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