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

YLLI-hanke esitteli ajankohtaisia tutkimustuloksia Lähiöohjelma 2020-2022 -seminaarissa 28.-29.3.2022

Tutkimushankkeemme Yhdenvertainen liikunnallinen lähiö (YLLI) esitteli ajankohtaisia Tutkimushankkeemme Yhdenvertainen liikunnallinen lähiö (YLLI) esitteli ajankohtaisia tutkimustuloksiaan Lähiöohjelma 2020-2022:n järjestämässä tutkimushankkeiden seminaarissa. Hankkeemme vetäjä Petteri Muukkonen esitteli YLLI-hankkeen uusista tuloksista mm. lähiöiden asukkaiden koettuja liikunnan tai liikkumisen esteitä, liikunnan ja liikuntapaikkojen saavutettavuuden eri ulottuvuuksia, lähiöiden asukkaiden välittömän lähiympäristön liikuntamahdollisuuksien monipuolisuusindeksiä sekä ajankohtaisia kuulumisia ja tuloksia hankkeessa tehdyistä maisteritutkielmista. Esitelmä on luettavissa YLLI-hankkeen sivulla. Seminaari oli kaksipäiväinen videoseminaari, ja se oli tarkotettu kaikille Lähiöohjelma 2020-2022:n tutkimushankkeille.

Aktiiviset koulumatkat lähiöissä

puisto kävely ystävät koulu

Teimme YLLI-hankkeessa viime vuonna kyselyn peruskouluikäisille lapsille ja nuorille Helsingin Kontulassa ja Jyväskylän Huhtasuolla. Kysyimme koululaisilta helmikuussa ja toukokuussa 2021 vapaa-ajan liikkumisen paikoista, liikkumisen esteistä ja koronan vaikutuksista sekä koulumatkojen kulkutavoista. Aiemmassa blogikirjoituksessa on esteisiin ja koronan vaikutuksiin liittyviä tuloksia. Tämän kirjoituksen aiheena ovat lähiöiden koululaisten koulumatkat: koulumatkojen arvo, kulkutavat ja yhdenvertaisuus.

Teksti: Elina Hasanen (Jyväskylän yliopisto)

Arvokkaat koulumatkat

Koulumatkoja ja niiden kulkutapoja voidaan arvottaa monista näkökulmista. Aktiivisin kulkutavoin eli kävellen, pyöräillen tai muilla fyysisen aktiivisuuden muodoilla tehtyjen koulumatkojen arvoa on tavallista perustella terveyden ja oppimistulosten näkökulmasta. Ympäristö- ja liikennepolitiikan näkökulmista katsottuna puolestaan on arvokasta välttää yksityisautolla kuljettamista. Koululaisten perheissä koulumatkojen kulkutapoja taas voidaan arvottaa erilaisista hyvän vanhemmuuden näkökulmista, joista osa voi kannustaa autovanhemmuuteen.

Usein sivuosaan jäävä, mutta vähintään yhtä tärkeä näkökulma on pyrkiä arvottamaan koulumatkoja ja eri kulkutapoja koululaisten elämismaailmoista käsin. Silloin huomio kiinnittyy vertaissuhteisiin, itsenäiseen liikkumiseen ja osallisuuteen kaupunkitilassa, omassa lähiössä.

Koululaisen elämismaailmasta käsin katsottuna matkan ja matkakokemusten jakaminen vertaisten kanssa voi hyvässä tapauksessa mahdollistaa kaverisuhteiden lujittumisen. Yhtä lailla kävely kuin bussin penkkikin voi houkuttaa juuri vertaisten seuran vuoksi. Itsenäinen kulkeminen mahdollistaa asuinympäristöön tutustumisen ja sen paikkojen merkityksellistämisen omista lähtökohdista. Tällä tavoin koulumatkalaiset voivat muodostaa henkilökohtaista suhdetta tiettyihin paikkoihin, kiinnittyä ja jopa kiintyä asuinympäristöönsä. Kim Kullmanin tutkimus osoittaa, kuinka kohtaamiset ja osallisuuden ja toimijuuden mahdollisuudet koulumatkoilla luovat pohjaa laajemmalle ympäristöstä ja sen muista elävistä välittämiselle.

Sellainen onnistuu huonosti auton takapenkiltä käsin. Koulumatkojen omaehtoinen liikkuminen sen sijaan näyttäytyy arvokkaana lähiöiden kehittämiselle ja hyvinvoinnille laajemminkin.

Kävellen, pyörillä, kyydillä

Miten sitten koulumatkalaiset tutkimuslähiöissä liikkuivat? Oliko ikäryhmien, sukupuolten ja lähiöiden välillä eroja?

Kysymys koululaisille kuului: ”Miten kuljet yleensä koulumatkat talvella/toukokuussa? Voit valita monta.” Vastausvaihtoehdot olivat: Kävellen / Polkupyörällä tai potkulaudalla / Sähköpyörällä tai sähköpotkulaudalla / Itse ajaen mopolla tai muulla moottoriajoneuvolla / Moottoriajoneuvon kyydissä (autolla, linja-autolla yms.) / Muulla tavoin, miten: / En osaa sanoa. Kyselyssä ei siis valittu vain yhtä pääasiallisinta kulkumuotoa, vaan vastaajan oli mahdollista merkitä kaikki itselleen tavalliset tavat. Vastaukset ovat talvelta 198 ja keväältä 212 koululaiselta, jotka olivat kolmannella, viidennellä, seitsemännellä ja yhdeksännellä luokalla. Koulumatkan pituutta ei kysytty, mutta vastauksissa ovat mukana vain tutkimuslähiöissä tai aivan lähistöllä pääasiallisesti asuneet henkilöt, jolloin matkan pituus ei todennäköisesti ylitä noin kolmea kilometriä.

Aktiivinen kulkutapa tavallisten kulkutapojen joukossa yli 90 prosentilla Kontulassa ja Huhtasuolla

Aktiivinen kulkutapa oli tavallisten kulkutapojen joukossa selvästi yli 90% vastanneista sekä talvella että keväällä (ks. taulukko 1). Erot ikäluokkien välillä ovat pieniä, samoin tyttöjen ja poikien välillä. Lähiöiden välillä oli hieman selvempi ero talvella, jolloin aktiivinen kulkumuoto oli tavallinen lähestulkoon kaikille Huhtasuon koululaisista ja reilulle 90% Kontulan koululaisista. Kyselyssä merkittiin kaikki itselle tavalliset kulkumuodot, ja talvella 24 % ja loppukeväästä 13 % näistä aktiivisesti kulkevista oli merkinnyt tavallisiin kulkumuotoihinsa kuuluvan myös moottoriajoneuvolla kulkemisen. Taulukossa 2 on eritelty kävellen, pyörällä ja kyydillä tavallisesti kulkevien osuudet tutkimuslähiöissä Jyväskylän Huhtasuolla ja Helsingin Kontulassa eri luokka-asteilla eri vuodenaikoina.

Aktiivinen kulkutapa tavallisten koulumatkan kulkutapojen joukossaTalvella (% vastanneista)Keväällä (% vastanneista)
Kaikista haastatelluista9495
Huhtasuo, Jyväskylä9797
Kontula, Helsinki9193
3. luokkalaisista9697
5. luokkalaisista9289
7. luokkalaisista9597
9. luokkalaisista9295
Tytöistä9394
Pojista9495
Muunsukupuolisista tai sukupuolensa määrittelenättömistä**
* Tieto jätetty pois alhaisen vastaajamäärän takia
Taulukko 1. Aktiivinen kulkutapa tavallisten koulumatkan kulkutapojen joukossa (%) niin talvikaudella kuin keväällä.
Koulumatkojen kulkutavatTalvella (%)Keväällä (%)
KävellenMolemmilla alueilla yhteensä9176
Huhtasuo, Jyväskylä9571
Kontula, Helsinki8981
Polkupyörällä tai potkulaudalla (myös sähkökäyttöisellä)Molemmilla alueilla yhteensä1146
Huhtasuo, Jyväskylä1661
Kontula, Helsinki735
Moottoriajoneuvon kyydissäMolemmilla alueilla yhteensä2816
Huhtasuo, Jyväskylä2916
Kontula, Helsinki2815
Taulukko 2. Koulumatkojen kulkutavat talvella ja kesällä tutkimuslähiöissä Huhtasuolla ja Kontulassa. Vastanneet ovat voineet vastata useita vaihtoehtoja.

Talven kyselyn aikaan oli lunta ja pakkasta sekä Jyväskylässä että Helsingissä. Myös korona-aalto oli päällä ja ensimmäinen koronarokotus vasta pienellä osalla ihmisistä. Koululaiset olivat lähiopetuksessa, mutta altistumiset johtivat kotikaranteeneihin.

Talvella lähiöiden koululaiset kulkivat tavallisimmin kävellen ja kyydillä. Kävely oli selvästi yleisin tapa taittaa koulumatkat molemmilla alueilla. Noin yhdeksällä kymmenestä koululaisesta oli kävely yleisten kulkutapojen joukossa. Toiseksi yleisintä oli moottoriajoneuvon kyydissä kulkeminen; usein kyydillä kulkevien osuus lähenteli 30 prosenttia. Talvipyöräily oli harvinaista etenkin pääkaupungin lähiössä, ja Huhtasuollakin se oli vain 16 prosentille tavallinen kulkumuoto.

Kontulassa kävellään, Huhtasuolla kevään tullen pyöräilykin yleistä.

Talvisten kulkumuotojen järjestys on sama kuin Fiksusti kouluun -ohjelman kyselyssä, jonka vastaajat tulivat seitsemästä muusta suomalaisesta kaupungista. Sen tuloksista voi havaita, että järjestys koski koulumatkoja noin 2–3 kilometriin saakka, minkä jälkeen kyydillä kulkeminen oli yleisempää kuin aktiiviset kulkumuodot.

Loppukeväästä kuljettiin tavallisimmin kävellen ja pyörillä. Talven jälkeen pyörät olivat taas käytössä, ja lähes puolet kaikista vastaajista pyöräili (tai potkulautaili) koulumatkojaan. Lähiöiden välillä oli kuitenkin iso ero: Huhtasuolla pyörillä kulkevien koululaisten osuus oli jopa 61 prosenttia, kun heitä Kontulassa oli vain reilu kolmannes. Sähköpyörällä tai -potkulaudalla kulki muutama (2 %), ja yksi mainitsi skeittaavansa.

Moottoriajoneuvon kyydissä koulumatkoja kulkevien osuus oli toukokuussa noin 16 prosenttia. Ero talviajan lähes 30 prosenttiin on iso, ja osa erosta voi selittyä pyöräilyyn siirtymisellä. Moottoriajoneuvoa itse ajaen kulki vain kaksi yhdeksäsluokkalaista.

Erot eri ikäisten koululaisten välillä olivat melko pieniä. Huomionarvoista kuitenkin on, että talvella Kontulassa vain yläluokilla pyöräiltiin (7. lk 5 %, 9. lk 19 %). Yhdeksäsluokkalaiset olivat eniten talvella pyöräilevä ikäryhmä molemmissa lähiöissä. Kontulassa myös toukokuussa pyöräily (tai potkulautailu) oli heille paljon yleisempää kuin muille luokka-asteille; silloin yseistä kulki pyörillä reilusti yli puolet.

Lisäksi Huhtasuon alakoululaisille moottoriajoneuvon kyydissä kulkeminen oli huomattavan yleistä. Etenkin viidesluokkalaisilla vastaajilla tämä kulkumuoto korostui molempina vuodenaikoina: talvella lähestulkoon puolet kulki usein kyydillä ja toukokuussakin neljännes lapsista.

Tyttöjen ja poikien kulkumuodot eivät toukokuussa eronneet tilastollisesti toisistaan, mutta talvella oli toisin. Tuolloin moottoriajoneuvon kyydissä kulki tavallisesti useampi tytöistä (38 %) kuin pojista (21 %). Pojat taas pyöräilivät talvella enemmän (17 %) kuin tytöt (5 %). Kontulassa kukaan tytöistä ei pyöräillyt yleensä talvella. Valtakunnan tasolla talvipyöräilyn tilanne poikien hyväksi on ollut LIITU-tutkimuksen mukaan sama. Aktiivisin kulkumuodoin kulkemisessa isoa eroa ei ole, sillä tyttöjen isompi kävelyn osuus pienentää eroa.

Koulumatkalaisten yhdenvertaisuus

Kyselyn tulokset osoittavat yhdenvertaisuuteen liittyviä tietotarpeita. Yhdenvertaisuutta koulumatkoilla voi tarkastella ensinnäkin koululaisten välillä. Kyselyn tulokset ohjaisivat selvittämään tarkemmin, mistä lähiöiden välinen ero talven aktiivisen kulkemisen yleisyydessä johtuu. Tulokset ohjaisivat tutkimaan myös ikäluokkien ja sukupuolten välisten kulkutapaerojen taustoja. Miksi Kontulan koululaiset pyöräilivät harvemmin? Miksi tytöt tai Huhtasuon alakoululaiset istuivat kyydissä muita useammin?

Toinen näkymä yhdenvertaisuuteen on tarkastella kouluikäisten asemaa muiden lähiössä liikkuvien joukossa. Lapsuudentutkimuksen alalla on kiinnitetty huomiota siihen, että julkinen tila sekä arjen ajankäyttö perustuvat aikuisuuden lähtökohdille. Koulumatkoja voidaan arvottaa ennemmin aikuisten kuin koululaisten elämismaailman merkityksin. Kulkutapavalintoja voivat määrittää ennemmin huolenpito, valvonta ja riskiajattelu kuin lasten aktiivisen toimijuuden ihanteet. Koulumatkalaisten yhdenvertaisuutta voi tarkastella myös liikenneympäristön käytön oikeudenmukaisuuden kysymyksenä: millainen on liikenteessä liikkumista opettelevien kulkijoiden asema, ja suositaanko lapsille ja nuorille merkityksellisiä liikkumisen tapoja riittävästi?

Kyselyn tulokset kertovat jotakin eroista kahden lähiön, koululaisten ikäryhmien ja sukupuolten välillä mutta eivät itsessään lisää ymmärrystämme siitä, miten aktiivisten koulumatkojen mahdollisuuksien yhdenvertaisuutta voitaisiin lisätä. Marisofia Nurmi ja Janne Pyykönen kirjoittavat YLLI-blogissa Viisauden hierarkiasta. Viisaudeksi asti data on jalostunut, kun on ymmärrys toiminnan perusteista ja kontekstisidonneisuudesta – kuten siitä, millaiset arvot, olosuhteet ja käytännöt määräävät kulkutapojen valintaa ja millaisin päätöksin ja toimenpitein niihin voidaan vaikuttaa. Lasten ja nuorten hyvinvoinnin lähtökohdasta olisi syytä priorisoida lasten ja nuorten tietoa lähiössä liikkumisesta, koulumatkojen arvosta ja kulkutapavalintojen merkityksistä.

Lisätietoja koululaisten koulumatkoista liikunnan edistäjänä tekstin kirjoittajalta: Elina Hasanen, Jyväskylän yliopisto

Muut tiedustelut YLLI-hankkeesta: Petteri Muukkonen, Helsingin yliopisto

Viisauden hierarkia

Miten informaation voi jalostaa tiedoksi? Miten tiedosta muodostuu viisautta? Miten tiedeneuvontaa tulisi kehittää, jotta se tukee organisaatioiden tiedolla johtamista? Tässä blogitekstissä esittelemme Viisauden hierarkian, jota hyödynnämme yhtenä taustateoriana YLLI-hankkeen kaupunkiyhteistyössä.

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

Viisauden hierarkia, toiselta nimeltään myös tiedon tasot, tai DIKWhierarkia (Data-Information-Knowledge-Wisdom) on informaatiotieteissä paljon käytetty malli tiedon jäsentämiseen. Malli perustuu ajatukseen siitä, että data, informaatio, tieto ja viisaus muodostavat hierarkkisen mallin, jonka alimmalla tasolla on data ja korkeimmalla viisaus (ks. kuva 1).

Kuva 1. Viisauden hierarkia pyramidimallina

Viisauden hierarkian tasot

Viisauden hierarkiasta on olemassa useita erilaisia versioita, joissa hierarkian osien määrä ja sisältö voi vaihdella (Rowley 2007).  Tyypillisesti eri tasot ovat vahvasti liitoksissa toisiinsa ja rakentuvat toistensa päälle. Informaatio edellyttää dataa, tieto informaatiota ja niin edelleen. Viisauden hierarkiaa on käytetty osastensa kontekstualisoimiseen, sekä erityisesti kuvaamaan siirtymiä tasolta seuraavalle. Siirtymäkohdat tasolta toiselle ovat mallin käytössä merkityksellisiä, sillä mallin taustalla on pyrkimys edistää organisaation tietämyksenhallintaa jalostamalla erilaista dataa informaatioksi, tiedoksi ja lopulta viisaudeksi. Tämä tiedon arvon kasvu tasolta toiselle siirtyessä on myös yhteistä mallin eri näkemyksille. Viisauden hierarkian eri tasojen määritelmät on selostettu alla olevassa taulukossa.

Taulukko 1. DIKW-hierarkian tasot mukaillen Rowleyn (2007) jäsennystä. Lähteinä myös Ackoff (1989) Frické​ (2009) ja Zeleny (2006).

Tiedon tasoMerkitys
DataRaaka-aineisto (esim. säähavainnot, kyselyvastaukset). Yksinään epäinformatiivista.
InformaatioDatasta jalostettua, merkityksellistä, käytettävää. Voi antaa vastauksen esimerkiksi kysymyksiin:
Mitä? Kuka? Missä? Milloin? Kuinka monta?
Tieto/tietämysInformaation soveltaminen käytäntöön ja ymmärrys, miten informaatioon voi reagoida. Informaatiosta ohjeiksi. Vastaa kysymyksiin: Kuinka? Miten?
Viisaus Ymmärrys toiminnan perusteista ja kontekstisidonneisuudesta – miksi? Toiminnan ja päättelyketjun kriittinen tarkastelu ja taustalla vaikuttavien arvojen tunnistaminen. Tiedon priorisointi. Mitä ei tiedetä?

Moni informoitu henkilö tietää mitä tehdä, usea tietoa omaava ekspertti tietää kuinka kannattaa toimia, mutta vain harva viisas voi selittää kokonaisvaltaisesti, miksi asia tulee tehdä (Zeleny, 2006)

Käytännössä organisaation tavoitteena on edetä korkeammalle viisauden hierarkian tasolle. Datasta voidaan jalostaa informaatiota prosessoimalla. Prosessiin voi kuulua esimerkiksi kontekstointia, kategorisointia, rajaamista, tiivistämistä, yhdistelyä ja laskemista. Informaatiosta voidaan jalostaa edelleen tietoa, kun sitä yhdistellään muuhun informaatioon ja olemassa olevaan tietoon. Tämä jalostuminen mahdollistaa informaation muuttamisen toimintaohjeiksi.

Muutos tiedosta viisaudeksi ei ole yksiselitteinen, mutta vähimmilläänkin sen saavuttaminen vaatii kokonaisvaltaista ymmärrystä toiminnan perusteista ja siihen vaikuttavista mekanismeista. Se edellyttää oleellisen erottamista epäoleellisesta, sekä koko toiminnan ja ajatteluketjun kriittistä tarkastelua ja taustalla vaikuttavien arvojen tunnistamista. Uusi tieto ja informaatio yhdistyy vanhaan tietoon, kokemuksiin ja intuitioon. Tiedon tasojen välillä liikkuminen ei ole aina yksiselitteistä, ja DIKW-malli on vastaanottanut myös kritiikkiä (Fricke 2009). Olemme kuitenkin YLLI-hankkeessa kokeneet mallin hyödylliseksi viitekehykseksi, mikä auttaa jäsentämään organisaatioiden kohtaamaa informaatiotulvaa.

Tietoperusteisen päätöksenteon tukeminen

Hierarkiaa voidaan soveltaa sekä yksilö- että organisaatiotasolla. Tutkija pyrkii lähestymään  viisauden tasoa tutkimallaan alalla, samoin kuin tietoperusteisessa päätöksenteossa pyritään tekemään viisaita päätöksiä, jotka perustuvat parhaaseen saatavilla olevaan tietoon.

Tietoperustainen päätöksenteko edellyttää riittävää tietoa asiasta, mikä taas vaatii asianmukaisesta, luotettavasta ja käytettävissä olevasta datasta jalostettua informaatiota. Esimerkiksi tiedeviestinnän vaarana on se, että tutkimustieto tarjoillaan yksittäisinä informaationjyvinä, jolloin informaation ja tiedon yhdistely mielekkäällä tavalla oman työn kannalta jää ”vastaanottajan” harteille. Usein tutkimustieto pyritään jakamaan yleistettynä, mahdollisimman luotettavasti suurta joukkoa kuvaavana informaationa tai toimintaohjeina. Voi olla, että paikallinen toimija tarvitsisi täsmällisempää ja hänelle merkityksellisempää tietoa tukemaan toimintaansa. Jotta tutkimustieto tulisi aidosti käyttöön, tutkijoiden tuottaman informaation ja tiedon tulisi muuttua päättäjien ja asiantuntijoiden käsittelyssä tietämykseksi ja viisaudeksi.

Tätä yritämme toteuttaa hankkeen kaupunkiyhteistyön kulmakivenä. Uskomme, että todellinen tietämyksen välittyminen (ja jalostuminen viisaudeksi) edellyttää kaksisuuntaista viestintää ja yhdessä pohtimista, yksisuuntaisen tiedeneuvonnan sijaan. Niinpä toteutamme YLLI-hankkeessa asuinalueiden yhdenvertaisten liikkumismahdollisuuksien edistämiseen tähtäävää kaupunkiyhteistyötä työpajamuotoisena yhteiskehittämisprosessina, jossa yhtenä viitekehyksenä käytämme viisauden hierarkiaa. YLLI-kaupunkiyhteistyön tavoitteena on:

1. Tuottaa ja esitellä tutkimustuloksia tavoin, jotka palvelisivat yhteistyökaupunkien tietotarpeita ja suunnitteluprosesseja

2. Kehittää liikuntahallinnon tiedolla johtamista yhteiskehittämisen aikaansaannoksena

3. Oppia ja kehittää parempia tiedeneuvonta tai -viestintätapoja, sekä ottaa opit käyttöön myös yliopisto-opetuksen kehittämisessä

Lähteet

Ackoff, R. L. (1989). From data to wisdom. Journal of applied systems analysis, 16(1), 3-9. http://www-public.imtbs-tsp.eu/~gibson/Teaching/Teaching-ReadingMaterial/Ackoff89.pdf

Frické, M. (2009). The knowledge pyramid: A critique of the DIKW hierarchy. Journal of Information Science, 35(2), 131–142. https://doi.org/10.1177/0165551508094050                       

Rowley, J. (2007). The wisdom hierarchy: Representations of the DIKW hierarchy. Journal of Information Science, 33(2), 163–180. https://doi.org/10.1177/0165551506070706

Zeleny, M. (2006). Knowledge-information autopoietic cycle: Towards the wisdom systems. International Journal of Management and Decision Making, 7(1), 3–18. https://doi.org/10.1504/IJMDM.2006.008168

Kuntakohtaisia väestö- ja matka-aikatietoja liikuntasuunnittelun tueksi. Juttusarjan osa 2/4: Lipas-analyysityökalun käyttö

Tämä on toinen kirjoitus neliosaisesta blogikirjoitusten sarjasta, jonka teemana on ”LIPAS-projekti ja YLLI-hanke yhteistyössä – Analyysityökalu liikuntapaikkojen saavutettavuuden arviointiin”. Tässä kirjoituksessa opastamme Lipas-analyysityökalun käyttöön.

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 toiminta ja käyttö

Analyysityökalu näyttää valitun olemassa olevan tai suunnitellun ja vapaasti kartalle sijoitettavan liikuntapaikan ympärillä asuvan väestön määrän eri ikäluokissa. Analyysialue voidaan määrittää joko käyttäjän kohteeseen valitseman matka-ajan tai etäisyyden perusteella. Lisäksi käyttäjä voi määrittää, millä kulkutavalla suoritettavaan matkaan tiedot perustuvat. Väestötietojen lisäksi työkalu antaa tiedot alueella sijaitsevien muiden liikuntapaikkojen, koulujen ja päiväkotien lukumäärän.

Väestötiedot haetaan suoraan Tilastokeskuksen paikkatietoaineistojen rajapinnalta Lipas-käyttöliittymässä valitun sijainnin perusteella. Käytettävän väestöruudun koko on lähtökohtaisesti 250x250m. Jos tarkasteltavan alueen säde on yli 10 km, käytetään laskennan keventämiseksi  1 km x 1 km väestöruutuja. Matka-aikojen laskeminen eri kulkutavoilla (kävellen, polkupyörällä, autolla) perustuu avoimeen OpenStreetMap-aineistoon ja OSRM-työkaluun. Oppilaitosten nimi- ja sijaintitiedot perustuvat Tilastokeskuksen avoimeen aineistoon. Varhaiskasvatusyksiköiden nimi- ja sijaintitiedoissa käytetään LIKES:n keräämää ja luovuttamaa aineistoa.

Analyysityökalun käyttö

Analyysityökalu löytyy Lipas-palvelunkarttanäkymässä rekisteröityneille käyttäjille. Analyysityökalu valitaan käyttöön ruudun vasemmasta alalaidasta löytyvästä kuvakkeesta. Valitsemalla havainnekuvassa punaisella ympyröity työkalu käyttöön.

Kun käyttäjä kartalla painaa haluamaansa liikuntapaikkaa, Lipas näyttää kartalla värjättynä ympyrän, josta analyysitietoja haetaan. Lisäksi kartalla näkyvät liikuntapaikat liikuntapaikkatyypin mukaisella grafiikalla. Analyysialueelta haettavat väestöruudut on havainnollistettu sinisillä pisteillä.

Analyysityökalun avulla voidaan näyttää väestön määrä ja ikärakenne suhteessa valittuun sijaintiin. Valittu sijainti voi olla joko olemassa oleva liikuntapaikka tai analyysitarkoitusta varten luotu kohde, jonka tilaksi merkitään ”vedos”. Analyysityökalua voi siis käyttää esimerkiksi potentiaalisten liikuntapaikkahankkeiden mahdollisten sijaintien vertailuun luomalla ensin vedoskohteita.

Vedoskohteen luominen

Vedoskohde luodaan valitsemalla analyysityökalu käyttöön ja valitsemalla infolaatikon yläpuolelta uuden kohteen lisäämisen (kuvassa ympyröity punaisella)

Tämän jälkeen vedoskohteelle valitaan liikuntapaikan tyyppi ja se lisätään kartalle. Lipas-antaa vedoskohteelle seuraavat oletustiedot automaattisesti:

  • Nimi: Analyysikohde
  • Omistaja: Ei tietoa
  • Ylläpitäjä: Ei tietoa
  • Katuosoite: Testikatu 123
  • Postinumero: 12345

Sen sijaan kunta, jonka alueelle liikuntapaikka sijoittuu, tulee käyttäjän itse syöttää ennen kuin vedoskohteen voi tallentaa. Analyysin suorittamisen jälkeen vedoskohteen voi poistaa. Tämä tehdään valitsemalla kohde, painamalla roskaämpärin kuvaa (Poista liikuntapaikka…) ja valitsemalla poiston syyksi ”Väärä tieto”.

Tulosten tulkinta ja parametrien määrittely

Analyysityökalu antaa grafiikka- ja lukumuodossa halutut tiedot (alla esimerkkinä Salmelan koulun luistelualue). Grafiikan korkeus viittaa koulujen, väestön tai liikuntapaikkojen lukumäärään eri etäisyyden tai matka-ajan päässä. Grafiikassa olevat eri värit taas viittaavat väestön tai koulun luokitteluun. Voit analysoida eri kulkumuotoja ja esittää tulokset matka-ajan sijaan etäisyyksinä valitsemalla grafiikan yläpuolella olevista ikoneista haluamasi kulkumuodon ja viereisestä pudotusvalikosta esitystavan.

Grafiikan tiedot voidaan näyttää kumulatiivisesti tai koreittain (tässä esimerkissä tiedot ovat koreittain eli 10 minuutin kohdalla ovat kaikki 0 – 10 min kävelyetäisyydellä asuvat henkilöt. Vastaavasti 20 minuutin kohdalla ovat ainoastaan kaikki 10.01 – 20.00 min kävelyetäisyydellä asuvat henkilöt). Eli edellisen korin henkilöitä ei uudelleen sisällytetä seuraavaan koriin. Sen sijaan kumulatiivisesti esitettynä 10 minuutin korissa olevat tiedot ovat mukana myös suuremmissa (esim. 20 minuutin) koreissa. Korien raja-arvoja ja määrää voit muokata asetusvalikosta, joka avautuu ikonien vieressä olevaa ”asetusratasta” klikkaamalla.

Tiedoista voidaan myös ladata suoraan Excel-raportti ”Luo raportti”-painikkeesta. Raportti sisältää valitut tiedot alueen liikuntapaikoista, väestöstä ja kouluista sekä valitun matka-ajan että etäisyyden mukaisesti.

Esimerkki tuloskuvaajasta. Väestön määrä esitetty koreittain perustuen matka-aikaan kävellen

Tästä esimerkkikuvasta voi nopeasti myös ulkopuolinen tulkita, että kyseinen liikuntapaikka sijaitsee väestön suhteen keskustan tai keskeisen taajaman läheisyydessä muttei aivan keskustassa, sillä kaikissa ikäluokissa 11-20 minuutin kävelymatkan etäisyydellä liikuntapaikasta asuu suurin osa väestöstä. Kun hiiren vie vertailugrafiikan päälle, näytetään tarkemmat tiedot analysoitavan alueen liikuntapaikoista, väestöstä tai kouluista.

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

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.