Kombinationskartor

Under den andra lektionen fortsatte vi användningen av programmet Mapinfo. Den här gången gick vi igenom olika typers temakartor, från olika kombinationskartor till 3D modeller, och deras användningsområden. Vi lärde oss också hur man tar in sin egen information till programmet, vilket var mycket välkomnande. För utförande av uppgiften fick vi fria händer, det skulle vara en temakarta som kombinerar två fenomen och där man använder all den kunskap man har över färgval och klassificering. Denna gång gjorde jag en bi-variabel koropletkarta.

En bi-variabel koropletkarta är en sorts temakarta där man kombinerar två olika variabler som överlappar varandra. Som tema för kartan valde jag andelen svenskspråkigas betydelse på inkomsternas storlek i Nylands kommuner. Noll hypotesen var att svenskspråkiga minskar antalet låginkomsttagare i kommunen, detta bygger på fördomen att finlandssvenskar är rika snobbar (Wistrand 2013), vilket jag försöker motbevisa. Hade från början tänkt göra en kombinationskarta där jag motsätta andelen svenskspråkiga och Gini-koefficienten, som är ”det vanligaste nyckeltalet som beskriver inkomstskillnader” (Statistikcentralen). Men då skillnaderna för kommunerna var så små var det svårt att ske visuellt skillnad mellan symbolernas storlek, även om jag justerade deras storlek enligt kvadratroten. Därför ändrade temat till andel låginkomsttagare och därmed kombineras två koropletkartor temakartor till en bi-variabel koropletkarta (Bild 1). Andelen svenskspråkiga anges med färgytor och låginkomsttagarna med raster. Då jag valde färg och rasterytorna var jag noga med att färgen inte var för mörk, så de ovanförliggande rasterytan kommer fram, tycker att jag även lyckades skapa en tillräcklig skillnad mellan rasterna. Tydliga färgval och rasterytor förbättrar läsbarheten och informationen man får ut av kartan.

Bild 1. Andel svenskspråkiga och låginkomsttagare i Nylands Kommuner år 2012 (Sotkanet).

Informationen som använts för kartan togs från Statistik och indikatorbanken för Institutet för hälsa och välfärd (Sotkanet), datan överfördes sedan till Excel och därifrån till Mapinfo. Kedjan att ta in ny information till programmet och anpassa denna med den existerande informationen är rätt komplex och kunde i mitt tycke göras mycket lättare. Att ta in egna värden för att göra en visuell representation av dessa borde väl vara en central del av programmet. Gjorde också för denna karta två stycken histogram för att kolla spridningen av de numeriska värdena. Spridningen visade sig vara var oregelbunden för båda materialen och därför valde jag att gå med naturliga brytpunkter för bägge karta. På grund av att vi visar två olika fenomen på samma karta är max antalet klasser tre, då kartan annars får för många olika kombinationer.

Andelen svenskar är störst i kustkommunerna, detta är inte i sig förvånande, och minskar radikalt då man går inåt landet. Man måste dock vara uppmärksam då man läser kartan, det handlar om procent andelar och på detta sätt kan kartan vara missvisande t.ex. Helsingfors stora antal svenskspråkiga kommer inte fram på kartan då det även bor så många andra personer här. På kartan kommer inte heller fram variationen inom området och skulle man endast gå efter kartan kunde man tro att invånarna i Helsingfors är fattigare än de omgivande kommunerna. Men egentligen består en stor andel av Helsingfors invånare av högutbildade höginkomsttagare (Rönnberg).

Materialen visade sig vara rätt svåra att jämföra, även om man ser en korrelation i vissa kommuner (Grankulla) är förhållandena helt annat i andra (t.ex. Lovisa). Materialet antar att det är de svenskspråkiga som påverkar andelen låginkomsttagare, men i verkligheten består ju största delen av befolkningen av finnar och vi vet inte hur fördelat. I detta fall skulle Gini-koefficienten varit bättre. Man kan ändå dra vissa parareller t.ex. i Grankulla, Kyrkslätt och Sibbo visar samband med noll hypotesen ”högre andel svenskspråkiga mindre andel låginkomsttagare ” med då det också finns stora undantag bland annat de mycket svenskspråkiga kommunerna har en medelhög eller hög andel låginkomsttagare, alltså visar det att hypotesen är falsk.  Korrelation och vad som egentligen orsakar ett fenomen behöver inte ha ett samband dvs. Kausalitetsförhållande. Andra orsaker till spridningen kan vara att de mycket svenskspråkiga kommunerna Lovisa och Ekenäs ligger utanför huvudstadsregionens tillväxtområde där en stor del har en lägre grads utbildning och arbetar inom lägre betalda sektorer av ekonomin. Behöver alltså mer kunskap och forskning inom ämnet före man kan dra några slutsatser. Dessutom baserar sig hypotesen på vanföreställningar, men jag ville undersöka om det fanns något grund i påståendet.

Artikel 1, Bi-variabla koropletkartor

Vi fick även en annan uppgift för denna vecka, nämligen att analysera och reflektera över artikeln ”Two variable choropleth maps as a useful tool for visualization of geograpical relationship” skriven av Anna Leonowiczin. Artikeln kommer lämpligt in och behandlar det vi gick igenom på lektionen, dvs. Koropletkartor med två variabler. Leonowiczin har en positiv inställning till dubbel koropletkartor och menar att dessa borde användas i större grad.

Artikeln baserar sig på en undersökning där man jämförde positiva och negativa egenskaper av vanliga koropletkartor och bi-variabla koropletkartor. Enligt undersökningen är det svårt att jämföra två skilda kartor och få en korrekt uppfattning om spridning och förhållande mellan dessa, det är här bi-variabla koropletkartor kommer in. Även om dessa kartor inte är lika tydliga att beskriva ett fenomens spatiala spridning lämpar sig bi-variabla koropletkartor mycket bra till att samtidigt beskriva förhållandet mellan två variabler. Så här långt håller jag med, men då Leonowiczin hävdar att endast information över spatial spridning är lätt att förstå då man läser vanliga koropletkartor tycker jag att man kan göra en bredare analys över fenomenet på kartan, så länge den är bra gjord.

Artikeln tycker jag förövrigt att är bra och informativ och var användbar då jag gjorde bi-koropletkartan (bild 1). Här behandlas bland annat frågan om antal klasser, som är skäl att hålla låga för att hålla läsbarheten, som negativa exempel tas temakartor med fyra olika klasser dvs. 16 olika kombinationer. För tolkning och skapandet av sådana kartor krävs det kunskap och vana. Artikeln behandlar även färgval och jag anser att kartor med två variabler och olika färgkombinationer lätt blir svår tolkade även om det finns en beskrivande legend. Istället för att blått och gult blir grönt, tycker jag att en kombination av raster och färg får informationen att framgå tydligare på en karta. Dessa legender och bi-koropletkartor är som Tuure Takala säger i sin blogg rätt ovanliga och det krävs kunskap i att tolka och skapa denna typ av kartor så att man själv kunde använda sig av denna metod för egna arbeten.

Artikeln kompletterade lektionens innehåll och behandlade ämnet djupare.  Jag håller med Leonowiczin om att läsarens kunskaper och uppfattning är starkt begränsar användningen av bi-variabla koropletkartor. Kartläggaren har också en stor betydelse över kartans riktighet och läsbarhet t.ex. för många olika klasser, inkompatibla variabler som kombineras och andelar som ger en missvisande bild över verkligheten. Det är alltså lätt att göra svårtolkade och felaktiga kartor men även korrekta kan vara svåra att förstå och man måste vara uppmärksam då man gör olika slutsatser. Även om man ser en korrelation på kartan behöver det inte innebära att det är frågan om ett kausalitetsförhållande. Efter denna lektion har vi igen lite mer kunskap och ett bredare urval av representations metod, beroende på kartans användningsområde och typ.

Källor:

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

Rönnberg O. (2015). Oskarin PAK-blogi. <https://blogs.helsinki.fi/oskaronn/ > 28.1.2015.

Sotkanet. Tilasto- ja indikaattoripankki. Kunnan yleinen pienituloisuusaste, 2012. <http://uusi.sotkanet.fi/portal/page/portal/etusivu> 23.1.2015.

Statistikcentralen. Begrepp och definitioner, Ginikoefficient. <http://www.stat.fi/meta/kas/gini_kerroin_sv.html> 29.1.2015.

Takala T. (2015). Takalan PAK-Blogi. <https://blogs.helsinki.fi/tevtakal/> 28.1.2015.

Wistrand K. (2013). En folklorist ser på finlandssvenskarna. http://humanismkunskap.org/2013/05/11/en-folklorist-ser-pa-finlandssvenskarna/ 29.1.2015

Nu kör ”Pak”-kursen igång! Under den första lektionen bekantade vi oss med programmet Mapinfo, vars främsta uppgift är representation av geografisk information. Vi lärde oss bland annat att navigera i programmet, om dess olika funktioner och hur man skapar temakartor. I slutet av kurs gången gjorde vi en koropletkarta på basis av färdiga värden i Finlands kommuner.

Koropletkartor används för att visa relativa värden, även om man ofta kan se koropletkartor som okorrekt visar absoluta. Som ämne för kartan valde jag andelen arbetsföra människor, dvs. 15-65 åringar, för kommunerna i Finland. Denna grupp människor är väldigt viktig för Finland, då det är främst denna som tillbringar inkomster till kommunerna och landet och får dem att fungera.  En annan orsak till att jag valde ämnet är ett rätt intressant att se skillnaderna mellan kommunerna och fundera kring faktorer som ligger bakom denna ojämna fördelning.

För att börja processen i kartläggningen är det första man gör att kolla på materialet och därefter göra beslut om bland annat antal klasser och hurdan indelning. Då man väljer klassificerings sätt lönar det sig alltid att betrakta spridningen av värdena i fråga, för detta lämpar sig bäst ett histogram. Jag använde mig av ett interaktivt program (Shodor) som färdigt gjorde histogrammet då jag matade in kommunernas procenttal. För att förbättra histogrammet valde jag Intervallvärdet 1 samt ändrade x-axelns min- och y-axelns maxvärde. Vid analys av histogrammet märker man tydligt talens fördelning, i detta fall är materialet nästan normaltfördelat. Med en snabb uppdatering över kunskaperna man fått i tidigare kurser valde jag en indelning i jämna klasser (kvartiler) som är en av de klassificeringsmetoder som lämpar sig bäst för denna fördelning på material.  Temakartan har fem olika klasser vilket är max då redan nu börjar kartan se oredig ut pga. den stora variationen.  Med färre skulle och andra sidan den stora generaliseringen minska på informationens noggrannhet.

Bild 1. X-axeln andel 15-65 åringar, y-axeln antal kommuner.

Förutom klassindelningen har även färgval betydelse för kartans visuella utseende och påverkar kartläsaren uppfattning om fenomenet. För att se skillnad mellan de olika kommunerna har jag valt en färgpalett från blå till ljusröd. Detta underlättar kartläsarens tolkning då man är van med att lägre värden har en kallare blå ton. Att få till en harmonisk färgskala med Mapinfo visade sig vara svårt, de färdiga paletterna är väldigt granna, men trots detta tycker jag att jag ändå fick till en hyfsad karta.  Kontrasten mellan de två ljusröda färgerna kunde kanske varit en aning starkare.  Programmet hade färdiga funktioner för att skapa en legend, måttstock och pil. Detta underlättade arbete men redigerandet av de färdiga modellerna visade sig dock vara utmanande, speciellt då ens kunskaper fortfarande är begränsade då det gäller Mapinfo.

Nu följer en kort analys över fenomenet i fråga. I de flesta av Finlands kommuner är andelen 15-65 åringar ca 60 %, variationen mellan kommunerna är dock nästan 20 procentenheter. Vad är det som har orsakat denna variation? Att det har bildats flera små centrum, där andelen 15-65 åringar är större, runtom i Finland kan förklaras av 1900-talets områdespolitik vars mål var att göra ett enhetligt Finland (Jauhiainen 2006). Storstädernas influensområde sträcker sig över många kommuner och erbjuder service, skolning och arbetsplatser. Folk i arbetsför ålder flyttar till kommuner med bättre framtida möjligheter, och lämnar sina tidigare hemkommuner. Som exempel kan vi ta Uleåborg som tydligt kommer fram på kartan bland sina ”blåa” grannkommuner. Pauliina Hongisto konstaterar samma som jag i sin blogg, även om hennes analys baserar sig på andel pensionärer. Genom att jämföra kartor över arbetslösheten i Finland, t.ex. Bergmans blogg, samt andelen arbetsföra människor kan man se ett svagt samband mellan dessa. Oväntat är dock hur stora andelar av befolkningen i Lappland är i arbetsför ålder trots att stora delar av regionen saknar studiemöjligheter och arbetsplatser. Hade förväntat mig ett starkare samband, då arbetslöshet ofta leder till en migration bort från området.

Bild 2. Andel (%) 15-65 åringar år 2011 (Statistikcentralen).

Vi stiftade bekantskap med Mapinfo genom att göra en koropletkarta och uppfriskande minnet om  fördelning och klassindelning genom att se på ett histogram. Även om programmet nu känns lite mindre komplicerat än tidigare kommer hanteringen av programmet och dess funktioner kräver fortsatt övning. Förhoppningsvis kommer Mapinfo att öppna sig mer under de kommande veckorna.

Källor:

Bergman J. Jenny-Marias blogg <https://blogs.helsinki.fi/jibergma/> 22.1.2015

Hongisto. P. Pak a la Pauliina. <https://blogs.helsinki.fi/pauliinh/> 22.1.2015

Shodor, histogramredskap <http://www.shodor.org/interactivate/activities/Histogram/> 21.1.2015

Jauhiainen S. & Nimenmaa V. (2006). Alueellinen suunnittelu. s.292. Vastapaino, Tampere.