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.

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 %).

 

Kuva 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 näkökulma. Artikkeliluonnos teokseen Suomalaisen Sosiaalipolitiikan Alueellinen Rakenne (toim. Loikkanen, H.A., Saari, J). Palkansaajien tutkimuslaitos, Helsinki.