Disc golf, outdoor ball games and fitness centers – Good and poor spatial accessibility neighborhoods form clusters in Helsinki and Jyväskylä

Different kind of built sport facilities have different kind of density and service networks. Some sport facilities such gyms (fitness centres) are high in number compared to for example disc golf courses. There are several reasons why amount, location and density of such facilities differ. Disc golf courses need more space and frequent users are ready to travel longer distances to play a round in their favorite courses. But gyms are higher in number and the density of gyms in the city is higher. Typical gym users most likely use the closest gym and gyms need less space. And typically different gyms or fitness centres might have been specialized to certain forms of exercises or sports. In addition gyms are typically commercial, but ball parks for example are maintained by municipality or city. Ball parks are typically located near schools or larger sports parks. Therefore, the spatial network and density of different sport facilties vary a lot.

Writer: Petteri Muukkonen

For above mentioned reasons, if a researcher or a planner studies spatial accessibility of sports facilties, one should consider what sports they are studying. MSc Pyry Lehtonen has studied in his master’s thesis in geography how spatial accessibility to those three types of sport facilities occur in the city of Helsinki and city of Jyväskylä. These three types of sport facilties provide a brief overview for spatial accessibility of different age groups. In one thesis one can’t study all sports and sport facility types. Therefore Lehtonen selected these three sport facility types. Ball parks can be used for various ball games and are typically used by younger citizens. Disc golf is popular within young adults, but also families are playing that. And fitness centres (gyms) are used by adults of various age. And fitness centres are providing supervised sessions for various groups. What we are missing is the ordinary walking or everyday mobility. Walking is the most common habit of physical activity within adults and especially elderly people. But that can’t be studied in the same context what Lehtonen has done because walking routes are line features but selected sport facilties are point features in the map. And people are staring their walking in most cases from their home steps. So studied sport facilities in this thesis were: 1) disc golf courses, 2) fitness centers, and 3) ball parks. The assumption was that as the distance grows larger the interaction decreases with the facility or service.

In his study Lehtonen analyzed spatial accessibility as travel times with two main transportation modes when considering moving from home to do sports – cycling and driving by car. Then he compared these calculations with demographic data (Ruututietokanta) provided by the Statistics Finland. Both data sets (travel times and demographic data) use same 250 x 250 m grid. This helped to combine data sets easily. Geographer Pyry Lehtonen studied in his thesis what kind of spatial pattern these data sets and their variables form in the study areas. He tested the spatial autocorrelation and clustering with the Local Moran’s (so called LISA clusters) and Bivariate Local Moran’s calculations.

LISA clusters tell if various locations (grid cells in our case) are forming clusters where high-high values or low-low values are located near each others. For example in the figure 1 you can see how travel times by private car to nearest fitness centres form statistically significant clusters both in Jyväskylä and Helsinki. In the result map dark blue grid cells form clusters in certain neighborhoods. This means that on those areas travel times for nearets fitness centres are short, and therefore the situation for people living there is better in the dark red areas in the map. These clusters are neighborhoods or living areas with poor spatial accessibility to fitness centres. In both cities these areas are typically remote or surrounding living areas. But anyway, this creates an unequal situiation for the potential opportunities to do certain sports. One should use more time to travel to the nearest fitness centre. This might prevent people to do sports or live with active life style – or they must do something else than gym exercises. Pyry Lehtonen has published all result maps as appendixes in his thesis, which is available online in the thesis repository here.

Figure 1. LISA clusters of travel times to fitness centers by car in Jyväskylä and Helsinki. (Modified from the map created originally by Pyry Lehtonen, 2021)

But when adding a second variable to analyses we can study how hight or low travel times are connected (and then clustered) with high or low proportion of certain demographic variable – let’s say amount of young adults for example (see Figure 2). In the map HH (high-high) means high travel time values and high amount of young adults, LL (low-low) means low travel time values and low amount of young adults etc. So, this analyse indicates how some potential disc golf players (most commonly young adults are playing the game) are clustered far away from disc golf courses (dark blue areas). LH (low-high) areas have large amount of potential players and travel times are low. So, in these places there occur a solid bases of potential users, and disc golf courses are more easily accessible. Again, for all results maps (all three sport facility types and all traportation modes see Lehtonen thesis and its appendix maps). To conclude Lehtonen’s main findings one should notice that there occur clustering in travel times when considering moving times to the nearest sports facility. And different kind of sports have different kind of service networks. This influences unequal opportunities to use certain sports – or in fact to travel to those facilities. And different sport facility types have different kind of pattern of potential users or customers. And these aspects and needs does not fit in every locations. These results indicate that there occur statistically significant clustering, but results does not tell how large these time differences are.

Figure 2. Bivariate Local Moran’s clusters using when comparing travel times to the nearest discc golf courses and amount of 20–24-year-old young adults in Helsinki. (Map: Pyry Lehtonen)

Source:

Lehtonen, P. (2021). Accessibility of sports facilities in Helsinki and Jyväskylä: a comparison. MSc thesis. Master’s Programme in Geography, University of Helsinki: Helsinki. 52 p. + 27 appendix pages. http://urn.fi/URN:NBN:fi:hulib-202110153894

Huipulta huipulle -viherlinja tarjoaa liikkumisympäristöjä itähelsinkiläisille

Maantieteen opiskelijat tekevät mielenkiintoisia tutkielmia niin kandidaatintutkielmana kuin maisteritutkielmana. LuK Kirsi Ylinen tutki vuonna 2021 valmistuneessa kandidaatintutkielmassaan YLLI-hankkeen teemoja ja toista tutkimusaluettamme sivuten, että millaista on Helsingin kaupungin viherlinjan ”Huipulta huipulle” ympäristön maanpeitteen tyyppien osuudet, viheralueet ja niiden sijainnit. Viherlinjan ympäristön maankäyttöluokat kertovat siitä millainen viherlinja on ulkoilun ja liikkumisen näkökulmasta niiden alueiden asukkaille, joita viherlinja sivuaa tai jotka sijaitsevat lähellä viherlinjaa.

Laatijat: Petteri Muukkonen (teksti) & Kirsi Ylinen (kartat)

Helsingin kaupunki on osana viher- ja virkistysalueverkostonsa kehittämissuunnitelmaa (VISTRA) maininnut niin sanotut viherlinjat. Jos aiemmin on puhuttu vihersormista – kuin sormet harallaan oleva kämmen Helsingin päällä kuvaamassa sitä, miten laajat viheralueet (esim. Keskuspuisto) sijaitsee kapungissa, niin viherlinjat ovat poikittaisia yhteyksiä. Osa niistä on jo joko olemassa tai vasta kehitteillä. Kuvassa 1 näkyy Itä-Helsingissä lähellä YLLI-hankkeen tutkimusaluetta Kontulaa, kuinka viherlinjayhteys kulkee ja mihin ollaan kehittämässä lisättävää yhteyttä. Kuvan 1 kartan on Kirsin Ylinen laatinut YLLI-hankkeen pyynnöstä tätä blogikirjoitusta varten. Viherlinjat eivät ole niin tunnettuja kuin vihersormet – eivätkä ne näy Helsingin kartallakaan niin ilmiselvästi. Viherlinjojen tavoite on ketjuttaa viheralueita, kävelyraitteja ja puistoja sekä muita viherympäristöjä niin, että ne muodostavat mielekkäitä virkistys- ja ulkoiluyhteyksiä. Tavoitteena on näin monipuolistaa asukkaiden lähiympäristön virkistysmahdollisuuksia.

Maanpeiteluokkien sijoittuminen Huipulta huipulle -viherlinjan läheisyydessä (500m etäisyydellä) Kontulan alueella.
Kuva 1. Maanpeiteluokkien sijoittuminen Huipulta huipulle -viherlinjan läheisyydessä (500m etäisyydellä) Kontulan alueella (kartta: Kirsi Ylinen).
Kuva 2. VISTRA:n mukaiset viherlinjat esitettynä Helsingin kartalla (aineisto: Helsingin kaupunki; kartan piirto: Kirsi Ylinen). Kuva on Kirsi Ylisen kandidaatintutkielmasta.

Jo Helsingin kaupungin yleiskaavassa vuodelta 2016 on suunniteltu viherlinjojen reittejä. Mutta millaisia nämä viherlinjat ovat ja millaisessa ympäristössä ne kulkevat? Tätä selvitti maantieteen opiskelija Kirsi Ylinen kandidaatintutkielmassaan. Kirsin valitsema tutkittava viherlinja ”Huipulta huipulle” nimensä mukaisesti yhdistää kaksi huippu toisiinsa eli Malminkartanon huipun ja Vuosaaren huipun. Lisäksi tämä on viherlinjoista pisin (ks. kuva 2).

Kirsi havaitsi kandidaatintutkielmassaan, että Huipulta huipulle -viherlinjan välittömässä läheisyydessä (50 m etäisyydellä) eli niin sanotusti näkymän etäisyydellä, kun kulkija seuraa reittiä, on puustoisia alueita lähes 50 %. Toiseksi eniten on avoimia alueita kuten peltoja ja niittyjä tai muuta matalaa kasvillisuutta (20 %). Kun tarkastellaan viherlinjan ympärillä olevia alueita laajemmin aina 500 metrin etäisyydelle saakka, on puustoa enää 40 % ja matalaa kasvillisuuttakin enää vain 15 %. Muun muassa paljasta maata, rakennettuja alueita ja päällystettyjä alueita on nyt enemmän. Tämä kertoo siitä, että viherlinjojen aivan lähistöllä on vehreää, mutta jo 500 m etäisyydellä molemmin puolin linjaa alkaa jo olla enemmän rakennettuja alueita ja muuta maankäyttöä. Tämä kuulostaa loogiselta, koska viherlinja joutuu pujottelemaan kapeita käytäviä myöden asutuksen, liikenneverkkojen ja muun maankäytön puristuksissa. Mutta vihreää näkymää pitäisi olla hyvin tarjolla reitin varrella.

Viherlinjojen suunnittelussa on täytynyt ottaa huomioon erilaiset Helsingin kapungin asemakaavan viheralueet. Tästä kertoo Kirsin erikseen YLLI-hankkeelle laatima kartta (ks- kuva 3), jossa näkyy Kontulan alueella olevia viheralueiksi luokiteltavia leikkikenttiä, lähivirkistysalueita, puistoja, suoja-alueita sekä urheilu- ja virkistystoiminnan alueita. Viherlinjat siis hyödyntävät monia ja monentyyppisiä kaavoitettuja viheraluetyyppejä. Lisäksi linjan varrella on koira-aitauksia, viljelypalstoja ja leikkipaikkoja, jotka lisäävät sekä vehreyttä alueilla että tarjovata virkistyspalveluja- ja mahdollisuuksia.

Kuva 3. Asemakaavoitetut erityyppiset viheralueet ja leisten alueiden rekisteristä löytyvät viherlueet Huipulta huipulle -viherlinjan läheisyydessä (500m etäisyydellä) Kontulan alueella (kartta: Kirsi Ylinen).

Kirsi pohti tutkielmassaan, että tällainen paikkatietoanalyysi eri etäisyysvyöhykkeillä ja pelkkien paikkatietoaineistoista saatavien maanpeite- ja maankäyttöluokkien pinta-alaosuuksien laskeminen ei kerro kattavasti millaista vihreyttä ja vehreyttä reitin varrella on. Kartat kertovat vain yleistetyn kuvauksen. Lisäksi vesialueet kuten Vantaanjoki on merkittävä maisemallinen elementti virkistys- ja viherreitin varrella, mutta ei tietenkään näy koko reitin tilastollisessa tarkastelussa merkittävällä pinta-alaosuudella. Kirsi jatkoi tulostensa pohtimista, että seuraavaksi olisi ollut mielenkiintoista tutkia samalla tavalla myös muiden viherlinjojen varret. Mutta kiitos Kirsille, kun hänen tutkielmassaan tutkimansa viherlinja oli juuri se, joka sivuaa YLLI-hankkeen tutkimuslähiötä Kontulaa Helsingissä. Kaupunkivihreällä vihreillä reiteillä ja yhteyksillä on tärkeä rooli asukkaiden virkistytnahdollisuuksien edistäjinä. Ja tämä tutkielma osoitti sen, miten tärkeää on kaavoituksessa luoda yhteyksiä ja ketjuja eri ´tyyppisten viheralueiden tyyppien avulla.

Lähde:

Ylinen, K. (2021). Nykytila-analyysi Helsingin Huipulta huipulle -viherlinjan ympäristöstä. Luonnontieteiden kandidaatin tutkielma. Maantieteen kandiohjelma, Helsingin yliopisto: Helsinki. 30 s.

Yhdenvertaisuustyöpajassa pohdittiin keinoja liikkumisen edistämiseksi

Helsingin ja Jyväskylän kaupunkien sekä tutkijoiden välinen yhteiskehittäminen liikkumismahdollisuuksien edistämiseksi on YLLI-hankkeessa tärkeässä roolissa. Yhtenä yhteistyön toimenpiteenä järjestimme keväällä Kontulan alueella työskenteleville henkilöille yhteisen yhdenvertaisuustyöpajan 26.4.2022. Vastaavankaltainen työpaja järjestettiin aiemmin myös Jyväskylän Huhtasuolla.

Kirjoittajat: Marisofia Nurmi (Helsingin yliopisto) ja Janne Pyykönen (Jyväskylän yliopisto) 

Työpajan kantavina teemoina olivat yhdenvertaisuuden, liikkumisen ja hyvinvoinnin edistäminen. Tavoitteena oli:

  • edistää yhteistä ymmärrystä liikuntamahdollisuuksien saavutettavuudesta
  • jakaa tietoa ja kokemuksia alueella eri tehtävissä työskentelevien välillä
  • tunnistaa keinoja liikkumismahdollisuuksien saavutettavuuden edistämiseksi.

Kutsuimme paikalle alueella toimivia, ja työssään alueen ihmisiä tapaavia työntekijöitä. Työpaja koostui alustuksesta sekä pienryhmäosuudesta. Osallistujien taustat vaihtelivat koulumaailman, nuorisotoimen, liikunnan, seurakunnan ja sosiaali- ja terveystoimen välillä, eikä yhteys oman työn ja liikkumisen edistämisen kannalta välttämättä ollut alkuun itsestään selvä. Ensimmäisenä rastina pohdittiinkin, mitä liikkuminen ja sen edistäminen oikeastaan tarkoittaa, verrattuna esimerkiksi perinteiseen liikuntavalistukseen. 

Liikkuminen voi olla eri lajien harrastamista, mutta se voi tarkoittaa myös mitä tahansa fyysistä aktiivisuutta, kuten ulkoilua, kotiaskareita, leikkimistä ja työntekoa

Ryhmäkeskusteluissa kävi ilmi, että työn ohessa tehtiin puolivahingossa asiakkaiden tai asukkaiden liikkumista edistäviä toimia. Käytännössä arkiaktiivisuutta edistettiin asiakaskohtaamisissa esimerkiksi  toiminnallisten tapaamisten kautta, tai rohkaisemalla asiakkaita pieniinkin arkiaskareisiin.  

Liikkumisen edistämisestä nousseita oivalluksia

  • Liikkumisen edistäminen palvelee eri toimijoiden intressejä, ja se voidaan valjastaa työkalumaisesti käyttöön myös muilla kuin liikunnan sektorilla. 
  • Liikuntatoimen ulkopuolella toimenpiteet liikkumisen edistämiseksi jäävät helposti yksittäisten työntekijöiden omien työskentelytapojen ja valintojen varaan. 
  • Moniammatillisella toiminnalla ja pienillä teoilla on suuri rooli arkiaktiivisuuden edistämisessä 

Liikkumismahdollisuuksien yhdenvertaisuuden lisääminen

Työpaja järjestettiin osana YLLI-projektin kaupunkiyhteistyön kokeiluja, ja sen yksi tavoite on tutkia työpajakonseptin toimivuutta liikkumismahdollisuuksien yhdenvertaisuuden lisäämiseksi. Työpajassa esittelimme liikkumismahdollisuuksien saavutettavuuden ulottuvuudet -jäsentelyn (ks. aiempi blogikirjoitus ja päivitetty versio kuviosta alla). Kuvion tehtävänä oli auttaa osallistujia jäsentämään erilaisia saavutettavuus- ja yhdenvertaisuusongelmia, sekä tunnistamaan arkisesta työstään ne osa-alueet, joilla itse pystyy vahvimmin liikkumismahdollisuuksia ja itse liikkumista edistämään.   

Tiedollinen saavutettavuus koettiin usein suurimmaksi liikkumisen esteeksi. Tämä koskee esimerkiksi tietoa liikkumismahdollisuuksista, kuin myös liikkumisen taloudellista saavutettavuutta parantavista eduista ja avustuksista. Oleellisen tiedon helppo saavutettavuus, helppokäyttöiset varausjärjestelmät ja erilaiset monikieliset markkinointikanavat ovat tiedollisen saavutettavuuden kannalta avainasemassa. Tiedollista saavutettavuutta heikentää myös ylenpalttinen informaation määrä, kuten turhan pitkät ohjelmanivaskat. Toisaalta myös paikallisten toimijoiden tulisi itse olla hyvin perillä toiminta-alueensa liikuntapalvelutarjonnasta ja tukimahdollisuuksista, jotta työntekijänä osaisi ohjata kaupunkilaisia liikkumismahdollisuuksien äärelle.  

Sosiaalinen saavutettavuus, ja erityisesti kulttuurieroihin liittyvät saavutettavuusaspektit herättivät paljon keskustelua. Kulttuurilliset erot voivat selittää esimerkiksi erilaisia tarpeita, rajoitteita ja toiveita liikuntapalveluja kohtaan. Esimerkkinä osallistujat mainitsivat erilliset uimahallivuorot naisille, sekä esitetyt toiveet paremmista koko perheen sisäliikuntamahdollisuuksista. Toisaalta sosiaalinen vuorovaikutus voi toimia usealle erittäin voimakkaana liikkumista tukevana ulottuvuutena. Muiden näkeminen ja yhdessä toimiminen voi olla itse liikkumista huomattavasti tärkeämpi osallistumisen syy. 

Aina liikkumisen esteet eivät ole selviä. Esimerkiksi Kontulassa on tehty kokeiluja, joissa on pyritty poistamaan mahdollisia osallistumisen taloudellisia ja sosiaalisia esteitä järjestämällä ruokatarjoilun ja lastenhoidon sisältävää kerhotoimintaa. Nämä kerhot ovat kuitenkin olleet huomattavalla vajaakäytöllä. Epäselväksi on jäänyt, mistä syistä tämä johtuu. 

Työpajan anti

 Työpajassa pohdittiin lisäksi, miten kukin voisi konkreettisesti omassa työssään, tai yhteistyöverkostojen avulla, edistää asukkaiden liikkumismahdollisuuksia. Erityisesti käytännön yhteistyö mahdollisuuksista tiedottamisessa ja yhteisessä toteuttamisessa nähtiin potentiaaliseksi käytännön toimenpiteeksi. Yhteistyön alkuja ideoitiin ja luotiin jo tapaamisessa, esimerkiksi yhteisen tiedottamisen tai vierailujen muodossa. Toivottavasti tämä yhteistyö myös jatkuu tulevaisuudessa. Myös työtehtävien toteuttaminen aiempaa aktiivisemmin esim. ulkoympäristössä tapahtuvien asiakastapaamisten avulla nähtiin mahdolliseksi. 

Yleisesti työpajan voidaan sanoa täyttäneen tavoitteensa. Se toi Kontulan alueella toimivia työntekijöitä saman pöydän ääreen sekä herätti ajatuksia ja ideoita liikkumisen edistämiseen osana arkityötä. Myös yhteistyön alkuja luotiin eri toimijoiden välille. Liikkumisen edistäminen myös liikuntapalvelujen ulkopuolella nähtiin tärkeäksi ja myös omaa toimintaa tukevaksi. YLLI-projekti haluaakin kiittää kaikkia osallistuneita erinomaisesta aktiivisuudesta ja tiedon vaihdosta työpajassa. Tästä on hyvä jatkaa kohti yhä yhdenvertaisempia liikkumismahdollisuuksia lähiöissä. 

Lipas-analyysityökalun kehitys. Lipas & YLLI juttusarjan osa 4/4

Tämä on viimeinen kirjoitus neliosaisesta blogikirjoitusten sarjasta, jonka teemana on ”LIPAS-projekti ja YLLI-hanke yhteistyössä – Analyysityökalu liikuntapaikkojen saavutettavuuden arviointiin”. Tässä kirjoituksessa avaamme käyttäjien esittämiä kehitystoiveita ja työkalun jatkokehitysaskelia. 

Kirjoittaja: Tapani Laakso (Jyväskylän yliopisto, Lipas-projekti) 

LIPAS-projekti ja YLLI-hanke yhteistyössä -juttusarja 

Kirjoitusten aiheet: 

  1. Analyysityökalun tausta 
  1. Analyysityökalun toiminta ja käyttö 
  1. Analyysityökalun luotettavuus ja vertailu kaupallisiin saavutettavuusanalyyseihin 
  1. Analyysityökalun jatkokehitys 

Mikä analyysityökalu? 

Analyysityökalu on Lipas.fi -palvelun työkalu liikuntaolosuhteiden tarjonnan ja saavutettavuuden arviointiin. Työkalun avulla on mahdollista vertailla olemassa olevien liikuntapaikkojen etäisyyttä ja matkustusaikoja suhteessa halutun alueen väestöön, muihin liikuntapaikkoihin sekä oppilaitoksiin. 

Analyysityökalua on mahdollista käyttää rekisteröitymällä Lipas-palveluun. 
Lipas-palvelun ja analyysityökalun käyttöohjeet on koottu omalle sivulleen: lipasinfo.fi 

  • Video Lipas-analyysityökalun käyttöönotosta 
  • Video liikuntapaikkojen saavutettavuustiedoista Lipas-palvelussa 

Analyysityökalun jatkokehitys 

Lipas-analyysityökalun betaversio avattiin rekisteröityneille käyttäjille elokuussa 2021. Julkaisun jälkeen Lipas-käyttäjille on tarjottu myös analyysityökalun käyttökoulutusta, mikä on ollut hyvä tilaisuus kerätä tuoreita ajatuksia työkalun käytettävyydestä. Tähän mennessä analyysityökalu on nähty hyvänä uudistuksena, joka osaltaan tarjoaa helposti pureskeltavaa tietoa yhdestä liikuntapalveluiden perusongelmasta: mihin liikuntapaikka tulisi sijoittaa tai millaisia palveluita eri kunnan alueilla on saatavilla kuntalaisen näkökulmasta. Työkalu siis täyttää sille asetetun tavoitteen. 

Analyysityökalun antama tieto on nähty merkitykselliseksi pääasiallisen liikuntapaikkasuunnittelun lisäksi ”näkymättömässä”, arkipäiväisessä tiedonetsinnässä. Esimerkiksi kuntien liikuntapalveluissa vaihtelevia työtehtäviä varten analyysityökalua voidaan käyttää tiedon hakuun ja vertailuun (esim. liikuntaneuvonnan tukena tai liikuntapaikkaverkoston kartoituksessa). Tämän lisäksi analyysityökalua käytetään virallista päätöksentekoa varten valmisteltavien asioiden perusteluissa tai vaikkapa liikuntapaikkarakentamisen avustuksia haettaessa (perustelu liikuntapaikan tarpeellisuudelle). 

Elämänlaatua ja sujuvaa käyttökokemusta 

Järjestelmäkehitykseen kuuluu keskeisenä osana betavaihe, jota leimaa lievä kömpelyys ja toimintojen hiomattomuus. Tämä pätee myös Lipas-analyysityökaluun, johon on toivottu erilaisia käyttöä helpottavia parannuksia sekä ominaisuuksia. Tässä on mainittu muutama kaikkein keskeisin parannustoive, jotka seuraavaksi ratkaistaan. Tärkeimpänä parannuksena on toivottu usean eri saavutettavuusanalyysin ajoa samanaikaisesti. Eli mikäli on olemassa vaikkapa kolme vaihtoehtoista kohdetta uudelle liikuntapaikalle, niin analyysityökalun käyttöä helpottaisi, jos kohteet voitaisiin merkitä kartalle samanaikaisesti ja myös tiedot saataisiin ladattua kaikista kohteista yhdellä kertaa. Tällöin analyysityökalun antamia tietoja voitaisiin selailla välilehti-tyylisesti niin, että vain yksi kohde kerrallaan voi olla aktiivisesti valittuna, mutta muiden kohteiden tiedot olisivat napin painalluksella nähtävissä. Samalla kohteiden lisäämistä halutaan helpottaa niin, että useamman vedoskohteen luonti analyysitarkoituksia varten tapahtuisi nykyistä pienemmällä vaivalla vain lisäämällä karttakohteita haluttuun paikkaan. 

Muut pienemmät parannustoiveet keskittyvät pääasiassa ulkoasuun ja tiedon visualisointiin. Pyrimme selkeyttämään muun muassa ladattavien tiedostojen ulkoasua ja selkeyttämään analyysialueen ulkoasua sekä kartalla että taulukkografiikassa. Joka tapauksessa tätä loppuhiontaa tullaan tekemään vielä vuoden 2022 aikana. 

Väestöennusteet ja ajantasainen tieto 

Olemme ehtineet saada jatkokehitysajatuksia analyysityökalun kehittämiseksi. Ensinnäkin on toivottu väestötietojen pitämistä ajan tasalla, mutta sen lisäksi on kaivattu mahdollisuutta väestöennusteiden hyödyntämiseen saavutettavuuslaskennassa. Väestöennusteiden käyttöön liittyy kuitenkin merkittäviä haasteita. Tilastokeskus laatii kunnista väestöennusteet muutaman vuoden välein, mutta niissä käsitellään kuntia yksikköinä eli ne eivät tarjoa tietoa väestöruudukoittain tai asuinalue- tai postinumeroluokittain. Yksittäiset kunnat voivat toki tehdä omia, tarkempia ennusteitaan, mutta yhdenmukaista aineistoa ei ole mahdollista saada. Teknisesti tarkemmat väestöennusteet ovat tarvittaessa yhdistettävissä analyysityökaluun, mutta työstä aiheutuva kustannus jää tietoa kaipaavan maksettavaksi. Keskustelemme mielellämme mahdollisesta ratkaisusta kiinnostuneiden kanssa. 

Toinen laajempi ajatus analyysityökalun kehittämiselle liittyy automatisoituihin laskelmiin. Analyysityökalulle on toivottu mahdollisuutta ladata alueellista tietoa liikuntapaikkojen saavutettavuudesta. Tämä tapahtuisi esimerkiksi postinumero- tai AVI-alueittain niin, että analyysityökalu laskisi saavutettavuustiedot käyttäjien haluamilla parametreilla alueellisesti. Tällaista alueellista tietoa voisi olla esimerkiksi: 
1) montako liikuntapaikkaa on keskimäärin 30 min pyörämatkan sisällä tietyllä alueella tai  
2) kuinka pitkän pyörämatkan päässä on keskimäärin tietty liikuntapaikkatyyppi tai jokin muu liikuntapaikka kyseisellä alueella. 

Molemmat ajatukset ovat hyviä ja varmasti tärkeitä ja ne otetaan huomioon analyysityökalun ja Lipas-järjestelmän jatkokehitystä suunniteltaessa. Analyysityökalu tarjoaa nykymuodossaan hyvän alustan jatkokehitykselle, mihin toki tarvitaan myös jatkossa rahoitusta ja yhteiskehittämistä. Työkalun ensiaskeleet toteutettiin yhteistyössä YLLI-tutkimushankkeen kanssa, ja toiveena on löytää myös tuleviin kehitystoimenpiteisiin yhteistyötahoja eri toimijoista. 

Monipuolisuuslaskuri 

Osana YLLI-tutkimushanketta tullaan kehittämään menetelmiä liikuntapaikkojen monipuolisuuden arviointia varten ajatuksella: kuinka monta erityyppistä liikuntapaikkaa lähiympäristössä on? Asiasta on suunnitteilla kaksi artikkelia, joissa käsitellään mm. monipuolisuuslaskentaa varten kehitettyä monipuolisuusindeksiä kuvaamaan liikuntapaikkojen monipuolisuutta tietyllä alueella. Tämän tueksi Lipas-analyysityökalulle on kehitteillä laajennus, jossa saavutettavuuden ohella on mahdollista arvioida liikuntapaikkojen monipuolisuutta. Tässä yhteydessä emme kuitenkaan ahmi makeaa mahan täydeltä vaan palaamme monipuolisuuslaskuriin myöhemmissä blogikirjoituksissa, kun työ sen parissa on päässyt kunnolla vauhtiin. Pitäkääpä siis YLLI-blogia ja Lipas.fi-sivustoa silmällä myös jatkossa! 

Lipas-projekti ja Ylli-hanke yleisesti: 

Lipas.fi on valtakunnallinen ja julkinen liikunnan paikkatietojärjestelmä, jota hallinnoi Jyväskylän yliopiston liikuntatieteellinen tiedekunta ja rahoittaa opetus- ja kulttuuriministeriö. 

Tutkimushanke ”Yhdenvertainen liikunnallinen lähiö (YLLI)” on Helsingin yliopiston maantieteilijöiden ja Jyväskylän yliopiston liikunnan yhteiskuntatieteilijöiden yhteinen hanke, joka on osa ympäristöministeriön koordinoimaa Lähiöohjelmaa 2020-2022. 

Lipas-analyysityökalun luotettavuus ja vertailu kaupallisiin saavutettavuusanalyyseihin. Lipas & YLLI juttusarjan osa 3/4

Tämä on kolmas kirjoitus neliosaisesta blogikirjoitusten sarjasta, jonka teemana on ”LIPAS-projekti ja YLLI-hanke yhteistyössä – Analyysityökalu liikuntapaikkojen saavutettavuuden arviointiin”. Tässä kirjoituksessa vertaamme Lipas-analyysityökalu kaupalliseen Mapple Insights API-työkaluun

Kirjoittaja: Tapani Laakso (Jyväskylän yliopisto, Lipas-projekti)

LIPAS-projekti ja YLLI-hanke yhteistyössä -juttusarja

Kirjoitusten aiheet:

  1. Analyysityökalun tausta
  2. Analyysityökalun toiminta ja käyttö
  3. Analyysityökalun luotettavuus ja vertailu kaupallisiin saavutettavuusanalyyseihin
  4. Analyysityökalun jatkokehitys

Mikä analyysityökalu?

Analyysityökalu on Lipas.fi -palvelun työkalu liikuntaolosuhteiden tarjonnan ja saavutettavuuden arviointiin. Työkalun avulla on mahdollista vertailla olemassa olevien liikuntapaikkojen etäisyyttä ja matkustusaikoja suhteessa halutun alueen väestöön, muihin liikuntapaikkoihin sekä oppilaitoksiin.

Analyysityökalua on mahdollista käyttää rekisteröitymällä Lipas-palveluun.
Lipas-palvelun ja analyysityökalun käyttöohjeet on koottu omalle sivulleen: 
lipasinfo.fi

  • Video Lipas-analyysityökalun käyttöönotosta
  • Video liikuntapaikkojen saavutettavuustiedoista Lipas-palvelussa

Analyysityökalun luotettavuus ja vertailu kaupalliseen saavutettavuusanalyysiin

Lipas-analyysityökaluun ohella saavutettavuustietoja tarjoavia palveluita on myös kaupallisesti saatavilla. Tässä yhteydessä tutustumme Mapple Insights API:in[1] ja vertaamme sen antamia tuloksia Lipas-työkaluun. Poraudumme syvemmälle Lipas-analyysityökalun antamien tulosten taakse ja vertaamme tuloksia Mapplen työkaluun. Vertailu on tehty heinä-elokuussa 2021 ja vastaa tuolloin palveluissa käytettyjä aineistoja ja parametreja.

Tässä vertailussa keskitytään pelkästään väestötietojen analysointiin yksittäisten kohteiden spatiaalisen saavutettavuuden näkökulmasta (eli kuinka paljon väestöä pystyy saavuttamaan tietyn kohteen eri kulkutavoilla tietyn matka-ajan tai etäisyyden puitteissa). Molemmat työkalut mahdollistavat myös muunlaisten analyysien tekemisen. Esimerkiksi Lipas-analyysityökalu antaa tietoja myös olemassa olevista liikuntapaikoista halutulla alueella tai olemassa olevista kouluista ja varhaiskasvatusyksiköistä halutulla alueelta. Lipas-analyysityökalu on ilmainen ja kaikille avoin ohjelma, joka mahdollistaa matalan kynnyksen saavutettavuusanalyysien teon kaikin kokoisille kunnille, liikunta-alan yrittäjille tai kenelle tahansa muulle tiedosta kiinnostuneelle henkilölle tai taholle.

Tiedot, oletukset ja arvaukset analyysien taustalla

Tausta-aineistot

Analyyseissä käytettävät väestötiedot ovat staattisia. Ne perustuvat sekä Lippaan että Mapplen käyttämään 250 x 250 m ruututietokantaan vuodelta 2020, jonka on tuottanut Tilastokeskus. Lipaksessa tulosten tarkkuus hieman heikkenee, jos analyysisäde on yli 10 kilometriä. Tällöin käytetään 1 000 x 1 000 m ruutuaineistoa analyysilaskennan nopeuttamiseksi. Mapplen palvelussa ruututietokanta on analyysialueesta riippumatta 250 x 250 m.

Tilastokeskuksen aineisto on valmiiksi jaettu ikäryhmiin (0-14 vuotiaat, 15-65 vuotiaat ja yli 65 vuotiaat). Analyysityökalun luotettavuus edellyttää siis väestötietojen säännöllistä hankintaa ja päivittämistä Tilastokeskuksen kautta.

Taustakartoissa on eroja Mapplen ja Lippaan välillä. Lipas käyttää kaikessa kulkumatkojen arvioinnissa avointa OpenStreetMap[2]-aineistoa. Sen sijaan Mapple hyödyntää automatkojen laskennassa Väyläviraston niin ikään avointa Digiroad[3]-aineistoa. Myös Mapplella pyöräilyn ja kävelyn tieverkosto perustuu OpenStreetMap-aineistoon. Keskeinen ero Digiroad- ja OpenStreetMap-aineistojen välillä on se, että OpenStreetMap pitää sisällään myös epävirallisia polkuja tai kulkureittejä, joita ei Digiroad-aineistosta löydy.

Saavutettavuuslaskennan liikkumismuodot ovat Mapplessa ja Lippaassa samat eli kävely, pyöräily ja yksityisautoilu.

Taustaparametrit

Taustaparametreilla tarkoitetaan oletuksia ja asetuksia, mitä käytetään tulosten saamiseen. Ne riippuvat pääasiassa kulkureitin luontiin tai matka-aikaan vaikuttavista erilaisista muuttujista. Seuraavaksi pyrin avaamaan taustaparametreja siinä määrin kuin se on mahdollista. Parametrit selittävät suurelta osin analyyseissä havaitut erot.

Lippaassa käytetään OpenStreetMaps-aineiston oletusasetuksia, jotka eroavat jonkin verran Mapplen asetuksista.

  • Reitin valinta: Lippaassa autoilussa käytetään lyhyintä reittiä, Mapplessa nopeinta.
  • Matkustusnopeus: Lipas-analyysityökalussa matkustusnopeudet on ennalta määritelty eikä käyttäjä pysty itse niihin vaikuttamaan. Lippaassa pyöräilyn matkustusnopeus on 15 km/h ja jos pyörämatkassa on kävelyosuuksia, niin tällöin nopeus on 4 km/h. Pelkän kävelyn nopeus on 5 km/h. Mapplen matkustusnopeudet ovat säädettäviä ja myöhemmin tehtävissä vertailussa ne on asetettu samoiksi Lipas-työkalun kanssa. Oletusasetuksena Mapplessa käytetään seuraavia matkustusnopeuksia: pyöräily 19 km/h ja kävely 4,4 km/h.
  • Pysäköintiin kuluva aika: Mapple huomioi laskennassa auton pysäköintiin ja siitä liikuntapaikalle siirtymiseen kuluvan ajan. Lippaassa vastaavaa ominaisuutta ei ole, vaan matka päättyy, kun auto on saavuttanut liikuntapaikan.
  • Analyysialueen määrittely (voi aiheuttaa virheen, jos käyttäjä ei asiaa huomioi): Mapple hakee kaikki väestöruudut, jotka ovat n-minuutin matka-ajan päässä halutusta kohteesta riippumatta etäisyydestä. Lipaksessa väestöruutujen haku rajoittuu aina x-kilometrin etäisyydelle. Jos käyttäjä asettaa analyysialueen liian pieneksi, väestöruutuja voi jäädä analyysin ulkopuolelle. Eli esimerkiksi autolla tulee käyttää riittävän pitkää matka-aikaa, jos haluttu etäisyys kohteeseen on vaikkapa 20 km.

Muilta osin oleellisia eroja laskentalogiikassa ei palvelujen välillä havaittu tai niitä ei tunneta. Huomionarvoista on, että matkustusajat ja -reitit perustuvat aina algoritmien käyttämiin laskentamalleihin, joissa on paljon muitakin muuttujia kuin vain tässä esitellyt. Lipas-analyysityökalu edustaa riisutumpaa ja yksinkertaistetumpaa versiota laskennasta kuin Mapplen työkalu. Matka-aikoihin esiteltyjen muuttujien lisäksi vaikuttavat oleellisesti muun muassa nopeusrajoitukset (voivat vaihtua kausittain), risteysmäärä ja risteyksien laskennallinen vaikutus matka-aikaan sekä muut mahdolliset hidasteet kuten vuorokaudenaika (esim. ruuhka-aika).

Vertailujen tulokset

Vertailuanalyysit tehtiin kolmesta eri kohteesta. Kohteet sijaitsivat Jyväskylässä (Hippos), Helsingissä (Bolt-areena) ja Sotkamossa (Hiukan pesäpallostadion). Vertailut on tehty matka-aikojen perusteella. Tämä koettiin selkeimmäksi tavaksi esittää palvelujen antamien analyysien välisiä eroja.


 JYVÄSKYLÄ, väestömäärä yhteensä 40 min säteelläLipasMapple Insights API
Autoilu143 569146 865
Pyöräily113 956111 605
Kävely49 48249 077
 SOTKAMO, väestömäärä yhteensä 40 min säteelläLipasMapple Insights API
Autoilu8 3959 148
Pyöräily6 1806 785
Kävely3 8744 092
 HELSINKI, väestömäärä yhteensä 40 min säteelläLipasMapple Insights API
Autoilu1 367 0341 144 288
Pyöräily470 968538 022
Kävely158 298143 922

Aiemmin esiteltyjen erojen lisäksi pitkillä matka-ajoilla (säde yli 10 km) suurin eroa aiheuttava tekijä on todennäköisesti ero laskentojen spatiaalisessa tarkkuudessa: Lippaassa laskennassa huomioidaan myös ne 1 000 x 1 000 m asuinruudut, joiden keskikohta on saavutettavissa 40 minuutissa. Vastaavasti Mapplen laskennassa huomioidaan pienemmät 250 x 250 m asuinruudut. Tämä lisää hieman satunnaisuutta tuloksiin ja vaikeuttaa eri työkalujen välistä luotettavaa vertailua.

Voidaan kuitenkin todeta, että vertailussa havaitut erot ovat maltillisia ja tulokset ovat hyvin lähellä toisiaan. Suurimmat eroavaisuudet löytyvät autoilusta, jossa laskentatavat poikkeavat eniten palveluiden välillä. Kaikkia eroja aiheuttavia tekijöitä ei voida tunnistaa eikä tämän vertailun pohjalta voida sanoa, kumpi työkalu antaa luotettavamman tuloksen. Mappe Insights API huomioi laskennassa Lipasta enemmän erilaisia taustamuuttujia ja parametreja, joiden merkitys saatujen tulosten valossa näyttää jäävät pieneksi. Jatkossakaan tuskin pystytään luomaan ”täydellistä” laskentamallia vaan eri palvelut kehittävät ja hyödyntävät erilaisia, omia laskentatapojaan.

Ensiarvoista on, että analyysityökalu antaa käyttäjälle vertailukelpoista dataa samalla työkalulla eri kohteista tehdyissä laskennoissa. Tämä toteutuu kumpaa tahansa tässä vertailtua työkalua käytettäessä. Tämä on myös tärkeää Lipas-analyysityökalun osalta, koska voimme osoittaa että analyysityökalun tulokset vertautuvat meistä riippumattoman toimijan tuottamiin analyyseihin ja validoi käyttämäämme laskentamallia. On kuitenkin pidettävä huolta tausta-aineistojen ajantasaisuudesta, jotta tulokset ovat luotettavia myös jatkossa. Tähän pyrimme Lipas-analyysityökalun osalta.

Lipas-projekti ja Ylli-hanke yleisesti:

Lipas.fi on valtakunnallinen ja julkinen liikunnan paikkatietojärjestelmä, jota hallinnoi Jyväskylän yliopiston liikuntatieteellinen tiedekunta ja rahoittaa opetus- ja kulttuuriministeriö.

Tutkimushanke ”Yhdenvertainen liikunnallinen lähiö (YLLI)” on Helsingin yliopiston maantieteilijöiden ja Jyväskylän yliopiston liikunnan yhteiskuntatieteilijöiden yhteinen hanke, joka on osa ympäristöministeriön koordinoimaa Lähiöohjelmaa 2020-2022.

[1] Mapple Insights API on poistunut markkinoilta syksyn 2021 aikana. Lipas-analyysityökalun ja Mapplen saavutettavuustyökalun vertailut on tehty palvelun ollessa kaupallisesti saatavilla ja vertailussa saadut tulokset ovat edelleen arvokkaita Lipas-työkalun validioinnissa.

[2] https://www.openstreetmap.org

[3] https://vayla.fi/vaylista/aineistot/digiroad