Pääkaupunkiseutulaisia sijaintipreferenssejä

Lopputulos kiinnostaa kaikkia, niin laitetaan se kuvana kärkeen. Selitys löytyy alempaa.

Tarina alkoi oikeastaan siitä, kun törmäsin Lauri Vanhalan erinomaiseen Helsingin joukkoliikennekarttaan, joka löytyy osoitteesta: http://helsinki.wanhala.net/. Espoolaisena kuitenkin jäi harmittamaan se, ettei koko pääkaupunkiseutua oltu otettu huomioon, ja myöskin se, että joukkoliikenne kehittyy koko ajan, eikä kartta välttämättä päivity. Niinpä tarkastelemaan, mitä vaihtoehtoja potentiaalisille ensiasunnon ostajille voisi tarjota.

Hyvin nopeasti ”tutkintalinjat” jakautuivat kahteen: paremmassa visualisaatiossa voisi käyttää joko jo laskettua dataa tai tehdä sitä itse. Perehdymme tässä luonnollisesti molempiin.

Tutkintalinja 1: Mobility

Helsingin yliopiston saavutettavuuteen perehtynyt tutkijaryhmä oli laatinut YKR-ruudukkoon perustuvan saavutettavuusmatriisin, jossa siis jokaiselle 200×200-ruudulle oli laskettu joukkoliikenne-, auto-, ja pyöräilyaikamatriiseja jokaiseen toiseen ruutuun. Tunnetuin sovellus tämän datan pohjalta on luonnollisesti Mapple, jossa pystyy hakemaan useillekin pisteille olevaa ”optimisijaintia.” Tämä ei valitettavasti itselleni riittänyt: oma sisäinen tutkimuskysymykseni olikin, mikä sijainti olisi pääkaupunkiseudulla ultimaattisesti paras.

Niinpä teinkin seuraavanlaista päättelyä: jokaiseen pääkaupunkiseudun ruudukkoon ei olisi tarvetta päästä, joten painotin ruutujen tärkeyden niin työpaikkojen määrällä (keskiarvoistaminen postinumeroalueittain paavo-tietokannasta) sekä myös asukasluvulla; olisivathan työpaikat sekä muut asukkaat ”hyviä syitä” vierailla tietyissä ruuduissa. Ja tämä siis keskiarvoisesti keskimääräiselle asukkaalle, onhan selvää, että omat preferenssisi on täysin erilaisia, ja niitä voitkin etsiä mapplen palvelusta. Painotuksen jälkeen laskin keskimääräisen painotetun keskiarvon matka-ajoille kaikkiin ruutuihin. Lopputuloksena syntyi kartta, jonka näette ylhäällä: kartasta havaitaan, että valkoiset ruudut (Helsingin keskusta, Pasila) ovat parhaiten edustettuja, ja selkeästi harmaat alueet ovat hyvän saavutettavuuden alueita. Huomionarvoista on, että alueita voidaan tämän pohjalta verrata: Esimerkiksi se, että Tikkurila näyttää kokonaisuudessaan saavutettavammalta kuin Matinkylä, muuttaa ehkä preferenssejä radan varteen. Kiinteistöalan ihmisenä huomaan kuitenkin, ettei hinnat vastaa lainkaan saavutettavuutta: Itäkeskus selviää tässä visualisaatiossa voittajana Westendiin verrattuna. Siitä sitä sitten pohtimaan, mistä kannattaa maksaa, kun kiinteistönvälittäjä sanoo ”sijainnin olevan hyvä.”

Tutkintalinja 2. HSL-API

Viime aikoina julkishallinto on ansiokkaasti julkaissut avoimia rajapintoja palveluistaan, eikä HSL ole tehnyt tästä poikkeusta: Saatavilla on käytännössä samat koneluettavat rajapinnat, joilla reittiopas.fi toimii. Niinpä näitä on hyötykäytettävä myös, sillä tämä data on ajankohtaista, toisin kuin vuodelta 2018 oleva mobility data.

Pohja-aineistona käytetään Digi- ja väestötietoviraston julkaisemia rakennustietoja, joista saadaan kaikki em. kuntien rakennukset ja niiden osoitteet koordinaatteineen. Näin saadaan ohjelmalle laskentaperusteet, mistä reittejä lasketaan ja minne. Ongelmaksi tämän suhteen muodostui kuitenkin rakennusten huikaiseva määrä: Pääkaupunkiseudulla on noin 132 000 rakennusta niissä kunnissa, joita reittiopas tukee. Laskemalla matka-ajat jokaisesta rakennuksesta jokaiseen (joka on paitsi tehotonta, myös turhaa, sillä ajoilla on marginaalinen ero naapuritaloon nähden) olisi vaatinut kolme sekuntia per yksittäinen reitti laskevalta reittioppaalta rapiat 1657 vuotta. Eli selvästi Lauri oli tehnyt asian toisin paremmalla koodaustaidolla: itse en löytänyt ratkaisua ajamalla reittiopasta lokaalisti Dockerillakaan (vaikka laskenta olisi lyhentynyt 1000 vuoteen!), joten tyydyin laskemaan reittiajat nykyisestä asuinpaikastani kaikkialle muualle. Valitettavasti visualisaatiota en tästä kyennyt tuottamaan, mutta nyt tiedän ainakin, paljonko aikaa minulta kuluu stockan kellon alle. Puhtaassa numeronmurskauksessa tällainen data on kuitenkin hyvin arvokasta, sillä en ole vielä nähnyt vedenpitävää todistetta nyrkkisäännölle ”1 minuutti vastaa 1% alennusta hinnassa stockan kellosta.” Aika (ei kuitenkaan stockan kello!) näyttää, syntyykö tällaista työpöydältäni.