asu paljon ruotsinkielisiä. Pohjois- ja Itä-Helsingissä ja Itä-Vantaalla on korkea asumistiheys, muttei paljon ruotsinkielisiä.

Absoluuttisissa luvuissa on toisaalta hyvä se, että niistä näkee missä oikeasti asuu paljon ruotsnkielisiä. Esimerkiksi koulujen sijaintia suunniteltaessa on enemmän hyötyä siitä että tietää paljon eri kielisiä lapsia asuu määrällisesti jollakin alueella kuin niiden suhteellisista luvuista.

Mikäli ei käytä neliökilometrin kokoisia ruutuja, pitää muistaa että ruudun arvo ei ole asumistiheys neliökilometriä kohden. Kun ruutukoko on 250×250 m täytyy luku tällöin kertoa 16:a.

Ruututeemakartalla voi siis perustellusti käyttää absoluuttisia lukuja, kunhan myös lukija tiedostaa mitä kartassa näytetään. Ruutukartassa jokainen alue, eli ruutu, on saman kokoinen, joten eri alueiden vertaaminen on siten oikeudenmukaista eikä vääristä totuutta. Teemakartalla jossa alueet ovat eri kokoisia, esim. koropleettikartalla, ei taas ole suotavaa näyttää ainoastaan absoluuttisia lukuja. Ruutukartalla ei taas olisi perusteltua näyttää suhteellisia lukuja, koska se ei mahdollistaisi havaintojen oikean lukumäärän vertailua, eikä ruutukartalla ole suotavaa tai ehkä mahdollistakaan kuvata kahta eri muuttujaa.

Korologisen matriisin käyttö aluejakona on myös helppo valinta. Ensinnäkin kartan tekijän ei tarvitse miettiä mistä vetää alueiden rajat, ja toiseksi jokainen alue on yhtä iso eli kartassa ei ole pinta-alavääristymiä.

Kuten aina teemakarttaa tekiessä suurin ongelmani tälläkin kertaa oli väriskaalan valitseminen. Minun on aika helppo valita sopiva luokkajako, mutta todella vaikeata valita kartalle sopiva väri ja ne sävyt millä kuvaan eri luokkia. Luulen että ensimmäisessä kartassani (kuva 1) on liian monta luokkaa, mutta muuten värivalintani on vähintäänkin ok.

Kun minun piti valita mitä elementtejä näyttää kartalla tuli toinen tänkapå. Tulin siihen lopputulokseen että on fiksuinta näyttää rantaviivan, jokien ja järvien lisäksi myös suurimmat tiet. Tällöin lukijan on helpompi hahmottaa missä eri alueet sijaitsevat kartalla. Lisäksi näytän myös kuntarajat, mutta näiden värin muutin mustasta harmaaksi jottei niitä sekoittaisi teihin. Kannattaa aina ensin valita mitä elementtejä kartalla näyttää ja vasta sitten miettiä luokkien väritystä. Nyt tein toisin päin.

 

LÄHTEET

Pääkaupunkiseudun neuvottelukunta (2005). Pääkaupunkiseudun ruotsinkieliset palvelut. <http://www.helsinginseutu.fi/wps/wcm/connect/9b36b2004a153c0daf14efb546fc4d01/HS_Hup_raportti_2007.pdf?MOD=AJPERES&CACHEID=9b36b2004a153c0daf14efb546fc4d01> Luettu 16.2.2015

Rantamäki, O (2015) Olli Rantamäen PAK-blogi: Ruututeemakarttaa ja hieman Helsingin historiasta
<https://blogs.helsinki.fi/ollirant/2015/02/08/kurssikerta-4-ruututeemakartta-ja-hiukan-helsingin-historiasta/> Luettu 16.2.2015

Tietokantojen yhdestelemistä ja Suomen valuma-alueet

Tällä kertaa harjoittelimme tietojen yhdistämistä eri tietokannoista ja uuden tiedon luomista uusiin taulukon sarakkeisiin MapInfossa.

Se kuulostaa yksinkertaiselta – “copy” ja “paste”. Mutta rakkaan MapInfon kanssa se ei suju ihan niin helposti. Kyselyjen ja taulukonmuokkaustyökalun kautta mennään ja sitten pitää vielä muistaa miten uusi taulukko tallennetaan oikeaoppisesti, mikä tuotti minulle ongelmia kun en saanut uutta taulukkoa avattua tallentamisen jälkeen. Nämä toiminnot osaa vasta sitten kun sitä on harjoitellut monta kertaa, sillä yhden opastetun harjoituksen jälkeen ei vielä ollut helppoa muistaa miten kaikki piti tehdä.

Aloitimme Afrikan kartan avaamisella, ja siinä kaikkien maiden eri osien yhdistämisellä yhdeksi objektiksi (enkä rehellisesti sanottuna enää päivää myöhemmin muista miten se toimi). Tämän jälkeen lisäsimme muutaman saraketiedon internetin käytöstä samaan taulukkoon, ja tämän jälkeen loimme uutta tietoa mm. laskemalla internetin käyttäjien prosentuaalista kasvua (jopa 80 000 % 14 vuodessa jossakin maassa!) ja Facebookin käyttäjien osuutta kaikista internetkäyttäjistä. Saimme huomata että tulee olla kriittinen tilastojen paikkaansapitävyyteen ja että pitää huomioida miten tilastoja on kerätty – miten on mahdollista että Facebookin käyttäjiä olisi yhdessä maassa tuplasti enemmän kuin internetin käyttäjiä?

Viimeinen opastettu osuus oli Afrikan konfliktien, timanttikaivosten ja öljylähteiden sijoittaminen kartalla olevasta tiedosta tilastolliseen muotoon taulukkoon. Mikäli vain muistaa millä toiminnolla se tehdään niin se on melko yksinkertaista.

Kartasta (kuva 1) voi päätellä että useimmat konfliktialueet/paikat eivät sijaitse timanttikaivosten tai öljylähteiden lähistöllä, joskin monien konfliktien vaikutusalue peittää suuren osan näistä.Timanttikaivokset ovat painottuneet Etelä-, Keski- ja Länsi-Afrikkaan kun taas Afrikan pohjoisrannikolla on melkein kaikki alueen öljylähteet. Itä-Afrikassa ja Saharan autiomaassa ei luonnonvaroista ainakaan timantteja tai öljyä esiinny niin paljon että ihminen niitä sieltä ottaisi käyttöön.

Suuri osa konflikteista sijoittuu kumminkin juuri näille alueille. Syitä tähän voisi olla esimerkiksi kuivuus ja sen aiheuttama nälänhätä ja kilpailu puhtaasta vedestä. Kolonialismi on Afrikan konfliktien takana kun maat jaettiin ilman kunnioitusta luonnollisille ihmisryhmien rajoille.

Monessa Afrikan maassa konfliktit ovat nimenomaan maan sisäisiä. Esimerkiksi Somalia on ollut sisällissodassa 1990-luvun alusta saakka vallankaappauksen jäljiltä. Monissa muissa maissa, esim. Algeria, Liberia ja Burundi, sisällissodat eri etnisten ryhmien välillä ovat piinanneet maiden asukkaita (YK-liitto 2013).

Vaikka kartalla kuvataan timanttikaivoksia, öljylähteitä ja konflikteja ei näiden välille voi väittää syy-seuraussuhdetta ilman tarkkaa asiaan paneutumista. Varmasti kiistelyt arvokkaista maista ovat voineet johtaa konflikteihin, tai ehkä ennemminkin olla osasyynä niihin. Siksi olisikin informatiivisempaa kuvata esimerkiksi samoina vuosina alkaneita konflikteja sekä löydettyjä jalokivi- ja öljyesiintymiä. Jos näiden välillä löytyisi yhteyttä, voisimme varmemmin sanoa että niillä on ollutkonfliktin syntyyn vaikutusta. Muuten voisimme/voimme nähdä kartalta korrelaation 100 vuotta sitten löytyneen öljylähteen ja 5 vuotta sitten alkaneen konfliktin välillä, vaikka niiden välillä ei olisi mitään yhteyttä.

Internetkäyttäjien määrä voisi pitää jonkinlaisena mittarina kehittyneisyydestä, tai varallisuudesta ja tasaisemmasta tulonjaosta kuten Pinja Myllykoski kirjoittaa blogissaan: “Öljyvaltiot ovat tunnettuja siitä, että öljystä saadut tulot eivät jakaudu tasaisesti valtion asukkaiden kesken, vaan tuloerot kasvavat. Tässä tapauksessa voisi internetkäyttäjien määrää käyttää eräänlaisena varallisuuden jakautumisen ja kehityksen mittarina: internetkäyttäjien määrän kasvaessa valtion tulot jakautuvat tasaisemmin tavallistenkin kansalaisten käyttöön.” 

Antti Autio on tehnyt kartan internetin ja Facebookin käyttäjien määrästä Afrikassa. Hänen kartastaan näemme että internetkäyttäjien osuus valtion väestöstä on korkein Marockossa. Marockon Gini-kerroin on noin 0,4 mikä on Afrikan alimpia muttei alin. Esimerkiksi Egyptissä internetkäyttäjien määrä on Afrikan oloissa suhteellisen korkea, 30-40 prosentin luokkaa, ja siellä Gini-kerroin onkin 0,3. Keski-Afrikan tasavallassa, jossa internetkäyttäjien määrä on hyvin pieni, Gini-kerroin on yli 0,6. Näiden kahden tekijän välillä ei kuitenkaan ole suora korrelaatio ja internetkäyttäjien määrään on muitakin syitä kuin tasainen tulonjako. Esimerkiksi turistialueilla voisi uskoa internetin levinneisyyden olevan laajempi.


Kuva 1. Afrikan konfliktit ja niiden laajuus, timanttikaivokset ja öljylähteet (Paarlahti 2015).

Suomen valuma-alueet

Tämän viikon itsenäisharjoitus  käsitteli valuma-alueita. Tehtävänä oli tehdä karttaesitys Suomen valuma-alueista ja niiden tulvaindeksistä ja järvisyydestä. Tehtävässä ei tarvinnut itse piirtää karttaa, sen ja tarvittavat tilastot saimme valmiina aineistona.

Itse jouduimme laskemaan tulvaindeksin ensin yhdistämällä kaksi eri taulukkoa, ja tämän jälkeen suorittamalla laskutoimituksen jossa jaettiin jokien  keskiylivirtaama keskialivirtaamalla. Järvisyyden, eli järvien osuuden alueen pinta-alasta, saimme Excelissä olevasta taulukosta ja se esitetään pylväsdiagrammein. Yritin ensin tehdä tehtävän haastavamman ohjeen mukaan mutta totesin että minä en osaa mitään.

Tämän jälkeen tarvitsi enää tehdä teemakartta (kuva 2). Minä vein kartan vielä Coreliin viimeisteltäväksi, siellä oli helppo siirtää huonosti sijoittuneita pylväitä. Corelissa on myös todella paljon helpompi sijoittaa mittakaava ja pohjoisnuoli juuri sinne minne itse haluaa, joten tulen varmaan toimimaan näin jatkossakin. Lisäksi sain helposti vähän nimistöä lisättyä karttaan.

Kartasta voi päätellä että pahimmat tulva-alueet sijaitsevat rannikon lähistöllä olevissa joissa, etenkin Pohjanmaalla mutta myös etelärannikolla, esimerkiksi Vantaanjoki.

Karttaa nopeasti vilkaisemalla huomaa korrelaation tulvaindeksin ja järvisyyden välillä. Siellä missä tulvaindeksi on korkea ei ole paljon järviä mutta jokien virtaama on iso. Sisämaassa missä järvien osuus on reilusti suurempi ei käänteisesti ole paljon tulvia, sillä järvet pystyvät varastoimaan paljon vettä eikä jokien virtaama siten edes pahimpaan tulva-aikaan ole kovin suuri rannikon jokiin verrattuna.

Yhteistä kaikille kahden ylimmän tulvaindeksiluokan valuma-alueille on että järvien osuus niiden pinta-alasta on korkeintaan noin viiden prosentin luokkaa. Kahden alimman luokan alueiden järvisyys ei kuitenkaan aina ole kovinkaan paljon näitä korkeampi, eli muitakin syitä matalaan tulvaindeksiin on kuin järvien suuri pinta-ala.

Järvien lisäksi myös esimerkiksi suot sitovat paljon vetta ja vähentävät jokien ylivirtaamaa. Etelä-, Keski- ja Rannikko-Pohjanmaan soista noin 80 % on ojitettu, ja tämä lisää veden nopeaa valumista jokiin (SLL 2012). Tämän takia soita pitäisi ennallistaa, eli tukkia niiden ojat, jotta vesi varastoituisi sinne. Veden valunta on myös nopeaa ojitetuilta pelloilta ja metsistä, sekä rakennetuilta alueilta ja silloin jokien huippuvirtaamat ovat korkeita.

valuma-aluuet
Kuva 2. Suomen valuma-alueiden tulvaindeksi ja järvisyys. Tulvaindeksi kuvaa jokien virtaaman vaihtelua ottaen huomioon sekä kuivat että tulvaisat kaudet (Paarlahti 2010). Järvisyys tarkoittaa järvien osuutta valuma-alueen pinta-alasta. 

Kaiken kaikkiaan voin tämän kurssikerran jälkeen todeta, että vaikka harjoittelimme itse monen uuden asian tekemistä MapInfossa en kuitenkaan oppinut mitään niin hyvin että osaisin ja hallitsisin sitä ja osaisin tehdä kaiken uudestaan kompuroimatta. Luulenpa että tällä viikolla ohjelmassani on harjoitella uudestaan itsenäisesti kolmannen kurssikerran aineistolla. Ehkäpä yrittäisin ladata MapInfon uudelle tietokoneelleni?

 

LÄHTEET

Autio, A. (2015). Internet ja Facebook Afrikassa. <https://blogs.helsinki.fi/anttiaut/files/2015/02/Internet-Afrikassa.jpg> Luettu 12.2.2015

Central Intelligence Agency (2015) The World Factbook. <https://www.cia.gov/library/publications/the-world-factbook/fields/2172.html> Luettu 12.2.2015

Myllykoski, P. (2015). Kurssikerta 3: timantteja ja tulvia. <https://blogs.helsinki.fi/myxmy/2015/02/09/kurssikerta-3/> Luettu 12.2.2015

Paarlahti, A. (2010). Tulvaindeksi. TVT3-Geoinformatiikka, kevät 2010. <https://blogs.helsinki.fi/tvt3-2010/2010/02/01/tulvaindeksi/> Luettu 12.2.2015

Paarlahti, A. (2015) Afrikkaa ja konflikteja. Paikkatiedon hankinta, analyysi ja kartografia 2015. <https://blogs.helsinki.fi/pak-2015/2015/01/30/afrikkaa-ja-konflikteja/> Luettu 12.2.2015

SLL=Suomen Luonnonsuojeluliitto (2012). Soiden ennallistaminen vähentää tulvia. <http://www.sll.fi/ajankohtaista/tiedotteet/2012/soiden-ennallistaminen-vahentaa-tulvia> Luettu 12.2.2015

YK-liitto (2013). Globalis, interaktiivinen atlas. <http://www.globalis.fi/Konfliktit> Luettu 12.2.2015

Artikkeli 1: Pohdintoja päällekkäisistä koropleettikartoista

Toisen kurssikerran tehtäviin kuului myös artikkelin lukeminen ja siitä reflektiopaperin kirjoittaminen. Kyseinen artikkeli on Anna Leonowiczin kirjoittama Two-variable choropleth maps as a useful tool for visualization of geographical relationship joka nimensä mukaan käsittelee päällekkäisiä koropleettikarttoja.

Leonowicz tutki ensimmäisen vuoden yliopisto-opiskelijoiden näkemyksiä koropleettikartoista. Tulokseksi hän sai että yhden muuttujan koropleettikartat ovat käytännöllisiä ilmiön alueellisen jakautumisen esittämiseksi, kahden muuttujan kartta taas on käytännöllisempi kahden muuttujan välisiä suhteita tulkittavaksi.

Artikkelin johtopäätökset ovat hyvin samankaltaisia kuin omat ajatukseni. Kahden eri muuttujan tilallista suhdetta on helpompi verrata mikäli ne esitetään samalla kartalla kuin että katsoisi kahta erillistä karttaa. Kun kaksi asiaa esitetään päällekkäin on toki vaikea hahmottaa vain toisen ilmiön alueellista jakautumaa. Siksi on hyvin käytännöllistä että on mahdollisuus käyttää eri esitystapoja.

Artikkelin kartoissa molemmat muuttujat kuvattin väreillä. Legenda oli tällöin 3×3 (ja 4×4) -ruudukko jossa yhden muuttujan väriskaala on yhdellä ja toinen toisella akselilla. Välissä olevat ruudut saavat siten sävynsä molempien muuttujien väristä yhdistelemällä (kuva 1).

legenda-1
Kuva 1. Legendaesimerkki Leonowiczin artikkelista. Asettamalla kahden eri muuttujan esitysvärit päällekkäin saadaan päällekkäisten koropleettikarttojen esitysvärit. Valkoinen tarkoittaa että molempien muuttujien määrä on pieni, tummansininen muuttujan 1 sekä tummanpunainen muuttujan 2 suurta esiintymistä. Tumma punsisesta ja sinisestä väristä sekoittunut väri taas tarkoittaa molempien muuttujien korkeaa esiintymistä (Leonowicz 2006).

Leonowicz laittoi artikkelissaan yhden painopisteen näiden värien yhdistelemiseen. Minusta ei yleensä ole hyvä käyttää värejä molempien ilmiöiden kuvaamiseen, sillä vaikka käyttäisi korkeintaan yhdeksää luokkaa sävyt voivat olla hyvin lähellä toisiaan, jos ei löydä todella hyvää vaihtoehtoa. Siksi minun mielestä on parempi käyttää jotain muuta rasteria (esim. viiva- tai piste-) toisen muuttujan kuvaamiseksi. Tällöin on toki myös tärkeätä huomioida että rastereiden hierarkia tulee säilyä hyvin ymmärrettävänä.

Lukijalta tällaisten kartografisten esitysten lukeminen edellyttää useimmiten hieman syvempää paneutumista kartan sisältöön. Mitä kartalla esitetyt värit oikeasti tarkoittavat? Mikä on kartalla näkyvien eri värien välinen suhde? Erityisesti legendaan kannattaa tutustua huolella mikäli haluaa ymmärtää kartan sanoman. Taas tulemme siihen että kartan laatijan on käytettävä toisistaan erottuvia värejä, esimerkiksi artikkelissa olevassa Mazowsze -alueen kartassa minun on aika vaikea hahmottaa värien erottelu kun siinä on käytetty sinistä ja liilaa värisävyä (kuva 2).

Miikka Lappalaisella on samanlaiset mietteet kuin minulla – on selkeämpi käyttää läpinäkyvää koropleettikartaa kuin tällaista kahde värin yhdistelmää jota värisokeiden ehkä on vaikea lukea.

mazowsze
Kuva 2. Leonowiczin tutkimuksessa käytetty kartta, jossa muuttujat esitetään sinisellä ja liilalla värillä. (Leonowicz 2006).

Emme tunnilla käyneet läpi miten MapInfolla tehdään tällainen karttaesitys taikka legenda, mitä mielellään olisin harjoitellut. Olisi ollut kiinnostavaa kokeilla jos itse saan tehtyä hyvän karttaesityksen jossa molemmat muuttujat kuvataan väreillä. Voihan se tietenkin olla että sillä ei voi tehdä semmoista. Kuten tehtävänannossa vihjaillaan, käytössä olevan paikkatieto-ohjelman toiminnot rajaavat tehokkaasti esitysmahdollisuuksia. Varmaan huomaamattakin jokaisesta samalla ohjelmalla tehdystä karttaesityksestä tulee jonkin verran toistensa kaltainen, esimerkiksi värien, rastereiden, luokkajaon ja muiden esitysteknisten yksityiskohtien osalta.

LÄHTEET

Lappalainen, M (2015). 2. kurssikerta: Päällekkäiset koropleettikartat. <https://blogs.helsinki.fi/mwlappal/2015/02/04/2-kurssikerta-paallekkaiset-koropleettikartat/> Luettu 12.3.2015.

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

Päällekkäiset koropleettikartat

Toisella kurssikerralla jatkoimme teemakarttojen laatimista. Tällä kertaa kävimme läpi erilaisten teemakarttojen laatimisen teknisiä yksityiskohtia ja teimme jopa kolmannella ulottuvuudella varustetun kartan Suomen väkiluvusta.

Pääpaino oli kahden eri tekijän näyttämistä samalla kartalla. Tämän voi tehdä joko kartogrammilla, jossa alla on koropleettikartta ja tämän päällä esim. pylväs- tai ympyrädiagrammi. Diagrammin sijasta voi myös kuvata haluttua ilmiötä jollakin skaalatulla symbolilla, esimerkiksi muuttoliikettä tikku-ukoilla. Toinen vaihtoehto on näyttää yksi ilmiö eri värisävyillä ja toinen ilmiö viiva- tai pisterastereilla.

Esittelyn ja harjoituksen jälkeen oli meidän vuoromme tehdä oma vapaavalintainen teemakartta jossa verrataan kahta eri tekijää. Minä näytän Uudenmaan kuntien korkea-asteen tutkinnon suorittaneiden osuuden verratuna valtionveron alaisiin tuloihin.

Korkea-asteen tutkinnon suorittaneiden aineisto jakautui aika lailla epämääräisen tasaisesti. 30 prosenttiyksikön kohdalla tilastossa näkyy erityinen piikki, ja tätä suurempia arvoja on enää muutama. Valtionveron alaisien tulojen aineisto on normaalijakautunutta, poikkeuksena yksi havainto, Kauniainen, jossa veron alaiset tulot ovat muita kuntia merkittävästi suuremmat.

Päädyin käyttämään kvantiililuokitusta molemmista ilmiöistä siitä syystä että kaikissa luokissa silloin on suunnilleen yhtä monta kuntaa. Muilla mahdollisilla vaihtoehdoilla aina johonkin luokkaan olisi jäänyt vain 1-3 kuntaa, jolloin yhtäältä niiden erilaisuus verratuna muihin kuntiin olisi korostunut entisestään, mutta toisaalta muiden kuntien välinen vaihtelu olisi jäänyt huomaamattomammaksi.

Kun näytämme kahta koropleettikarttaa päällekkäin voimme luettavuuden säilyttämisen takia käyttää korkeintaan kolmea luokkaa kartta kohden. Tällöin yhdistetyllä kartalla voi olla yhteensä yhdeksän eri luokitusta (3×3).

Minä näytän korkea-asteen tutkinnon suorittaneiden osuuden eri vihreän sävyillä, joista tummin kuvaa korkeakoulutetuinta luokkaa. Valtionveron alaiset tulot tulonsaajaa kohtaan näytän pisterasterein jolloin korkeimman tulon kunnat on merkitty tiheimmillä pisteillä. Matalimpien tulojen kunnat jätin täysin pisterasteritta, tavoitteena luokkien erottelun helpottuminen ja siten kartan helpompi luettavuus (kuva 1).

Jostakin syystä täällä blogissa tiheintä pisterasteria ei erota, joten karttaa kannatta klikata ja katsoa suurempana…

korkeakoulutus-veronalaiset tulotKuva 1. Korkea-asteen tutkinnon suorittaneiden osuus 15 vuotta täyttäneestä väestöstä sekä valtionveron alaiset tulot tulonsaajaa kohtaan Uudenmaan kunnissa. Suluissa olevat luvut kertovat kyseiseen luokkaan kuuluvien kuntien lukumäärän.

Hypoteesini ennen kartan tekoa oli että siellä, missä on paljon korkeakoulutettuja, myös tulot ovat korkeampia kuin alueilla joissa väestö on alemmin koulutettua.’

Ja näinhän se todellisuus onkin. Aika loogistakin se on – tulot kasvavat koulutusasteen kasvaessa (kuva 2).

koulutuksen vaikutus tuloihin
Kuva 2. Kotitalouden vuositulot viitehenkilön (kotitalouden jäsen jonka henkilökohtaiset tulot ovat suurimmat) koulutusasteen mukaan (Suomen virallinen tilasto).

Korkeakoulutettujen, ja siten varakkaampien, alueellinen jako on merkittävä Uudellamaalla. Yksinkertaistetusti voi sanoa että korkeakoulutus ja tulotaso muodostavat kehämallin: mitä kauemmas pääkaupunkiseudusta tullaan, sitä suuremmalla todennäköisyydellä sekä korkeakoulutettujen että veronalaisten tulojen määrä on matala.

Kahdeksan korkeakoulutetuinta kuntaa ovat Inkoo, Siuntio, Kirkkonummi, Espoo, Kauniainen, Helsinki, Tuusula ja Järvenpää. Näistä kaikki paitsi Helsinki ja Järvenpää kuuluvat ylimmän tulotason (valtionveronalaiset tulot) kuntiin. Tähän ryhmään kuuluu näiden lisäksi Nurmijärvi.

Alimpiin luokkiin kuuluvat kunnat sijaitsevat kaikki Uudenmaan reuna-alueilla, etenkin Itä-Uusimaalla.

Minkä takia koulutus ja varallisuus on maantieteellisesti näin epätasaisesti jakautunutta? Yksinkertaisin selitys jonka keksin on että työpaikat ovat keskittyneet pääkaupunkiseudulle (tämän vahvistan vielä tekemällä karttaesityksen siitä), jossa myös useimmat maakunnan korkeakouluista sijaitsee. Ja yleisesti ottaen halutaan asua lähellä työpaikkaansa, joten matalammin koulutetut jäävät suureen enemmistöön kauempana pääkaupunkiseudun työpaikkaryppäästä.

Jos katsomme viime kurssikerralla laatimaani koropleettikarttaa työttömyysasteesta Suomen kunnissa huomaamme että työttömyys on hieman korkeampaa Uudenmaan reuna-alueilla kuin pääkaupunkiseudun ympäristössä. En toki voi vahvistaa että tällä olisi yhteys alueen matalampaan koulutusasteeseen ja tulotasoon.

Jussi Jurvala on verrannut korkeakoulutusasteen ja kuntien väkiluvun välistä korrelaatiota. Hän toteaa että “[y]li 10 000 asukkaan kuntien korkeakoulutusaste on enimmäkseen ylintä luokkaa ja jonkin verran keskimmäistä luokkaa – – – Alle 5000 asukkaan kunnista suurimmassa osassa on enimmäkseen alimman koulutusasteen luokkaa”. Hänen luokkajakonsa eroaa toki minun luokituksesta – hänen esityksessä melkein kaikki Uudenmaan kunnat kuuluvat ylimmän korkeakoulutusasteen luokkaan. Voi toki olettaa että väkiluvulla ja korkeakoulutusasteella olisi korrelaatio myös Uudellamaalla.

Kun vertaan omaa karttaani Tuure Takalan karttaan, jossa hän esittää korkeakoulutettujen ja työssäkäyvien määrän suhdetta. Huomaan että eniten töissäkäyviä on etenkin niissä kunnissa joissa verotulot tulonsaajaa kohtaan ovat suurimmat, esim. Siuntio, Kirkkonummi, Nurmijärvi ja Tuusula. Näissä kunnissa myös koulutusaste on korkea. Työssäkäyvien osuus on toki korkea myös Mäntsälässä ja Pornaisissa, missä korkeakoulutettujen ja veronalaisten tulojen määrä on selvästi matalampi – eli näillä muuttujilla ei ole selvää syy-seuraussuhdetta.

Mitä minä opin?

Oli hyödyllistä joutua miettimään miten kahden eri muuttujan välistä suhdetta kannatta esittää kartalla. Minä jäin miettimään erityisen pitkään luokittelua: pitäisikö minun jollakin tavalla luokitella molemmat muuttujat toisiinsa “synkronoituneina”? Totesin lopulta että eihän mitään semmoista oikeastaan ole, mutta näin tärkeänä että jos minulla yhdestä asiasta on kvantiililuokitus, eli yhtä monta havaintoa jokaisessa luokassa, niin minä johdan lukijaa vähiten harhaan jos myös toisesta muuttujasta on samanlainen luokitus.

Toinen kohta jossa jouduin miettimään oli rasterin valinta sille aineistolle jota en näyttänyt eri värisävyillä. Kuten edellä mainitsin totesin että on hyvä että alin luokka on täysin ilman rasteria luettavuuden parantamiseksi. Toiseksi kuin minulla oli vain kaksi muuta luokkaa oli helppo valita että korkein luokka oli huomattavan tiheillä pisteillä merkattu, niin että se erottuu keskimmäisestä luokasta. Mikäli luokkia olisi useampi voisi pohtia jospa olisi motivoitua käyttää kahta erilaista rasteria, mutta en tiedä kuinka helppoa olisi saada erottumaan selvästi niiden hierarkia.

Muuten tämän kurssikerran tehtävässä ei mielestäni ollut mitään ihmeellisyyksiä. On toki tullut selväksi että MapInfo ei ole se ohjelma mitä pitää käyttää mikäli haluaa olla kreatiivinen. En oikein ymmärrä miksi yksinkertaisten asioiden tekemiseen täytyy kulkea niin monen mutkan kautta. Esimerkiksi tietokannasta tiedon kopiointi esimerkiksi histogrammia varten. Miksi tietoa jonka haluaa ei voi vain maalata niin kuin Excelissä?

 

LÄHTEET

Jurvala, J (2015). Jurvala’s blog: Kuntien väkiluku ja korkeakoulutusasteLuettu 25.1.2015

Suomen virallinen tilasto (verkkojulkaisu). Tulonjakotilasto. Tilastokeskus, Helsinki. Luettu 25.1.2015.

Takala, T (2015). Takalan PAK-blogi: 2. kurssikerta. Luettu 27.1.2015

Teemakartan laadintaa

Ensimmäisellä kurssikerralla teemana oli uudelleentutustuminen paikkatieto-ohjelma MapInfoon sekä sen avulla teemakartan laatiminen.

Teemakartta oli tarkoitus tehdä jostakin aiheesta käyttäen valmiita tietoja Suomen kunnista 2011. Minä valitsin aiheekseni työttömyysasteen, joka metatietojen mukaan on ennakkotietoja vuodelle 2010. Työvoimaan kuuluvat ne 18–74 -vuotiaat, jotka 31.12.2010 olivat joko työllisiä tai työttömiä.

Kun tietoja tarkastelee histogrammityökalun avulla (kuva 1) niin näemme että aineisto on selvästi normaalijakautunutta. Matalan työttömyysasteen kuntia on vähän, “havantojen”, eli kuntien määrän lisääntyessä ylempiin luokkiin siirryttäessä. Eniten kuntia on siinä luokassa jossa työttömyys on 10 prosentin paikkeilla (histogrammissa on 12 luokkaa havaitsevuuden lisäämiseksi, mutta karttaesityksessäni on vain 4 luokkaa). Tämän jälkeen havaintojen määrä luokkaa kohti kääntyy laskuun ja kuntia joissa noin joka viides on työtön on vain muutamia.

Histogrammityökalussa huomasin että histogrammi voi näyttää todella paljon erilaiselta riippuen siitä kuinka monta luokkaa siihen valitsee. Minä valitsin luokkien määrän niin että aineisto näyttää niin normaalijakautunellta kuin mahdollista. Jenni-Maria taas on käyttänyt useampaa luokkaa ja hänen histogrammissa näkyy enemmän vaihtelua puhtaasti normaalijakautuneesta aineistosta. Minä tein tietoisen valinnan kun tein niin symmetrisen “portaat ylös, portaat alas” -histogrammin kuin vain mahdollista. Kun käyttää harvempaa luokkamäärää, eli yleistettäessä, saa selvemmän tuloksen.

histogrammi kk1

Kuva 1. Histogrammi aineiston jakautumisesta.

Normaalijakautunutta aineistoa suositellaan luokiteltavaksi joko kvantiileittain, keskiarvoin tai hajontaluvuin. Keskiarvoluokittelua suositellan toki eniten tasaisille jakaumille, joten en valinnut sitä. Kvantiililuokittelu taas sopii oikeastaan kaikentyyppisille aineiston jakautumille. Kokeilin tätä, mutta verratessani tulosta hajontalukujen luokkaväleihin huomasin että kvantiililuokitus ei antanut yhtä monipuolista karttanäytöstä.

Jenni-Maria puolestaan valitsi keskiarvoluokittelun käyttäen viittä eri luokkaa. Ihmeissäni katson että hänen kolme ylintä luokkaa ovat identtiset minun kolmen ylimmän luokan kanssa, eli tässä tapauksessa keskiarvoilla tehty luokittelu ei poikkea keskihajonnasta tehdyllä. Hänen alimmassa luokassa (1,7–3,1 %) on toki vain kahdeksan kuntaa, eikä niitä oikein erota kartalta niiden kaikkien ollessa Ahvenanmaan pienillä saarilla.

Hajontalukuluokituksessahan luokkaväleinä käytetään keskihajontaa, jolloin neljää luokkaa käytettäessä kahteen keskimmäiseen luokkaan jää yhtä paljon ja eniten havaintoja. Ensimmäiseen ja neljänteen luokkaan taas sijoittuu puolet vähemmän havaintoja kuin keskimmäisissä.

Luokkaväleistä tuli epätasaiset, eli luokkien vaihteluväli ei ole yhtä suurta eivätkä luokkien rajat ole tasalukuja. Tämä tietenkin vaikeutta tai ainakin hidastaa kartan täydellistä ymmärtämistä, etenkin kokemattomamman lukijan kohdalla.

En käyttänyt MapInfon valmiita väriskaaloja vaan valitsin itse yhden värin ja annoin ohjelman tehdä siitä neljä eri sävyä. Koska työttömyys useimmiten katsotaan huonoksi asiaksi valitsin väriksi punaisen joka yleisesti (politiikka, karkit ja urheilu poislukien) merkitsee jotakin negatiivista. Mielestäni sävyt erottuvat hyvin toisistaan, eli minulla ei ole liian monta luokkaa.

Jenni-Maria on valinnut värinsä ajatellen niitä jotka erottavat läheisiä värisävyjä huonosti, ja täten valinnut kaikille luokille omat värit. Hänen valintansa toimii hyvin (toki kahden keskimmäisen luokan värit ovat hyvin lähellä toisiaan), mutta itse suosin yhden värin sävyjen käyttöä sen yksinkertaisuuden takia. Ihmettelen hieman miksi hänen väriskaalansa menee sinisestä ruskeaan eikä punaiseen.

Tuloksia tarkasteltaessa (kuva 2) silmään pistää heti itä- ja pohjoisosien tumma punainen, eli korkea työttömyys (14,5–22,6 %), sekä pääkaupunkiseudun ja Keski-Pohjanmaan vaalea sävy, eli pieni työttömyysaste (1,7–6,9 %).

 

Työttömyysaste 31.12.2010Kuva 2. Työttömyysaste Suomen kunnisa vuoden 2010 lopussa. Suluissa olevat luvut kertovat kyseiseen luokkaan kuuluvien kuntien lukumäärän.

Yksinkertaistettuna voisi sanoa että työttömyys kasvaa rannikolta sisämaahan mentäessä. Melkein kaikki alimman luokan kunnat sijaitsevat alle sadan kilometrin päässä merestä, poikkeuksena etenkin Paltamo Kainuussa. Toki korkeimman luokan edustajia löytyy rannikoltakin, esimerkiksi Hailuoto Oulun edustalla ja Merikarvia Porin pohjoispuolella.

Syitä näihin alueellisiin eroihin on varmasti monia. Yleisesti on ollut havaittavissa työpaikkojen keskittymistä etenkin pääkaupunkiseudulle. Pienillä paikkakunnilla suuren työnantajan toiminnan alasajaminen vaikuttaa suuresti paikkakunnan työllisyyteen.

Pertti Böckermanin mukaan syynä työttömyyden alueellisiin eroihin on “vientijohteinen elpyminen 1990-luvun  alun syvästä lamasta.” Talouskasvu työllistää myös Etelä-Suomessa itää ja pohjoista paremmin, johtuen Etelä-Suomen palveluvaltaisammasta tuotantorakenteesta. Toistuvaistyöttömyys on yleisintä Itä- ja Pohjois-Suomessa, mutta työttömyysjaksoja katkotaan aktiivisella työvoimapolitiikkalla (Böckerman 2000).

 

LÄHTEET

Bergman, Jenni-Maria (2015) Jenni-Marian blogi, Jenni-Marias blogg <https://blogs.helsinki.fi/jibergma/> Luettu 22.1.2015.

Böckerman, Pertti (2000) Suomen työttömyys – alueellinen näkökulmaArtikkeliluonnos teokseen Suomalaisen Sosiaalipolitiikan Alueellinen Rakenne (toim. Loikkanen, H.A., Saari, J). Palkansaajien tutkimuslaitos, Helsinki.