Valmis!

Tämä blogi urakka olisi tällä kertaa valmis! Kiitokset kaikille lukijoille ja kurssilla olleilla! Ohessa hieman tilastoja joita olen keräillyt kurssin alusta alkaen. :)

bloginkatselut

Blogiani luettiin (yllätys, yllätys) Suomessa eniten, mutta jostain syystä myös Venäjällä ja Tanskassa (liekö joku mantsalainen tehnyt lomareissullaan PAKin tehtäviä…?).

tilastot

Ja vielä pientä tilastoa. Näiden parin kuukauden aikana blogissani käytiin siis toista sataa kertaa. Mitään sen suurempaa merkitytystä näillähän nyt ei ole, mutta ihan hauskojahan nämä ovat. Mitään suurempaa viraalia suosiota ei nyt tällä kertaa saatu. Ehkä sitten ensikerralla!

Kiitos ja kumarrus!

-Toni “Sabotage” Ruikkala

Kurssikerta 7 – Euroopan väestöä ja Japanin onnettomuuksia

Viimeisellä eli seitsemännellä kurssikerralla oli tarkoituksena käyttää kaikkea oppimaamme ja tehdä itsenäisesti pari karttaa. Ennen kurssikertaa meille annettiin kurssin tiedotusblogissa tehtäväksi etsiä bitti muotoinen kartta sekä siihen liittyvät aineistot josta teemakartan voisi koostaa. Itse huomasin tehtävänannon liian myöhään ja samalla myös toisen kurssin tentti söi aikaani enkä näin ollen oikein kerennyt etsiä mitään valmiiksi. Noh, kurssikerralla kerkesin ihan hyvin etsiä aineistoja ja karttoja. Alun perin ajattelin, että tekisin karttani Japanista, mutta tässä en GIS-luokassa onnistunut monien hyvien yritysten jälkeen ja päätin sitten tehdä karttani Euroopasta (kokeilin myös mm. Australiaa ja USA:ta, mutta en vain löytänyt järkevää aineistoa/karttaa ja lopulta päätin mennä sieltä missä aita on matalin). Parin päivän päästä rohkaistuin ja tein kotonani Japanista kartan kun löysin oikean siihen sopivan aineiston, mutta esittelen tässä nyt kaikki karttani.

Euroopasta tekemäni karttani ovat omasta mielestäni aika huonoja näin suoraan sanottuja. Periaatteessa kartassa on perusasiat kunnossa ja omasta mielestäni karttojen luettavuus on myös hyvä, mutta mielestäni valitsemani aiheet eivät juurikaan linkity toisiinsa, ainakaan näin Euroopassa. Ensimmäisessä kartassani valitsin aiheiksi bruttokansantuote asukasta kohden ostovoimapariteetin mukaan eli THL:n SOTKAnetin mukaan: ” Asukasta kohden ilmaistun ostovoimakorjatun (Purchasing Power Standards, PPS) bruttokansantuotteen volyymi-indeksi lasketaan suhteessa Euroopan unionin keskiarvoon (EU-27=100). Jos maan indeksi on korkeampi kuin 100, sen BKT asukasta kohden on korkeampi kuin EU:n keskiarvo ja päinvastoin.” Eli kyseessä ei ole euromääräinen summa vaan keskiarvoon sidottu arvo. Monessa Euroopan maassa (mukaan lukien pohjoismaat) tämä luku on yli 100 (mm. Suomessa kyseinen luku on 111. Suurin luku, 263, on ei-niin-yllättävästi Luxemburgissa). Pienin luku on vastaavasti Bulgariassa (46) vaikka kartassa näkyykin pelkkiä viivoja palkkien kohdalla, mutta en ollut karttaa tehdessäni vielä huomannut, että kyseisiä arvoja ei SOTKAnetissä ollut joten siinä olisi yksi asia mikä pitäisi parantaa. Samalla pylväiden absoluuttiset arvot olisi voinut merkitä numeroin joka olisi tehnyt kartasta selvästi helppolukuisemman. Ensikerralla sitten.

BKTjaväestönkasvu

Kuva 1. Euroopan BKT:t ja väestönkasvut

Toinen muuttuja jonka otin mukaan oli väestönkasvu prosentteina. Aluksi mietin, että voisiko BKT:n ja väestönkasvulla olla joku yhteys, mutta nopeasti se kävi selväksi, että näin ei ole ainakaan Euroopassa (ainakaan niin selvästi). Hypoteesini oli, että kun BKT on suurempi, niin väestönkasvu olisi pienempi, mikä varmasti pitää paikkansa jos alueena olisi koko maailma. Esimerkiksi Afrikassa väestönkasvu on useasti monta prosenttia BKT:n ollessa taas vastaavasti erittäin pieni, kun taas vastaavasti monessa korkean BKT:n maassa väestönkasvu on pienempi mm. ihmisten korkeamman koulutuksen vuoksi. Tämä varmasti pitää paikkaansa, mutta koska Euroopassa erot ovat lopulta hyvin pieniä, ei tällaista suhdetta voida oikein muodostaa.

Toiseen karttaani Euroopasta valitsin hedelmällisyysluvun sekä huoltosuhteen. Tätä karttaa tehdessäni huomasin, että monessa Balkanin maassa sekä mm. Ukrainasta ja Valko-Venäjältä näitä tietoja ei ollut saatavilla ja tällä kertaa laitoin kyseiset maat ”Ei dataa” luokkaan ja näin myös aineiston jakauma on huomattavasti parempi. Mitä itse aineistoon tulee, niin ei tässäkään juurikaan ole mitään yhteyttä. Ajatukseni oli, että kun huoltosuhde on suurempi, niin hedelmällisyys luku on pienempi, mutta unohdin yhden aika olennaisen osan huoltosuhteesta. Tilastokeskuksen mukaan ” huoltosuhde kuvaa lasten ja vanhuseläkeikäisten määrän suhdetta työikäisen väestön määrään.” Jostain syystä oletin, että huoltosuhteeseen kuuluu vain eläkkeellä olevat. Jos hedelmällisyysluku on suurempi, on myös huoltosuhde suurempi, koska myös lapsia on enemmän. Eli toisin sanoen jos vanhuksia ja/tai lapsia on enemmän, niin huoltosuhde on suurempi (huh, tulipas toistoa…).

huoltosuhdehedelmällisyys

Kuva 2 . Euroopan huoltosuhteet ja hedemällisyysluvut.

Monessa Euroopan maassa hedelmällisyysluku on noin kaksi tai hieman alle ja pienimmät luvut löytyvät mm. Puolasta ja Slovakiasta, mutta esimerkiksi Puolassa huoltosuhde on yksi Euroopan ”parhaimpia”, mutta pienen hedelmällisyysluvun takia tämä tulee todennäköisesti muuttumaan tulevaisuudessa. Huoltosuhde suuressa osassa Euroopan maista on noin 50 tasolla.

Seuraavaksi mennäänkin sitten omaan Japanin karttaani, jonka tein alusta alkaen kotonani, illalla, pimeässä ja ihan yksin. Ja kuinka helposti se sujuikaan! Yliopiston koneella en jostain syystä saanut liitettyä Japania koordinaatistoon, mutta kotona tuokin sujui parissa minuutissa. Itse kartan piirtämiseen meni hieman alle puoli tuntia ja itse päätin merkitä karttaani vain Japanin eri alueet (regions) prefektuurien sijaan (joita on yli 40). Prefektuurit olisivat antaneet ehkä paremmat eväät eri alueiden vertailuun, mutta itse tosiaan tein jo nuo kaksi karttaa Euroopasta joten totesin, että eiköhän tämä työmäärä riitä ihan hyvin tähän tehtävään. Kun kartta oli piirretty, oli aika etsiä aineistoja ja löysinkin ihan hyvät tilastot Japanin tilastollisesta vuosikirjasta. Törmäsin kuitenkin samaan ongelmaan kuin Kujalan Sanna: tilastot olivat kerätty hyvinkin yksityiskohtaisesti ja epäkäytännöllisesti ja esimerkiksi vanhempien luona asuvien ihmisten määrä oli eritelty hyvinkin tarkkaan. Vaikka meillä Suomessa onkin hyvät tilastot, veivät japanilaiset tämänkin vähän korkeammalle tasolle.

Japanivalmis

Kuva 3. Japanin väestöntiheys ja liikenneonnettomuuksien määrä.

Itse karttaan laitoin eri alueiden väestöntiheydet sekä liikenneonnettomuuksien määrä (tarjolla olisi ollut jos jonkinnäköistä tilastoa mm. mitkä ajoneuvot olivat olleet kolareissa, mutta totesin, että pelkät onnettomuudet riittäisivät). Oletuksena oli, että tiheämmin asutuilla alueilla onnettomuuksia sattuisi enemmän ja suurimmaksi osaksi tilanne olikin näin. Väestöntiheyttä ehkä paremmin tähän olisi sopinut kuitenkin ihan vain väestönmäärä, mutta käy se näinkin. Japanissa onnettomuuksien määrä on yksi maailman alhaisimpia ankarien rangaistusten ja ehdottoman nolla-toleranssin takia, ja Japanissa kuoleekin liikenneonnettomuuksissa 3,8 ihmistä 100 000 ihmistä kohden (Suomessa vastaava luku on 5,7 ja USA:ssa 13,9).

Eniten onnettomuuksia tapahtui Kanton-alueella joka onkin ylivoimaisesti tiheimmin asuttu alue Japanissa yli 40 000 000 ihmisellä (joka on liki kolmasosa koko maan väestöstä) ja vähiten Hokkaidossa (pohjoisin saari) joka on myös väljiten asuttu alue. Muutenkin japanilainen autoilukulttuuri on aika rauhallista, kerran Tokiossa käyneenä voin sanoa, että muista tienkäyttäjistä ei pahemmin vaaraa ollut (tosin Tokiossa julkinen liikenne on erittäin kovassa käytössä), mutta syrjäisemmillä seuduillakaan ei pahemmin kaahailtu. Yhteensä liikenneonnettomuuksia tapahtui noin 390 000, mutta en mistään löytänyt tietoa siitä, että mikä lasketaan onnettomuudeksi, riittääkö pieni valopylvään kolhaiseminen täyttämään onnettomuuden vaatimukset? Ohessa vielä kartta, jossa Japanin väestön tiheys on ilmaistu ilmeisesti kuntien tarkkuudella.

Japanin väestöntiheys 2010

Kokonaisuudessaan olen tyytyväinen kurssiin ja sillä opittuihin asioihin, mutta jos nyt tämä MapInfo riittäisi tältä kertaa. Seuraavaksi taidammekin perehtyä ArcGisiin, ja ainakin toisen vuosikurssin opiskelijat ovat sanoneet, että kyseessä on huomattavasti parempi ohjelma. Toivotaan näin!

Lähteet:

Kujala, S. Kurssikerta 7: Tokio kadoksissa <https://blogs.helsinki.fi/kusaku/> Luettu 27.2.2015

AngloInfo, Road traffic accidents <http://japan.angloinfo.com/transport/driving/road-accidents/> Luettu 27.2.2015

World life expectancy, road traffic accidents deathrate by country <http://www.worldlifeexpectancy.com/cause-of-death/road-traffic-accidents/by-country/> Luettu 27.2.2015

Statistic Bureau of Japan, Statistical Maps of Japan <http://www.stat.go.jp/data/chiri/map/c_koku/mitsudo/pdf/2010.pdf> Luettu 27.2.2015

Tilastokeskus, Väestö vanhenee – heikkeneekö huoltosuhde? <http://www.stat.fi/tup/vl2010/art_2013-02-21_001.html> Luettu 27.2.2015

THL, Indikaattoripankki SOTKAnet <http://uusi.sotkanet.fi/portal/page/portal/etusivu/hakusivu> Luettu 27.2.2015

Statistic Bureau of Japan, Statistical Yearbook of Japan 2015 <http://www.stat.go.jp/english/data/nenkan/index.htm> Luettu 27.2.2015

Kurssikerta 6 – Kallion baareja ja tulirenkaita

Kuudes kurssikerta alkoi ulkoilulla. Tehtävänämme oli kerätä tiettyjä kohteita maastosta sekä tallentaa kohteiden sijainti GPS-paikantimen avulla. Päätimme oman ryhmämme kanssa lähteä tutkailemaan Kallion baarien sijaintia ja pienen ratikkamatkan jälkeen saavuimme paikalle ja saimme kerättyä viidentoista baarin sijainnit helposti ja vaivattomasti. Yliopistolla siirsimme tiedot excelissä MapInfoon ja näin saimme pistemuotoisen aineiston baarien sijainnista. Itse laitteen käyttö tuntui ryhmässämme sujuvan vallan mainiosti ja suurimmat ongelmat aiheuttivat kylmä tuuli ja jäätyvät sormet.

Saamamme tulokset osuivat kutakuinkin oikeisiin kohtiin, mutta muutamien metrien heittoa pisteissä ilmeni mikä nyt on sinällään ihan normaalia, korkeuden mittaaminen näin pohjoisessa on erittäin hankalaa ja niissä tuloksissa heittoa olikin jo huomattavasti enemmän.

Tämä kurssikerran varsinainen tehtävä liittyi niin ikään pisteaineistoihin ja aineistojen käsittelyyn ja tuomiseen MapInfoon. Tehtävänämme oli tehdä kolme karttaa (joko samasta aiheesta tai kolmesta eri aiheesta) jotka piti tehdä opetuskäyttöön, siis sellaisia karttoja joita voisi tarpeen mukaan käyttää vaikka lukion maantieteen tunnilla. Itse tein kolme karttaa maanjäristysten esiintymisestä maapallolla.

Kartoista ilmenee yksi merkittävä seikka: pieniä ja ei-niin-voimakkaita maanjäristyksiä ilmenee erittäin paljon. Jo pelkästään viidessä vuodessa ilmeni yli 60 000 4-5,9 magnitudin maanjäristyksiä kuin yli 60 vuodessa yli 7,5 magnitudin maanjäristyksiä enää kymmeniä. (tiedot saimme Californian Yliopiston Berkeleyn seismologian laboration tietokannasta)

6-7,5järistykset1950

Kuva 1. 6-7,4 magnitudin maanjäristykset vuodesta 1950 alkaen.

Kuvassa 1 on maanjäristykset vuodesta 1950 joiden voimakkuus on 6-7,4 magnitudia ja jo tässä kartassa voidaan huomata hyvin jo litosfäärilaattojen rajoja. Näitä maanjäristyksiä on satoja ja huomattavasti eniten niitä sijaitsee Tyynenvaltameren tulirenkaan ympärillä.

yli7,5järistykset1950

Kuva 2 .7,5 magnitudin maanjäristykset vuodesta 1950 alkaen.

 

Kuvassa 2 rajasin aineiston siten, että kartassa näkyy vain yli 7,5 magnitudin maanjäristykset vuodesta 1950 eteenpäin. Kuten huomataan, niin näitä maanjäristyksiä on ollut vuosien varrella vain muutamia kymmeniä (viimeisin suurimmat tuhot aiheuttanut lienee vuoden 2011 maanjäristys Japanin itärannikolla) ja näistäkin huomattavan suuri osa on tapahtunut Tyynenmeren lähistöllä. Ja kuten myös Outi Seppälä omassa blogissaan toteaa niin suuret maanjäristykset keskittyvät alityöntövyöhykkeille ja hankaussaumoihin.

4-5,9järistykset2010

Kuva 3. 4-5,9 magnitudin maanjäristykset vuodesta 2010.

Viimeisessä kartassa (kuva 3.) on 4-5,9 magnitudin maanjäristykset vuodesta 2010 alkaen. Ja näitä oli piirun verran yli 66000. Aluksi meinasin ottaa aikaväliksi saman ajan jakson (eli vuodesta 1950 eteenpäin), mutta näitten järistysten lukumäärä olisi kasvanut yli 250 000 ja en tiedä kuinka hyvin MapInfo olisi tätä käsitellyt. Joka tapauksessa viiden vuoden aineistostakin saa hyvin selville, että pieniä järistyksiä tapahtuu usein ja tämän omasta mielestäni kartat hyvin havainnollistavat.

Kuva 4. Tyynenmeren tulirengas.

Kuvassa 4 nähdään hyvin tämä pahamaineinen Tyynenmeren tulirengas jossa hyvin merkittävä osuus maailman maanjäristyksistä tapahtuu ja samalla voi miettiä, että kuinka monta miljoonaa ihmistä alueella asuu, kyse on kymmenistä miljoonista ja tulevaisuudessa ison maanjäristyksen tapahtuminen suurkaupungin läheisyydessä voisi aiheuttaa mittaamatonta tuhoa.

 

Lähteet:

Seppälä, O. Järistyksiä ja purkauksia open näkökulmasta <https://blogs.helsinki.fi/outisepp/> Luettu 22.2.2015

Kalifornian yliopisto. <http://quake.geo.berkeley.edu/anss/catalog-search.html> Luettu 22.2.2015

United State Geological Survey. <http://pubs.usgs.gov/gip/dynamic/fire.html> Luettu 22.2.2015

Kurssikerta 5 – Puskurointia ja uima-altaita

Viidennellä kurssikerralla suurimpana teemana oli bufferointi ja sen avulla tehtävät analyysit. Bufferointia eli puskurointia voidaan käyttää esimerkiksi talojen lukumäärän laskemiseen tietyllä säteellä vaikkapa valtaväylän läheisyydessä (tai vaikkapa desibelitasoja).  Tämä helpottaa taas esimerkiksi äänivallien rakentamista alueella kun tiedetään missä desibelitasot nousevat tietyn tason yli.

Aloitimme puskuroinnin harjoittelun viime kerralla tekemämme Pornaisten kartan päälle. Merkitsimme Pornaisten karttaan alueen suurimmat tiet sekä asuinrakennukset. Teimme muun muassa bufferin jossa laskimme talot 100 metrin etäisyydellä tiestä. Itse bufferin tekeminen on erittäin simppeli tehtävä, ainakin silloin kun sinulla on aineisto naamasi edessä. Myöhemmissä tehtävissä jouduimme kaivautumaan isompaan aineistoon ja etsiä sieltä hakemamme aineisto joka olikin jo himpun verran hankalampaa, mutta tästä lisää hieman myöhemmin.

Kurssikerta oli pitkälti hyvin itsenäinen ja teimmekin suurimman osan ajasta yksin tehtäviä (Arttua ja muita kurssilaisia konsultoiden tietenkin) ja ensimmäisenä tehtävänä oli melko yksinkertainen tehtävä jossa meidän piti tehdä bufferi Malmin lentokentälle ja laskea asuinrakennusten määrä 1 ja 2 kilometrin etäisyydellä kiitoradoista. Yhden kilometrin etäisyydellä lentokentästä asuu 8422 asukasta ja 775 taloa. Kahden kilometrin kohdalla vastaavat luvut ovat 55212 ja 4671. Tehtävä oli yksinkertaisuudessa helppo eikä tuottanut itselleni juurikaan mitään ongelmia.

Toinen tehtävä liittyi myös lentokenttiin ja tällä kertaa siirryimme Helsinki-Vantaan lentokenttään ja nyt tehtävänä oli myös laskea asukkaiden määrää 2 kilometrin säteellä. Asukkaita oli tällä kertaa 9907 ja taloja 2173. Toisena tehtävänä meidän piti laskea pahimmalla melualueella (yli 65dB) asuvien ihmisten määrää valmiiksi annetun bufferin perusteella jossa oli lentokentän melutasoja kuvaavat bufferit. Edellä lasketuista asukkaista 3,4% asui pahimmalla melualueella ja vähintään 55dB melualueella asui 11387 asukasta joten voidaan sanoa, että lentokenttä vaikuttaa merkittävään osaan Vantaan väestöstä. Viimeinen Helsinki-Vantaaseen liittyvä tehtävä oli laskea asukkaiden määrä jotka ovat 60dB alueella jos lentokoneet lentäisivät Tikkurilan yli ja tämä tehtävä oli oikeastaan vain puhdasta viivan vetämistä kartalle ja bufferin piirtämistä. Itse sain tulokseksi, että lentoliikenne haittaisi 12189 asukkaan ja 1590 asuinrakennuksen elämää, mutta en ole ihan varma onko tämä oikein, luku tuntuu hieman pieneltä.

Seuraavaksi jatkoimme bufferointia ja tällä kertaa tehtävänämme oli laskea asukkaiden määrä juna-asemien läheisyydessä. Juna-asemat saimme suoraan aineistossa ja asukkaiden laskeminen oli yllättävän helppo homma. Tässä on saamani luvut (500 metrin etäisyydellä juna-asemasta):

  • 82860 asukasta
  • Koko aineiston asukkaista 17% asuu asemien läheisyydessä
  • 59110 työikäistä (15-64vuotta)

Seuraavana itsenäistehtävänä oli selvittää taajamissa asuvien ihmisten lukumäärää. Tähän saimme myös valmiin aineiston, mutta oikeiden asioiden etsiminen vaati hieman tietokantojen muokkausta ja oikeiden asioiden valitsemista. Muutaman kymmenen minuutin jälkeen sain vastaukseksi seuraavia lukuja:

  • 97% alueen asukkaista asuu taajamissa
  • 3% alueen 49981 kouluikäisestä asuu taajamien ulkopuolella
  • Ulkomaalaisten osuus on yli 30% kuudella alueella ja yli kymmenen prosenttia 28 alueella

 

Seuraavaksi tehtävänä oli valita yksi kolmesta vaihtoehdosta. Itse valitsin tehtäväksi jossa laskettiin uima-altaiden lukumäärää alueella. Tämä oli ylivoimaisesti päivän haastavin tehtävä ainakin itselleni, liekö johtunut tehtävän hankaluudesta vai siitä, että kun tässä kohtaa tätä tein niin oli kulunut jo liki 4 tuntia ja väsymys alkoi pikkuhiljaa iskeä. Joka tapauksessa esimerkiksi uima-altaiden lukumäärä jossain määrin yllätti itseni. Odotin ehkä itse hieman suurempaa lukumäärää, mutta toisaalta kun mietitään, niin uima-allas on erittäin kallis ylläpitää sekä rakentaa.

  • Uima-altaita on 855 kappaletta
  • Asukkaita uima-altaallisissa taloissa on yhteensä 12170
  • 345 omakotitaloa, 113 rivitaloa, 158 paritaloa sekä 181 kerrostaloa
  • Saunoja on 21922 rakennuksessa

Saunoja olisin voinut uskoa, että olisi ollut enemmän, mutta toisaalta suurin osa väestöstä asuu kerrostaloissa joissa yleensä on yksi sauna kaikkien asukkaiden käytössä (omassa taloyhtiössäni on kaksi saunaa kolmea kerrostaloa kohti).  Tähän tehtävään liittyi myös kartan teko jossa piti esittää uima-altaiden määrä pääkaupunkiseudun eri alueilla (kuva 1). Kartassa huomataan parhaiten se, että uima-altaita on eniten Helsingissä ja jollain alueilla suurimmillaan yli 50!

UA-kartta

Kuva 1. Uima-altaiden esiintyvyys pk-seudulla.

Näin kurssin ollessa jo yli puolen välin voikin jo miettiä, että osaanko jo käyttää MapInfoa. Tämän kurssikerran perusteella voisin sanoa, että kyllä ja ei. MapInfon perusteet osaan jo ihan mukavasti kuten aineistojen tuominen ja kevyt käsittely kyseisellä ohjelmistolla, mutta sitten kun pitää lähteä miettimään syvällisempiä ongelmia, tulee itsellenikin suuria ongelmia. Vaikka muuten osaisin teoriassa ohjelmaa käyttää, monen pienen asian muistaminen tekee käytöstä vaikeampaa. Yhden ruksin unohtaminen tietystä kohdasta voi muuttaa esimerkiksi kartan täysin erinäköiseksi tai tietokannan tiedot muuttuvat virheellisiksi. Olen myös samaa mieltä Suvin kanssa: “Kaikki uusi MapInfoon liittyvä tieto on tullut niin nopeasti, että kaikkea ei todellakaan ole ehtinyt sisäistämään ja moni asia on unohtunut melkein heti.”

Tähän helppo lääke, harjoittelu.

Lähteet:

Heittola, S. (2015) Kurssikerta 5 <https://blogs.helsinki.fi/heittola/> Luettu 19.2.2015

Kurssikerta 4 – Ruutuja, ruutuja ja Vantaan asukastiheyttä

Neljännellä kurssikerralla sukelsimme ruutu- ja pisteaineistojen pariin ja tämänkertainen nelituntinen alkoi perinteisellä teoriaosuudella jossa kävimme läpi kaikki tämänkertaiseen asiaan liittyvät asiat ja hieman lisääkin. Itse teoriaosuuden jälkeen lähdimme itse harjoittelemaan edellä mainittujen aineistojen käyttöä ja teimme myös sen pohjalta tämänkertaisen kartankin.

Harjoittelun aloitimme tutustumalla MapInfon tarjoamiin työkaluihin (tässä tapauksessa Grid-tool) ja samalla opettelimme niitä käyttämään. Meille annettiin aineisto johon oli tallennettu pisteinä kaikki pääkaupunkiseudun asuinrakennukset ja asukkaat, löysin myös oman silloisen kotini ja tiedot olivat kyllä oikein. Aineiston päälle teimme ruudukon (ensimmäisellä kerralla muistaakseni 500×500 metrin ruuduilla) ja sen jälkeen laadimme teemakartan pääkaupunkiseudun väestöntiheydestä ruudukon pohjalta. Lopputulos oli hieman kehno, sillä suuri pikseli koko ei antanut kovin tarkkaa kuvaa väestön jakautumisesta vaikka suurimmat asutuksen pääpiirteistä tulivat hyvin selvästi kartasta eroon. Seuraavaksi saimme itse kokeilla miten eri ruutukoko vaikuttaa kartan ulkoasuun ja siitä saatavaan informaatioon, ja kuten odottaa saattaa niin pienempi ruutukoko kyllä parantaa kartan tarkkuutta, mutta samalla voi tehdä siitä hieman epäselvemmän, riippuen totta kai kartan tekijän taidoista.

Seuraavana lähdimme työstämään tämänkertaista karttaamme ja siinä tulikin pieniä ongelmia, lähinnä MapInfon ominaisuuksien kanssa. Omana tarkoituksena oli siis tehdä kartta Vantaan asukastiheydestä (Kuva 1.) ja siinä lopulta onnistuen ihan hienosti, mutta matkalla oli monia mutkia. Suurin ongelma oli lähinnä alueen rajaaminen pelkäksi Vantaaksi kun MapInfo halusi välttämättä ottaa osia myös Helsingistä mukaan. Aikansa vääntämisen, opiskelutovereiden konsultoimisen ja viimeisenä keinona kurssinvetäjältä avun pyytäminen toi toivotun tuloksen ja vihdoin pääsin tekemään kartan loppuun asti.

Aluksi kokeilin käyttää 500×500 metrin ruutuja, mutta kuten jo aikaisemmin totesinkin, niin tällöin kartasta tulee omasta mielestäni liian epätarkka ja ei omasta mielestäni edes kovin hyvännäköinen tämän mittakaavan kartoissa. Päädyinkin siksi valitsemaan kartakseni 250×250 metrin ruuduilla tehdyn kartan, josta omasta mielestäni ilmenee hyvinkin tarkasti Vantaan asukastiheys.

Kuva 1. Vantaan väestöntiheys ruutukarttana.

Kuva 1. Vantaan väestöntiheys ruutukarttana.

Kartasta huomataan hyvin Vantaan tiheimmät asutuskeskukset mm. Tikkurila, Koivukylä/Havukoski/Asola, Korso sekä lännessä Myyrmäki ja Martinlaakso. Kartasta myös huomaa helposti sen, että suurin osa Vantaan asutuksesta on sijoittunut Itä-Vantaalle, ja toisaalta lentokenttäkin sijainti on hyvin ilmeinen. Myös Vantaan luoteisosat ovat hyvin harvaan asuttuja ja ainoa tiheämmin asuttu alue on Seutula. Ja jos joskus aikaisemmin on alueella käynyt niin tietää, että Katriinan sairaala on keskellä juuri ei mitään. Huomataan myös, että Vantaa on suurimmaksi osaksi hyvin harvaan asuttua ja, että tilaa rakentaa esimerkiksi uusia asuinalueita löytyy. Tässä toki täytyy muistaa lentokentän aiheuttamat rajoitukset, esimerkiksi lentomelu pitää huomioida.

Päätin ”poistaa” ruudukon omasta kartastani, koska omasta mielestäni päällä oleva ruudukko tekee kartasta hieman sotkuisen ja ilman ruudukkoa myös eri värit saattavat erottua selkeämmin. Kokonaisuudessaan kartta on kuitenkin suhteellisen hyvin onnistunut, ja oikeastaan ainoa hienosäätö minkä olisin ehkä tehnyt, liittyy väreihin. Mielestäni kun tuo vaalein liila on hieman liian vaalea ja se ei oikein meinaa erottua valkoisesta asuttamattomasta alueesta. Pohjoisnuolenkin jouduin lisäämään Paintissa kun oli tunnilla unohtunut ja jostain kumman syystä omalla koneellani oleva MapInfo ei workspace tiedostoa halunnut enää avata, mutta käyhän se noinkin.

Tehtävänannossa meidän piti myös miettiä, että voidaanko ruututeemakarttaa käyttää absoluuttisia arvoja kuvattaessa, ja omasta mielestäni kyllä voi. Kyllähän oma karttanikin sen jo todistaa. Verrattuna esimerkiksi ”normaaleihin” teemakarttoihin niin omasta mielestäni ruututeemakartan antama informaatio voi olla paikoitellen jopa tarkempaa, mutta eri alueiden vertailu esimerkiksi kuntatasolla on hyvin hankalaa ja tämän sopii normaali koropleettikartta paljon paremmin. Vantaan väestöntiheyttäkin voidaan mitata ruututeemakartalla vallan mainiosti, muutamat karttatyypit saattaisivat antaa tietenkin tarkempaa tietoa (esimerkiksi dasymetrinen kartta) kuin ruututeemakartta. Tarpeeksi pienellä ruutukoolla ruututeemakartta on kuitenkin hyvin informatiivinen. Toisaalta, suurempi ruutukukoko sopii hyvin kuvaamaan suurempia alueita. Näin on tehnyt myös Maarit Mukala joka oman bloginsa kartassa on käyttänyt koko pääkaupunkiseudun karttaa ja yhden kilometrin ruutuja. Ehkä omasta mielestäni kuitenkin kilometrin ruudut saattavat olla hieman liian suuria pk-seudun kokoiselle alueelle, mutta ymmärtänette pointin.

 

Lähteet:

Mukala, Maarit. Neljäs kurssikerta <https://blogs.helsinki.fi/mmukala/2015/02/18/neljas-kurssikerta-tulossa/> Luettu 14.3.2015

Kurssikerta 3 – Timantteja, öljyä ja tulvia

Kolmannella kurssikerralla olikin jo hieman hankalampaa asiaa. Tai no, itsessään asia ei ollut kovin hankalaa, mutta työvaiheita oli erittäin paljon ja yhden ruksin unohtuminen jostain kohdasta aiheutti jo hieman harmaita hiuksia. Kyseessä oli siis tietokannoilla leikkimistä. Varsinaisella oppitunnilla itse teoriaosuutta ei juuri ollut vaan siirryimme suoraan itse asiaan. Meille annettiin Afrikan mantereesta oleva kartta, jota piti alkaa muokkailemaan. Meidän piti esimerkiksi yhdistellä alueita sekä muokata ja yhdistellä tietokantoja. Tämä oli minulle jo täysin uutta asiaa ja erilaisia ruksittavia ja muistettavia asioita oli jo paljon. En usko, että vieläkään muistan ihan kaikkea, pitänee varmaan harjoitella lisää.

Tämän viikon ensimmäisenä tehtävänä oli käyttää ”värikästä mielikuvitustamme” ja yrittää analysoida, että mitä muuta voidaan saada selville annetuista tietokannoista. Kurssinvetäjän Arttu Paarlahden (kuva 1.) tekemässä kartassa nähdään Afrikan mantereen timanttikaivokset, konfliktialueet ja paikat sekä konfliktien laajuus ja öljylähteet. Pikaisella vilkaisulla selviää, että liki koko Afrikassa on konflikteja ollut ja joskus nämä ovat liittyneet myös luonnonvaroihin. Tilastot ovat muistaakseni päivitetty vuonna 2006, joten tämän päivän kartassa olisi myös Libya konfliktialueeksi merkattu Arabikevään tapahtumien takia.

Kuva 1. Afrikan kartta johon merkittynä konfliktit, timanttikaivokset, öljykentät sekä konfliktien laajuus. (Paarlahti 2015)

Kuva 1. Afrikan kartta johon merkittynä konfliktit, timanttikaivokset, öljykentät sekä konfliktien laajuus. (Paarlahti 2015)

Monet konfliktit juontavat juurensa siirtomaavallan aikaan kun eurooppalaiset hallitsivat käytännössä koko mannerta. Eurooppalaisten teot Afrikassa jättivät mantereen huonoon jamaan ja isäntien lähdöstä saakka on alueella sodittu ties mistä. Hyvänä esimerkkinä lienee Kongon veritimantit, joita ostamalla ovat muun muassa länsimaat tukeneet Afrikan konflikteja.

Internetin käyttäjien lukumäärän kasvu ja väheneminen kertoo myös osaltaan yhteiskunnan kehityksestä. Oletusarvoisesti voisi uskoa, että jos yhteiskunta kehittyy rauhassa ilman vakavampia konflikteja, internetin käyttäjien määrä kasvaa tasaisesti. Jos taas vastaavasti määrä vähenee, tämä voi osaltaan kertoa konfliktista ja sen merkittävyydestä kyseiselle valtiolle. Kuten Mirka Jokela-Määttä blogissaan toteaakin, että vaikka länsimaissa internet kuuluu siihen perusinfrastruktuuriin, ei se sitä välttämättä ole kehittyvissä maissa. Heikkoa infrastruktuuria on myös huomattavasti helpompi horjuuttaa.

Tulvaindeksikartta

Kuva 2. Tulvaindeksi kartta sekä valuma-alueiden järvisyys.

 

Viikon toisena tehtävänä oli tehdä tulvaindeksikartta Suomen eri valuma-alueista. Tehtävässä käytettiin hyödyksi edellisessä harjoituksessa (Afrikka-tehtävä) opittuja taitoja eri tietokantojen yhdistämisessä ja tietokantojen muokkaamisessa. Itse sain tehtävän tehtyä ilman suurempia ongelmia jo varsinaisella kurssikerralla ja vaikka suhteellisen nopeasti karttanikin tein, tuli siitä mielestäni selkeä ja hieno. Tehtävähän on myös siinä mielessä hauska, koska ensimmäistä kertaa pääsemme vertailemaan myös kanssaopiskelijoidemme karttoja helposti, sillä kaikilla kun on sama aihe. Eroja kuitenkin löytyy, lähinnä luokittelussa ja värimaailmassa (sekä myös muiden karttaelementtien asettelussa). Esimerkiksi Oskar Rönnberg on omassa kartassaan päätynyt paljon väririkkaampaan palettiin kuin oma sinisen-sävyinen karttani. Vastaavasti Rönnberg on käyttänyt omassa kartassaan hieman erilaista luokittelua. Oman karttani luokituksen valitsin siten, että suurimpaan luokkaan tuli vain yksi arvo, 1100 joka on Aurajoen valuma-alue.  Tähän päädyin siksi, että Aurajoen tulvaindeksi on huomattavasti suurempi kuin seuraavilla valuma-alueilla. Kummatkin luokitukset kuitenkin toimivat vallan mainiosti.

Toinen selvitettävä asia oli valuma-alueiden järvisyys. Järvisyydellä tarkoitetaan valuma-alueella sijaitsevien järvien suhdetta valuma-alueen pinta-alaan (ympäristö.fi) ja tämän tiedon löysimme kätevästi taulukosta. Vaihtoehtona oli myös tehdä haastavampi versio ja laskea alueiden järvisyys prosentit itse (mikä itsessään ei ole hankala laskutoimitus jos osaa pinta-aloja laskea), mutta itse päädyin tekemään oman karttani valmiin aineiston pohjalta, kenties olisi harjoituksen vuoksi hyvä tehdä myös se haastavampi versio. Kartassa järvisyys esitetään pylväänä kyseisen valuma-alueen päällä. Tämä tuotti alkuun hieman hankaluuksia, sillä joidenkin valuma-alueiden järvisyys on erittäin pieni esimerkiksi länsirannikolla ja vastaavasti alueet ovat myös pinta-alaltaan hyvin pieniä joten pieniä pylväitä kartalla näkyy ihan riittämiin. Tunnilla tuli mietittyä vaihtoehtoisia tapoja esittää alueiden järvisyys, jotta kartasta saisi selkeämmän, mutta muutamien pikaisten kokeiluiden jälkeen pylväät osoittautuivat silti parhaimmaksi vaihtoehdoksi. Kenties taitavampi kartografi osaisi asian ilmaista selkeämmin, vaikka ei omassa esityksessäkään pahemmin ongelmia ole.

Kartta ilmaisee asian selkeästi ja maallikkona pystyn sanomaan, että mitkä alueet ovat järvisimpiä ja toisaalta myös, että missä tulvat ovat suurin ongelma. Tulvien esiintymiseen vaikuttaa myös moni muukin asia kuten alueen alavuus ja tulvavallit. Vaikka Aurajoki onkin tulvaindeksiltään kaikkein korkeimmalla sijalla, ei ainakaan uutisissa pahemmin Aurajoen tulvista kerrota. Sen sijaan monet Pohjanmaan joet pääsevät melkein joka kevät uutisiin tulvien takia.

 

Lähteet:

Paikkatiedon hankinta, analyysi ja kartografia 2015, Arttu Paarlahti <https://blogs.helsinki.fi/pak-2015/> Luettu 2.2.2015

Paikannettua tietoa, Mirka Jokela-Määttä <https://blogs.helsinki.fi/mijokela/> Luettu 2.2.2015

Oskarin PAK-blogi, Oskar Rönnberg <https://blogs.helsinki.fi/oskaronn/> Luettu 3.2.2015

Tulvasanasto, Ympäristö.fi <http://www.ymparisto.fi/fi-FI/Vesi/Tulviin_varautuminen/Tulvasanasto> Luettu 3.2.2015

Kurssikerta 2 – Kaksi päällekäistä teemakarttaa

Toisella kurssikerralla tarkoituksena oli perehtyä tarkemmin MapInfoon ja sen tarjoamiin teemakarttoihin. Toisella kurssikerralla perehdyimme muun muassa pylväsdiagrammikarttoihin, ympyrädiagrammikarttoihin, sekä muihin hieman erikoisempiin karttoihin kuten 3D-karttoihin ja prismaattisiin karttoihin. Etenkin jälkimmäiset olivat erittäin mielenkiintoisia karttaesityksiä, mutta myös suhteellisen hankala tehdä ja hyödyntää. Itse kokeilin tunnin aikana muutamia mielenkiintoisia teemoja joista olisi mahdollisesti voinut esimerkiksi prismaattisen kartan tehdä, mutta esityksistä oli vaikeaa saada selkeitä ja informatiivisia, ja osittain sen takia päädyin tekemään päällekkäisen koropleettikartan, eli kartan jossa on kaksi koropleettikarttaa päällekkäin.

Toinen kurssikerta sisälsi myös jonkin verran teoriaosuutta, etenkin teemakartoista. Opimme myös, mistä aineistoa hakea ja tähän tehtävään meitä käskettiin käyttämään Tilasto- ja indikaattoripankki SOTKANetiä, joka on Terveyden ja hyvinvoinnin laitoksen (THL) tietopalvelu. SOTKAnetistä löytyy monipuolisesti erilaisia tilastoja eri Suomen alueilta, ja näitä tilastoja mekin saimme hyödyntää tämän kertaisessa blogitekstissä.

Tunnilla opettelimme tekemään uusia teemakarttoja ja harjoittelimme samalla niiden muokkaamista sellaiseen kuntoon, että ne voivat tarjota lukijalleen jotain arvokasta informaatiota. Useasti erot, esimerkiksi maakuntien verotuloissa, ovat niin pienet, että kartan symboleja joudutaan muuttamaan siten, että erot tulevat selkeämmin esille. Omassa karttaesityksessäni kuvasin maakuntien verotuloja kuitenkin rastereina, joka ainakin omasta mielestäni teki kartan helpommin luettavaksi, kuin esimerkiksi mitä symbolikartta olisi ollut.

Itselleni suurinta vaikeutta tuotti aiheen valitseminen. Meillä kun oli tosiaan käytössä koko SOTKAnetin tilastokanta ja kyseisen tilastokannan laajuus on kieltämättä erittäin suuri. Käytin huomattavasti enemmän aikaa itse teemojen miettimiseen kuin itse kartan tekemiseen, mikä omalta osaltaan selittää sen miksi teemojen valitseminen oli niin hankalaa. Päädyin kuitenkin lopulta kahteen mielestäni ihan mielenkiintoiseen teemaan, nimittäin korkeakoulutettujen osuus väestöstä % -osuutena (15 vuotta täyttäneistä), sekä verotulojen osuus maakunnittain. Oma oletukseni on se, että kun korkeakoulutettujen osuus väestöstä on suurempi, on myös verotulojen osuus suurempi. Näinhän siinä kävikin, suurimmaksi osaksi, mutta esimerkiksi Satakunnan maakunnassa verotettavat tulot kuuluivat suurimpaan luokkaan (3610- 4550), vaikka korkeakoulutettujen luokittelussa Satakunta kuului eli toisiksi pienimpään luokkaan(23,6-24,3). Tässä tietenkin kannattaa huomioida se, että luokkarajat saattavat hieman hämätä.

Luokkarajat valitsin Equal Count eli kvantiilien mukaan, eli kaikissa luokissa pyritään yhtä suureen määrään havaintoja. Tämä luokitus omasta mielestäni toimii ihan hyvin tässäkin kartta esityksessä, mutta karttaa lukiessa kannattaa olla hieman tarkkana. Kuten juuri aikaisemmin mainitsin, niin Satakunnan tulot kuuluvat suurimpaan luokkaan (vain juuri ja juuri, Satakunnan verotettavat tulot henkeä kohden ovat 3613, mikä on aivan luokan alarajassa) vaikka korkeakoulutettujen osuus on aineiston mukaan 24,2%. Kun verrataan tätä esimerkiksi Uusimaahan jossa korkeakoulutettujen osuus on 36,3% ovat verotulotkin hieman korkeammat, 4547. Tosin Uusimaa on ylivoimaisesti koko Suomen maakunnista juuri se parhaiten palkattu ja koulutettu ja tämä aiheuttaa luokan ylärajan ”venymistä”. Tuure Takala on omassa blogissaan perehtynyt tarkemmin Uudenmaan korkea-asteen tutkinnon suorittaneiden osuuteen ja hänen omassa kartassaan eniten korkeakoulutettuja on nimenomaan pääkaupunkiseudulla (muun muassa juuri Helsingissä). Pääkaupunkiseutuhan tunnetaan elinvoimaisuudestaan ja tämä osaltaan myös vahvistaa tuota käsitystä. Rikkaimmat ja koulutetuimmat ihmiset tulevat Uudeltamaalta.

Vähiten korkea-asteen koulutuksen saaneita on Kainuussa (22,5%), mutta pienimmät tulot löytyvät Pohjois-Karjalasta (3052€). Voidaan myös huomata pientä korrelaatiota näiden kahden muuttujan välillä (korkeampi koulutus->suuremmat tulot). Elinkeinoelämän valtuuskunnan (EVA) laatimassa kartografisessa esityksessä on kuvattuna työttömyys maakunnittain. Kainuussa työttömyys oli maan toisiksi suurinta (11,5%), kun taas Uudellamaalla työttömyys oli paljon pienempää (6,7%). Työttömyys tietenkin voi vaikuttaa verotulojen suuruuteen maakunnittain sillä pääasiassa matalan työttömyyden maakunnissa myös tulojen määrä ja korkeakoulutettujen osuus oli suurempi. Kenties koulutetut ihmiset ovat muuttaneet näiltä alueilta töiden perässä laskien myös samalla oman maakuntansa verotulojen määrää, sekä korkeakoulutettujen määrää.

 

 

Kuva 1.Koropleettikartta korkean-asteen koulutuksesta sekä verotuloista. Lähde: Tilasto-ja indikaattoripankki, SOTKAnet.

Kuva 1.Koropleettikartta korkean-asteen koulutuksesta sekä verotuloista. Lähde: Tilasto-ja indikaattoripankki, SOTKAnet.

Artikkeli 1

Tämän viikon toisena tehtävänä oli lukea Anna Leonowiczin artikkeli ”Two variable choropleth maps as a useful tool for visualization of geographical relationship”. Artikkeli kertoi lähinnä yksi- ja kaksiteemaisista koropleettikartoista, sekä niiden käyttöön liittyvistä kysymyksistä. Leonowiczin mukaan suurin osa maantieteilijöistä käyttää yksiteemaisia koropleettikarttoja ja eri teemojen vertailuun he käyttävät useampia karttoja, kuin sen sijaan, että he käyttäisivät yhtä karttaa kahden teeman esittämiseen.  Yksiteemaisissa kartoissa ilmiön alueellinen jakaantuminen on helposti havaittavissa, mutta syy-seuraussuhde on usein vaikeampi havaita kahden eri kartan välillä, kun taas kaksiteemaisessa koropleettikartassa syy-seuraus suhde tulee useimmiten helpommin esille.  Kausaliteetti saadaan siis tehokkaammin selville kahden-muuttujan koropleettikartassa.

Itselleni vaikeimmin lähestyttävä asia artikkelissa oli englanninkieli. Vaikka itsessään englantia puhun (ainakin omasta mielestäni) ihan hyvin eikä sen lukemisessakaan ole suurempia haasteita, on tieteellisen artikkelin lukeminen englanniksi aina mielenkiintoinen kokemus. Itse artikkelissa hankalinta ainakin itselleni oli ymmärtää luokkien määrään vaikuttavia tekijöitä. Pienen pohtimisen (ja muutaman uudelleen lukemisen) jälkeen tajusin, mistä hommassa on kyse. Kahden muuttujan teemakartassa luokkien määrä oli syytä pitää pienenä, liian monta luokkaa ja kartan lukeminen vaikeutuu huomattavasti, itse olen myös tämän huomannut erilaisia teemakarttoja tehdessä. Mitä enemmän luokkia, sitä enemmän kartan lukemiseen tarvitaan ymmärrystä ja tietoa.

Artikkelin lopussa oli myös kartta, joka oli monellakin tapaa hyvin mielenkiintoinen. Sen sijaan, että Leonowicz olisi käyttänyt toisen väripaletin sijaan esimerkiksi rasterimuotoista, hän yhdisti kaksi eri värimaailmaa ja legendaa lukemalla selviää, miksi jokin tietty väri on juuri se. Kartta vaatii jo jonkin verran kartanlukutaitoa, mutta pienellä pohdinnalla myös kaltaiseni maallikko ymmärsi kartan sanoman hyvin. Yhdistelemällä sinistä värimaailmaa sekä vaaleanpunaista, lopputulokseksi saatiin kartta jossa käy hyvin ilmi maaseudulla asuvien ja alle 18-vuotiaiden keskinäinen suhde. Tumman sininen väri kuvaa aluetta, jossa nuoria on paljon ja väestö asuu maaseudulla, valkoiset alueet ovat päinvastaisia. Mitä meidän kaikkien rakastamaan MapInfoon tulee, niin uskoisin, että kyseiselläkin ohjelmalla voi mahdollisesti tehdä samankaltaisia karttoja. Se vain vaatii vielä erittäin paljon harjoitusta omalta osaltani, mutta taitava karttaohjelmien käyttävä varmasti osaa varmasti käyttää hyödykseen omaa ohjelmaansa erittäin tehokkaasti.

Ja kenties joskus minäkin.

Lähteet:

Takalan PAK-blogi, Tuure Takala <https://blogs.helsinki.fi/tevtakal/> Luettu 26.1.2015

Työttömyysaste alueittain 2013, Elinkeinoelämän valtuuskunta <http://www.eva.fi/tyotjatekijat/tyottomyysaste-alueittain-2013/> Luettu 26.1.2015

 

Kurssikerta 1 – Teemakartografian alkeet

Yliopisto-opinnoissa palattiin taas MapInfon pariin sitten ensimmäisen periodin Tiedonhankinta, analyysi ja kartografia kurssin jälkeen. Ensimmäisessä periodissa opettelimme Mapinfon perusteita ja tällä kertaa lähdimme tutustumaan jo hieman syvällisemmin ohjelman hienouksiin. Suurimpana uutena asiana teemakarttojen laatiminen sovellusta käyttämällä. MapInfo toimii ihan monipuolisena temaattisten karttojen tekemiseen soveltuvana ohjelmana ja itse ainakin opin jo yhden kurssikerran perusteella tekemään jo suhteellisen monipuolisia ja erilaisia teemakarttoja, totta kai parannettavaa aina löytyy ja täydellisiä karttoja ei ole olemassakaan, mutta silti uskon että kurssikerran opetuksesta oli suurta apua.

Itselleni suurimman haasteen aiheutti mahdollisesti oikeanlaisen luokittelun valitseminen teemakartan pohjaksi. Luokittelun laadimme histogrammia hyväksi käyttäen ja vaikka ohjelma itsessään on helppokäyttöistä, ei ainakaan itselläni ole vielä täysin hallussa oikean luokittelun valitseminen. Tässä työssä päädyin kuitenkin käyttämään MapInfon luokitusta nimeltä ”Equal Count” eli kvantiilit. Selitän näitä päätöksiä myöhemmin tässä blogitekstissä.

Oman teemakartan tein eläkeläisten prosentuaalisesta osuudesta Suomen kunnissa Tilastokeskuksen tietojen mukaan. Omasta mielestäni kartasta tuli selvä ja helposti ymmärrettävä, sekä kartasta saa myös hyvin selvää, että missä Suomen kunnissa eläkeläisiä on enemmän. Karkeampana jakona voitaisiin sanoa, että Itä- ja Pohjois-Suomessa eläkeläisten osuus väestöstä on suurempi kun taas etelärannikolla ja varsinkin suurten kaupunkien väestörakenne on huomattavasti parempi.

Kuva 1.Eeläkeellä olevien osuus % 2011. Lähde: Tilastokeskus

Kuva 1. Eeläkeellä olevien osuus % 2011. Lähde: MapInfo

Kuten teemkartasta huomataan (kuva 1.) niin kunnat joissa eläkkeellä olevia on suhteellisesti vähiten ovat suuret kaupungit (kuten esmierkiksi Helsinki, Oulu sekä Tampere). Kun taas suhteellisesti eniten eläkkeellä olevia on monissa Itä-Suomen kunnissa (Esim. Lieksa ja Ilomantsi) joissa eläkkeellä olevia on jopa yli 34,5% väestöstä! Miksi eläkkeellä olevien osuus joissain kunnissa on sitten huomattavasti suurempi kuin muissa? Itse uskoisin, että tämä taas liittyy etenkin nuoren ja koulutetun väestön muuttoon suuriin kaupunkeihin. Itse tunnen henkilökohtaisesti monia ihmisiä, jotka ovat muuttaneet näistä pienemmistä kunnista suurempiin (kuten vaikkapa oma äitini) töiden ja koulutuksen perässä. Vanhemmat ihmiset ovat jääneet mieluummin asumaan kotikuntaansa ja näin myös kunnan huoltosuhde muuttuu dramaattisesti. Vastaavasti taas monet suurissa kaupunkeissa asuneet saattavat eläkeiän saavuttamisen jälkeen muuttaa omille kotikonnuilleen lisäten näin osaltaan eläkeiläisten osuutta pienemmissä kunnissa.

Teemakartan luokitteluksi valitsin histogrammin perusteella kvantiilin luokittelun ja 5 luokkaväliä. Kuten histogrammista nähdään (kuva 2.) niin aineisto on normaalisti jakautunutta ja tällöin myös kvantiilien käyttö on mieleistä ja omasta mielestäni teemakartasta saa käsiteltävästä asiasta suht oikeanlaisen kuvan.

Kuva 2. Histogrammi aineiston jakautumisesta.

Kuva 2. Histogrammi aineiston jakautumisesta.

Luokkien lukumäärä olisi voinut myös olla pienempi kuten esimerkiksi Juuso Korhosen blogissa ilman, että se olisi kauheasti vaikuttanut kartan antamaan mielikuvaan. Toisaalta, kun luokkia on hieman enemmän eivät tietyt alueet korostu yhtä paljoa kuin pienemmällä luokkamäärällä.

 

Lähteet:

Juuson paikkatietopuserrus -blogi, Juuso Korhonen <https://blogs.helsinki.fi/juusokor/> Luettu 17.1.2015