Kategoria: GIS

Vanhemman väestön suosimat asuinalueet pääkaupunkiseudulla

Korona-epidemian alkuvaiheessa Suomessa haluttiin suojella etenkin yli 60-vuotiaita ihmisiä. Heitä kehotettiin pysymään kotonaan mahdollisimman paljon ja välttämään kaikkea muuta kuin välttämätöntä liikkumista. Siksi päätin tutkia, miten yli 60-vuotias väestö on sijoittunut asumaan pääkaupunkiseudulle. Jaoin karttapohjan 500m x 500m kokoisiin ruutuihin, koska ajattelin tämän ruutukoon olevan vielä hyvin hahmotettavissa.

Lähdin tekemään karttaa, jossa näkyisi yli 60-vuotiaiden prosentuaalinen osuus ruudun väkiluvusta. Alkuun aineistoni rakennuksia kuvaavat pisteet ja ruudut, joihin pisteet osuvat, eivät kohdanneet. Huomasin, että Pks_vaki -aineisto oli eri koordinaattijärjestelmässä kuin pohjakartan ruudukko. Muokkaamalla koordinaattijärjestelmät samaksi kaikkiin aineistoihin sain pisteet ja ruudut kohtaamaan toisensa.

Ruututeemakartta on hyvä tapa havainnollistaa kyseessä olevaa ilmiötä. Valitsemalla näkyviin vain ne ruudut, joissa on kohteita, eli tässä tapauksessa asutusta, auttaa kiinnittämään huomiota vain tarkasteltavaan asiaan ja saa näyttämään kartan huolitellummalta. Kartan alue olisi helpompi hahmottaa, jos siihen olisi merkattu muutamien keskeisten paikkojen nimiä, kuten myös Häkkilä (2021) blogikirjoituksessaan toteaa.

Löysin Helsinki Region Infoshare -sivustolta vastaavaa dataa pääkaupunkiseudun väestöstä eri vuosilta. Otin tarkasteluun vuodet 2010 ja 2000. Tein ruututeemakartat kyseisten vuosien aineistojen perusteella samaisesta aiheesta, eli yli 60-vuotiaiden suosimista asuinalueista.

Kuvien 4. ja 5. kartoissa on paljon ”värittömiä” ruutuja, mikä johtuu siitä, että jokaisen tällaisen ruudun alueella asuu alle 100 ihmistä, eikä kyseisestä väestöstä ole tarkempaa ikäjakaumaa saatavilla aineistoista, joita löysin netistä. Tästä johtuen aineistot eivät ole siis yhtä yksityiskohtaisia kuin kurssilla käytetyt väestö-aineistot. Toisaalta tämä ei ole oikeastaan huono juttu, koska näin pystymme kätevästi hahmottamaan alueet, joissa asutus on harvaa. Karttoja vertailemalla voikin selvästi nähdä, että kyseisillä harvaan asutuilla alueilla on paljon yli 60-vuotiaita asukkaita. Kuvan 3. punaiset ruudut osuvat kauaksi kaupunkikeskuksista, joissa on tiheää asutusta. Myös vesistöjen läheisyydessä näyttäisi olevan mieluista asuinaluetta vanhemmalle väestölle. Monet yli 60-vuotiaat ovat eläkkeellä, jolloin heillä ei ole tarvetta asua hyvien kulkuyhteyksien varrella tai lähellä työpaikkaa. Iäkkäämmät ihmiset eivät myöskään ole niin riippuvaisia palveluista, kuin esimerkiksi lapsiperheet, jotka arvostavat mm. koulujen ja hoitopaikkojen läheisyydessä asumista. Uskon, että iäkkäämmät ihmiset haluavat monesti muuttaa hieman kauemmaksi kaupunkikeskuksista ja luonnon läheisyyteen, jossa myös asuminen on usein edullisempaa.

Mitt (2021) oli tarkastellut blogikirjoituksessaan ulkomaan kansalaisten osuutta pääkaupunkiseudun väestöstä, kun puolestaan Pieniniemi (2021) tarkasteli muunkielisen väestön osuutta pääkaupunkiseudun väestöstä. Molemmat olivat käyttäneet ruutukokona 1km x 1km kokoisia ruutuja. Heidän saamat tulokset olivat lähellä toisiaan, vaikka tarkastelukohde oli hieman eri. Toisaalta voi ehkä olettaakin, että ulkomaan kansalaiset edustavat myös Suomen muukielistä väestöä. Kun vertaan heidän käyttämäänsä ruutukokoa omaani, en oikeastaan osaa sanoa kumpi on parempi. Pienemmät ruudut antavat yksityiskohtaisempaa tietoa, mutta toisaalta suurempien ruutujen avulla on helpompi erottaa eri väriset ruudut toisistaan. Suurempia ruutuja käytettäessä erot vierekkäisten ruutujen välillä voivat olla isoja, koska tarkastelualue on niin laaja. Neliökilometrin kokoisella alueella voi olla runsasta vaihtelua tarkasteltavan asian suhteen, jolloin todelliset keskittymät voivat jäädä huomaamatta.

 

Pornaisten korkeuskäyrät

Ensimmäinen versio Pornaisten alueen korkeuskäyristä on tehty kurssimateriaalien päälle. Korkeuskäyrät ovat viiden metrin välein. Huono puoli tässä on se, ettei kartassa korkeuskäyrien kohdalla ole merkintää, mitä korkeutta käyrät kuvaavat.

Maanmittauslaitoksen peruskartassa oli korkeuskäyrät valmiiksi merkattuina. Lisäsin mukaan hieman rinnevarjostusta, jotta maanpinnan muodot erottuisivat paremmin.

Molemmissa kartoissa korkeuskäyrät ovat yhtä tiheästi ja ne vastaavat sijainniltaan toisiaan hyvin. Peruskartan valmiit korkeuskäyrät ovat muodoltaan pyöreämpireunaisia kuin QGIS:ssa lisätyt käyrät. Näitä hieman pelkistettyjä pyöreäreunaisia korkeuskäyriä on helpompi tulkita, kuin kuvan 6. hyvin tarkkareunaisia korkeuskäyriä. Pelkistetyt korkeuskäyrät myös erottuvat paremmin kartan muusta aineistosta.

 

Lähteet

Helsinki region infoshare. Pääkaupunkiseudun väestötietoruudukko – 2000. Viitattu 3.4.2021 Pääkaupunkiseudun väestötietoruudukko – 2000 (shp)

Helsinki region infoshare. Pääkaupunkiseudun väestötietoruudukko – 2010. Viitattu 3.4.2021 Pääkaupunkiseudun väestötietoruudukko – 2010 (shp)

Häkkilä, J. (2021). Harjoitus 4: Eri aineistot käsittelyyn. Viitattu 9.4.2021 Juliana Häkkilä – Geoinformatiikan menetelmät 1

Mitt, L. (2021). Viikko 4. Viitattu 10.4.2021 mckailii’s blog

Pieniniemi, S. (2021). Kurssikerta 4 – Ruutuja ja rasterikarttoja. Viitattu 10.4.2021 Sirkun kurssiblogi – MAA-202 kurssin julkaisualusta.

Mercatorin projektio

Suomeen sijoittuvaa aineistoa tarkastellaan useimmiten käyttäen ETRS89-TM35FIN projektiota. Siinä Suomen kunnat ovat sopusuhtaisia toisiinsa nähden. Kurssikerran aikana harjoittelimme yhdessä havaitsemaan eroja ETRS89-TM35FIN ja Mercatorin projektioiden välillä (kuva 1.). Kuvan 1. tumman oransseilla alueilla vääristymät ovat suurimmillaan, kun vastaavasti Suomen eteläisten kuntien, eli tumman liilojen, kuntien vääristymät ovat pienempiä suhteessa. Kuten Nyström (2021) blogissaan toteaa, Mercatorin projektio ei sovi kovinkaan hyvin kuvaamaan Suomea, irrotettuna muusta maailmasta.

Loximuthal projektio

Itse kokeilin verrata World Loximuthal projektiota ja ETRS89-TM35FIN projektiota. Vääristymät eivät olleet aivan yhtä suuria (kuva 2.) kuin edellisessä vertailussa, mutta Suomi oli hieman eri muotoinen kun laittoi päälle Loximuthal projektion. Kuten edellisessä, tässäkin suurimmat vääristymät sijoittuvat Suomen pohjoisosiin.

Loximuthal projektio kuvaa alueet, jotka ovat lähellä päiväntasaajaa, tai nollameridiaanin tienoilla, hyvin oikeanmuotoisina. Etenkin kaukana nollameridiaanista ja päiväntasaajasta alueet muuttuvat hieman ”keikahtaneiksi”, kuten myös Suomi kuvassa 2. Kuva 3. auttaa hyvin havainnollistamaan, kuinka Loximuthal projektio toimii.

Muut projektiot

Itse en tehnyt visualisointeja muista projektioista, mutta Mickos (2021) oli tutkinut Equal Earth projektiota ja tehnyt siitä hienon visualisoinnin. Kyseinen projektio on siitä mielenkiintoinen, että siinä vääristymät menevät asteittain leveyssuunnassa, kun puolestaan omissa tuotoksissani vääristymät suurenivat asteittain pituussuunnassa. Myös El Founti (2021) oli tehnyt vastaavanlaisen vertailun Quartic authalic projektion ja ETRS89-TM35FIN projektion välille. El Fountin ja Mickosen valitsemien projektioiden vääristymät olivat myös hyvin samaa luokkaa. Kummassakaan näissä ei ollut suuria vääristymäeroja havaittavissa Suomen kuntien välillä, joita puolestaan Mercatorin projektio näytti tuottavan.

 

Lähteet

El Founti, E. (2021). II: Projektiovääristymiä ja näkökulmia. Viitattu 10.2.2021 Geoinformatiikan menetelmät

MathWorks (2021). Loximuthal Projection. Viitattu 10.2.2021 Loximuthal Projection – MATLAB – MathWorks Deutschland

Mickos, K. (2021). Kurssiviikko 2: projektioita. Viitattu 10.2.2021 Kasperin Blogi

Nyström, S. (2021). Toinen kurssikerta. Viitattu 9.2.2021 Sandran mantsablogi

Kurssikerran harjoitteet

Ensimmäisellä kurssikerralla suurin osa ajasta meni vain mekaanisesti toistaen opettajan näyttämiä vaiheita kyseisen päivän QGIS -harjoituksesta. Seurasin opettajan jakamaa näyttöä iPadilta ja tein samalla läppärillä harjoitteita. Ilman toista ruutua en olisi todellakaan pysynyt tahdissa mukana! Aion jatkaa tätä, jo aiemmin hyväksi koettua taktiikkaa myös jatkossakin.

Ensimmäinen harjoite oli visualisoida kartalle kuvaus Itämerta ympäröivien maiden typpipäästöistä (Kuva 1). Onnistuin mielestäni tehtävässä ihan hyvin. Tosin valmiissa visualisoinnissa järvet peittävät maiden rajoja alleen hieman ikävästi. Aarrelahti (2021) oli omassa visualisoinnissaan jakanut typpipäästöt kolmeen eri värikategoriaan, kun itse käytän neljää eri kategoriaa. Jos vertaan omaani ja Aarrelahden (2021) karttaa, niin hänen visualisointinsa on ehkä hieman selkeämpi. Puolestaan Mattilan (2021) visualisointi vastasi melko lailla omaani, mutta hän oli käyttänyt voimakkaampia värejä omassa työssään. Itse pidän enemmän neutraalimmista väreistä, mutta tämähän on aivan makukysymys.

Kotitehtävä

Kotona harjoittelin tekemään samantyylistä visualisointia Suomen kuntiin liittyvästä aineistosta. Valitsin tarkastelun kohteeksi vuokra-asuntojen määrän kuntien asuntokannasta. Aineiston data oli valmiiksi prosenttimuodossa, joten minun ei tarvinnut tehdä sen kummempia laskutoimituksia saadakseni haluamani tiedon esille.

Vuonna 2010 Suomen asuntokannasta 30 % oli vuokra-asuntoja ja eniten vuokra-asuntoja oli yliopistokaupungeissa (Tilastokeskus, 2011). Kuten Kuvasta 2. voi huomata, eniten vuokra-asuntoja vuonna 2015 on ollut seuraavissa kaupungeissa: Helsinki, Joensuu, Jyväskylä, Kuopio, Lahti, Maarianhamina, Oulu, Tampere, Turku ja Vaasa. Lukemat ovat melko samoja, kuin vuonna 2010.

Arvattavissa oli, mistä kunnista löytyisi eniten vuokra-asuntoja, mutta itseni yllätti Maarianhaminan suuri vuokra-asuntojen prosentuaalinen osuus.

Tilastokeskuksen nettisivuilta en äkkiseltään löytänyt vuotta 2010 tuoreempaa artikkelia aiheeseen liittyen. On kuitenkin mielenkiintoista huomata, että vuoden 2010 ja 2015 lukemat näyttävät hyvin samankaltaisilta. Olisi mielenkiintoista ottaa tarkasteluun muutaman kunnan vuokra-asuntokannan kehitys useamman vuosikymmenen ajalta.

Muiden blogit

Pakko vielä mainita, että on todella mukavaa lukea muiden blogeja! En nyt toki vielä kaikkien blogeja ole käynyt läpi, mutta ajattelin joka viikko tutustua muutamaan uuteen blogiin. Tällä viikolla pisti silmään erityisesti Sandra Nyströmin blogi, koska hänkin opiskelee maantiedettä sivuaineena, kuten myös minä. Lisäksi meillä molemmilla on kandin kirjoitus tällä hetkellä työn alla. Ainakin itselläni vaatii tasapainoilua, jotta pystyy keskittymään kandin edistämiseen, samalla kun pitäisi aktiivisesti suorittaa muita paljon työtä vaativia kursseja. Toisaalta on ihan mukavaa pomppia maantieteen ja käsityötieteen maailmojen välillä samaan aikaan, koska se tuo mukavasti vaihtelua omaan tekemiseen. Tavoitteenani olisikin tuoda palanen geoinformatiikkaa omaan kandiini, sekä mahdollisesti myöhemmin myös graduun 😉

Palatakseni vielä Nyströmin (2021) ensimmäiseen blogitekstiin, hän oli hienosti visualisoinut Suomen muunkielisen väestön osuutta kunnittain. Kartta oli visuaalisesti selkeä, mutta blogissa kuva kartasta oli harmittavan pienellä, jolloin sen tarkastelu oli hieman haastavaa.

 

Lähteet

Aarrelahti, E. (2021). Kurssikerta 1: Perehdytystä kurssin asioihin ja QGIS -maailmaan. Viitattu 29.1.2021 Matkani Geoinformatiikan menetelmät 1 -kurssilla

Mattila, L. (2021). Ensimmäinen kosketus Qcissin maailmaan. Viitattu 29.1.2021 Lotta Mattilan blogi

Nyström, S. (2021). Ensimmäinen kurssikerta. Viitattu 29.1.2021 Sandran mantsablogi

Tilastokeskus. (2011). Yleiskatsaus 2010. Suomen virallinen tilasto (SVT): Asunnot ja asuinolot. Helsinki: Tilastokeskus. Viitattu 29.1.2021 Tilastokeskus – Asunnot ja asuinolot (stat.fi)