Sider med ekstra påfyll

onsdag 4. desember 2019

Slik endrer bilbruken seg i Europa

Klikk for å se større.

Kartene over her viser hvordan bruken av bil har endret seg i Europa i løpet av tiårsperioden fra 2007 til 2017. I en god del land i Nordvest-Europa har bilbruken faktisk gått ned, relativt sett, mens bilbruken skal ha økt i Norge. Bilbruken ser ut til å ha økt i både Sør-Europa og Øst-Europa, men at Tyrkia skiller seg kraftig ut.

Kartene er basert på hvor stor andel av alle de kilometrene som passasjerer reiser i løpet av et år som er med bil. Dette kan illustreres med disse (hypotetiske) regnestykkene:

I 2007 var det ti personer som til sammen reiste 72 000 km (såpass blir det hvis alle ti pendler 15 km hver vei fem ganger i uka 48 uker i året). 59 000 av de kilometrene var med bil. Altså er bilandelen av passasjerkilometrene 82 prosent (59 000 / 72 000).

På kartene under her kan du se de prosenttallene for 2007 og 2017.
Klikk for å se større
Datakilde er Eurostat, via R-pakken deres som bare heter Eurostat. Jeg har ikke satt meg nok inn i datamaterialet til å kunne si i hvor stor grad disse kartene viser reelle endringer i bilbruken, eller om det har vært endringer i datainnsamlingen fra 2007 til 2017. Kanskje jeg får lage en tidsseriegraf for å se om det er noen merkelige hopp i datasettet.

Kartene er laget i R, og her er syntaksen. Fine i denne anledning er at du trenger ikke noen lokale filer for å lage disse kartene. Du laster ned både statistikk og geodata i selve skriptet!


onsdag 27. november 2019

Jotunheimen

Klikk for å se større. Datakilder: Kartverket
Noen ganger er ord overflødige. Jotunheimen.

Terrengdata er fra hoydedata.no. Arealdekke og diverse annet er fra Kartverkets N1000-kart.

søndag 10. november 2019

Tilskuertallet i eliteserien synker

Klikk for å se større.
Det har vært noen kamper i årets eliteserie i fotball (for herrer) hvor det har vært overraskende stusselig oppmøte, synes jeg. Da tenker jeg spesielt på Vålerenga og Brann. Lag i storbyene som bør være publikumsmagneter i områder med mye folk, men den gang ei.

Denne grafen viser at tilskuertallet jevnt over har sunket siden høydepunktet i 2007. Da var det også særdeles stor interesse for fotball her til lands, med oppblåste tv-avtaler og fotballøkonomi.

tirsdag 5. november 2019

Så grønt er Oslo


Jeg har blitt med på en Twitter-bølge, som er blitt satt i gang av Topi Tjukanov, som generelt gjør mye kult med PostGIS.


Men for å komme tilbake til kartet jeg har laget, så viser det hvor mye grønn og frodig vegetasjon det er rundt omkring i Oslo.

Det har jeg gjort ved hjelp av satellittfoto fra Sentinel 2-satelitten, som gir deg bilder av jordkloden med en oppløsning helt ned til ti ganger ti meter. Det kartet består altså av celler på 100 kvadratmeter som er fargekodet etter hvor frodig vegetasjonen der skal være.

Hvis du klikker deg inn på kartet, så har jeg faktisk prøvd å oversette verdiene til godt norsk.

Fargeverdiene følger normalized difference vegetation index.

Satelittfoto, raster, og vegetasjonsindekser er ting jeg har arbeidet særdeles lite med fram til nå, men jeg må si at det er lettere tilgjengelig enn jeg trodde i utgangspunktet.

Satellittfotoene lastet jeg forøvrig gratis ned herfra.

mandag 7. oktober 2019

Hvor mange pendler til andre kommuner?



Dette kartet viser hvor stor andel av arbeidsstyrken i hver enkelt kommune som pendler til arbeidsplasser i andre kommuner.

Holder musepekeren over den enkelte kommune for å se det nøyaktige tallet.

Legg spesielt merke til smultringen rundt Oslo. En veldig lav andel pendler ut fra Oslo, men svært mange pendler ut fra nabokommunene. Mange av dem pendler til Oslo.


tirsdag 28. mai 2019

Reisetid med kollektiv til Oslo S

Klikk for å se større.
Lærer meg nye ting, som å kjøre OpenTripPlanner (OTP) via databehandlings-/statistikkprogrammet R. OTP brukes til å beregne ruter (mellom A og B) med kollektivtransport.

En veldig fin og lett tilgjengelig introduksjon ligger ute på nettet, laget av Marcus Young.

mandag 29. april 2019

Kommunalboliger i Oslo

Datakilde: Oslo statistikkbank

Et kart som ikke trenger så mange ekstra ord. Sagene skiller seg ut ved å ha 77,5 kommunalboliger per tusende bolig i bydelen.

Men kartet er laget i R. Du kan se all koden nederst i dette innlegget. Å lage kart i R kan nok være spesielt nyttig hvis du bare har en hel haug av statistikk som du har lyst til å lage noen kjappe og enkle kart av.

Selv er jeg totalt nybegynner i R, men det er to gratis e-bøker jeg går sakte, men sikkert gjennom nå.

Den ene er generelt om datamanipulering, R for Data Science av Garrett Grolemund og Hadley Wickham. Kan absolutt anbefales.

Den andre boka er mer GIS- og kartorientert, Geocomputation with R av Robin Lovelace, Jakub Nowosad og Jannes Muenchow. Ut i fra det jeg har lest foreløpig, så er den veldig grei hvis du vil ha en innføring til den romlige GIS-verdenen.

søndag 21. april 2019

Mangfoldige Oslo øst

Klikk for å se større. Fargeskalaen Kilde: Oslo kommune.
Her har du et Oslo-kart med et klassisk mønster, et øst-vest-skille. Nordstrand, og tildels Østensjø, er i realiteten en del av vestkanten, mens Søndre Nordstrand lengst sør er en del av østkanten.

Jeg lagde kartet etter at Sylvi Listhaug gikk ut og snakket om en gettoisering av Oslo.

Og det kartet viser, er hvilke steder hvor det er mest miks av innbyggere med forskjellig landbakgrunn, altså hvilket land de selv eller begge deres foreldre opprinnelig kommer fra.

Jo mørkere blåfarge, jo mer miks. Jo lysere gulfarge, mindre miks.

Og karter viser at det strengt tatt er veldig lite av gettoer på østkanten i Oslo.

For hvis du tar et byfag innenfor samfunnsgeografi på Universitetet i Oslo, så vil du lære deg å være forsiktig med getto-begrepet.

Begrepet slik det brukes om gettoer i amerikanske byer - eller om jødiske gettoer i Europa før i tida – kan sjeldent brukes i en moderne europeisk, eller norsk, kontekst.

En getto består i stor grad av en gruppe mennesker, en minoritet, som har mange likhetstrekk.

De blå områdene på kartet over viser steder hvor det er veldig mange forskjellig type mennesker.

Nå skriver jeg litt på husk om getto-begrepet. Men et par andre kjennemerker ved amerikanske gettoer er at de transport- og infrastrukturmessig er relativt avsondret fra resten av byen. Bor du i en getto, jobber du gjerne der og tilbringer det aller meste av tiden der.

Også er skattesystemet i USA mye mer lokalt orientert enn i Norge. Skatter du i en bydel i USA, så går en god del av pengene dine til den bydelen som du bor i. I Norge omfordeles skattepenger mye mer geografisk. Beboere oppe i Holmenkollen kan finansiere sosiale tiltak i andre deler av byen av og landet med sine skattepenger.

Så der amerikanske gettoer kan bli ganske forfalne med slitte bygninger o.l., blant annet fordi de lokale myndighetene ikke får inn nok skattepenger, så kan det alltid rettes inn tiltak mot bydeler og -områder i Oslo med penger utenifra.

For å komme tilbake til kartet, så er tallene verdier på en Shannon entropi-indeks. Jeg vet ikke altfor mye om slike indekser, men de brukes mye innenfor biologi og økologi for å si noe variasjonen av arter innenfor områder. Er det bare en treart i dette skogholtet, eller er det mange forskjellige om hverandre? Jeg stilte det samme spørsmålet i kartet ovenfor, men bare om befolkningsgrupper med forskjellig landbakgrunn istedenfor trearter.

søndag 14. april 2019

Vestfold og referansekart

Klikk for å se større. Kartdata: Kartverket, NVE, SSB.
Jeg tenker selv at jeg er ganske habil på norgesgeografi. Når jeg imidlertid tenker meg om, så er det et belte fra Østfold i sørøst til Møre og Romsdal i nordvest som jeg kjenner ganske godt til. Dette ble veldig tydelig for meg da jeg oppdaget at jeg ikke vet hva som ligger hvor av vestfoldbyene Sandefjord, Larvik og Tønsberg.

Så hvorfor ikke lage et kart over Vestfold?

Et annen grunn til å lage dette kartet er at jeg har lyst til å trene på å lage vakre kart igjen. Min bruk av GIS og kart har de siste årene utviklet seg i en analytisk og statistisk retning, der kartet nesten er underordnet tallene som jeg utledet av GIS-analyser.

Og når jeg først skulle trene på rent kartografisk design, så syntes jeg at referansekart er en spennende utfordring.

All den tid jeg har holdt på med samfunnsgeografi og kartmakeri, så har jeg stort sett laget tematiske kart. Kart over inntektsforskjeller og den slags.

Slike tematiske kart er strengt tatt enkle å utforme, for de skal ha et veldig snevert budskap.

Referansekart er mer utfordrende, for de skal gjerne vise litt av alt på ett og samme kart. Det blir fort mye surr, rot og kluss.

For eksempel, hvordan vise fram både kommunegrenser, elver og veier uten at det blir et salig rot av linjer?

Klikk for å se større.
I dette tilfellet vises ikke kommunegrenser med egne linjer i det hele tatt. Jeg er inspirert av den samme effekten som National Geographic bruker på sine veggkart.

For å få til den effekten brukte jeg Shapeburst fyll-teknikken i QGIS.

Jeg innrømmer gladelig at National Geographic sin kartografiske stil ble en stor inspirasjon, slik kartet utviklet seg. Opprinnelig hadde jeg egentlig tenkt å lage et kart mer i den spion-/blåprintstilen som jeg lagde et europakart med i februar. Men så syntes jeg at den effekten med kommunegrensene var så innmari fin mot en svak bakgrunnsfarge ...


søndag 31. mars 2019

Eliteseriens poengform: En bunntung vase

Klikk for å se større.
Ovenfor kan du se "formen" på eliteserien de siste ni årene, som er alle de sesongene eliteserien har hatt seksten lag.

Grafen under kan forklare hva disse formene egentlig er. 2009-sesongen var det mange lag som fikk oppunder førti poeng i eliteserien. Derfor er formen bredere i det sjiktet. Rosenborg hadde suverent mer poeng, 69, enn de andre lagene, så formen er smal i toppen. Og Lyn hanket inn langt færre poeng enn de andre lagene, og skaper den smale bunnen på 2009-sesongens form.

Klikk for å se større.

Formen de to siste årene er tydelig bunntung, hvor mange lag samler inn jevnt over lite poeng. Mange uavgjortresultater altså.

tirsdag 12. februar 2019

Europa-kart med blåkopi-/spiontema

Klikk for å se større.
Det er lenge siden jeg lagde et kart bare for å lage noe jeg synes er pent å se på, så det var på tide å gjøre noe med det.

Den siste tida har jeg tenkt på at det er ikke bare, bare å lage referansekart, et sånt kart som skal vise hvor alt er, med en viss struktur og hierarki i hva som er viktig å vise fram.

National Geographic har nær sagt satt en svært elegant standard for hvordan slike referansekart av kontinenter og hele verden skal se ut.

Men jeg hadde lyst til å lage et kart med en viss karakter. Etter å ha sett nok spionfilmer med kule mørke kart på dataskjermer, så fikk jeg lyst til å lage noe slikt.

Det som er artig med kartet mitt, er at alle fargene er basert på blåkopi-farger.

Eller så kan jeg si at balkanisering gjør det knotete å få landnavn til å passe inn på et kart. Hovedstedsnavn er bare å glemme.

Alt av kartgrunnlag er hentet gratis fra Natural Earth Data.

mandag 7. januar 2019

Problemet med koroplete kart

Koroplete kart er populære for å vise fram statistikk om forskjellige steder. Poenget med et koroplet kart er at du fargelegger forhåndsdefinerte områder, som f.eks. kommuner eller grunnkretser, med en farge basert på en verdi i det området. Kommuner med høyere gjennomsnittsinntekt får en sterkere blåfarge emns kommuner med lavere inntekt får en svakere farge.

Den vanligste (og viktigste) kritikken av koroplete kart, er at de favoriserer enheter (sånn som kommuner, fylker, bydeler) med stort areal over enheter med lite areal.

Skjermdump: https://www.reddit.com/r/The_Donald/comments/
932uy9/holy_hell_look_at_all_that_red/
Det ble faktisk gjort et nummer ut av dette i reddit-gruppen til Trump-tilhengere (jeg fikk vite dette via Twitter-kontoen til Joshua Stevens).
Tittelen på reddit-innlegget er HOLY HELL, LOOK AT ALL THAT RED!!!

(Kartet er interaktivt og laget av New York Times)

I følge dette kartet kan det virke som at Donald Trump vant presidentvalget i 2016 helt suverent. Det gjorde han ikke. Fargene på kartet viser hvor mange prosent av de stemmeberettigede som stemte på Trump og Clinton. Blått så stemte flere på Clinton enn på Trump, sterkere blåfarge, større prosentandel stemte på Clinton. De knallrøde områdene er altså steder hvor en ganske høy prosentandel stemte på Trump.

Hva er så problemet? Størrelsen på countyene. Noen av countyene dekker stort område, men det bor få folk i dem. Dette gjelder spesielt i Midtvesten og de fleste heller rurale områdene i USA. Storbyene derimot, hvor de absolutt fleste bor (82 prosent), er arealmessig ganske små. Man kan derfor få inntrykket av at steder med stort areal er viktigere enn steder med lite areal, uavhengig av hvor mange som bor der.

La oss sammenligne stemmeresultatene fra to steder i USA.

Klikk for å komme til New York Times interaktive kart.
Garfield county i Montana. 12 554 kvadratkilometer, ifølge Wikipedia. Midt i mellom Rogaland og Buskerud i areal. 91 prosent av de stemmeberettigede innbyggerne stemte på Trump. Knallrødt. Garfield er så stort at du tydelig kan se det på kartet over hele USA.
Klikk for å komme til New York Times interaktive kart.












Klikk for å komme til New York Times interaktive kart.
Manhattan i New York klarer du ikke å skille ut på USA-kartet. 59,1 kvadratkilometer. Like stort som Trondheim tettsted. 9,7 prosent stemte Trump.

Garfield er stort og rødt, Manhattan er lite blått. Garfield virker viktigere. Og begge kartutsnittene har samme målestokk. Poenget er at de 91 prosentene i Garfield som stemte på Trump, er bare 653 personer. De 9,7 prosentene på Manhattan er 64 929 personer.

tirsdag 1. januar 2019

Fotballag og kommunestørrelse

Klikk for å se større.

Jeg hører på en hel haug av fotballpodcaster. En av dem er Toppfotball om norsk fotball. En gang sist høst hadde de en diskusjon om hvorfor man ikke har noe skikkelig bra fotballag fra Vestfold. Sandefjord gjorde for eksempel ikke stort annet sist sesong enn å vente på å rykke ned. En av hypotesene var at det er for mange jevnstore byer i fylket.

Dette fikk meg til å tenke, hvordan er sammenhengen mellom bybefolkning og toppnivå for klubber fra byen?

For enkelthetens skyld så jeg på kommunebefolkningen. Jeg er veldig fan av tettstedsstatistikken her til lands, men jeg var for lat til å skille ut tettstedsbefolkningen i tettstedet Oslo for den enkelte kommune. Tettstedet Oslo brer seg utover i nabokommunene. Lillestrøm er for eksempel en del av tettstedet Oslo. Med tanke på at det er såpass mange klubber i tettstedet Oslo, gikk jeg heller for kommunetallene.

Og er det noen sammenheng? Jeg vil si ja. Scatterplottet øverst i denne teksten viser alle kommuner i Norge med mer enn 2500 innbyggere. Røde kommuner hadde et eliteserielag i 2018-sesongen. Oransje kommuner hadde fotballag i høyst Obosligaen.

Bortimot alle kommuner med mer enn 40 000 innbyggere har klubb i Eliteserien. Unntakene er de seks følgende kommunene:

  • Fredrikstad
  • Asker
  • Larvik
  • Tønsberg
  • Arendal
  • Karmøy

To av seks unntak er altså Vestfold-lag. Med oppdaterte 2019-tall ville Sandefjord også føyd seg inn i rekken. Sandefjord kommune har forøvig over 60 000 innbyggere. Da er det naturlig at de som storebror i fylket har det største laget også. Hvis vi ser på de andre unntakene, så har Fredrikstad tradisjonelt sett hatt et eliteserielag. Karmøy har storebror Haugesund ikke altfor langt unna, samt Stavanger med Viking og Sandnes med Sandnes Ulf i samme region. Asker ligger nok for nærme Oslogryta. At et lag som Stabæk har fått det til istedenfor handler kanskje om spesifikke miljøer og personer, uten at jeg vet noe.

Det kan altså se ut til at alle unntakene, unntatt Fredrikstad, rett og slett er for nærme større kommuner og fotballag i samme region. Tønsberg og Larvik er litt i samme situasjon som Larvik.

Derfor la jeg til en ny variabel langsmed x-aksen i grafen, nemlig avstand fra midtpunktet i hver kommune til nærmeste kommune med mer enn 40 000 innbyggere. Hvorfor 40 000 innbyggere? Som nevnt, fordi det ser ut til at de aller fleste kommuner med såpass mange innbyggere har et lag i Eliteserien eller Obos-ligaen.

Det jeg syntes var mest interessant her, er at denne distansefaktoren et godt stykke på veien forklarer hvorfor relativt små kommuner i Møre og Romsdal (Molde og Kristiansund) og Sogn og Fjordane (Sogndal, Flora) har lag i toppseriene: De er regionsentre i landsdeler hvor det er langt til høyt befolkede kommuner. Ålesund er den eneste kommunen i Møre og Romsdal  og Sogn og Fjordane som har godt over 40 000 innbyggere.

[Lagt til 7. januar] Hvorfor har kommunestørrelse og avstand til andre storkommuner noe å si? Godt spørsmål. Rent økonomisk er det kanskje større sponsormarked i storbyene. Lettere å tiltrekke seg tilskuere og pengeinnteker? Rekrutteringen er kanskje lettere, men det er ikke mange lokale spillere på topplagene nå for tida. Kanskje kommunestørrelse, rekruttering og plass i "regionshierarkiet" tradisjonelt har hatt en viktig rolle, og at det vi ser nå er en slags stiavhengiget og konsekvens av at det har vært viktig før. Jeg bare spekulerer ...