SUOMEN ALUERAKENNE VUONNA Tutkimusraportti

Transkriptio

1 1 VAASAN YLIOPISTO Levon-instituutti Olli Wuori Kauko Mikkonen SUOMEN ALUERAKENNE VUONNA 2040 Tutkimusraportti PALVELUTUTKIMUS No 1/2007 VAASA 2007

2 2

3 3 ALKUSANAT Tämän tutkimuksen on tilannut Vaasan yliopiston Levón-instituutilta Eduskunnan valtiontilintarkastajien kanslia. Tutkimus on jatkumoa pitkälle tutkimustraditiolle, jossa aiheena on aluerakenteen järjestyminen ja toiminta. Nyt haasteena on ollut selvittää mahdollisuuksia ennakoida Suomen tulevaisuuden aluerakennetta nykyisen aluerakenteen ja nähtävissä olevien kehityskulkujen pohjalta. Työ on jatkoa vuonna 2006 valmistuneeseen esiselvitykseen, jossa testattiin ja kehitettiin aluerakenteen ennustamisessa käytettyjä menetelmiä ja hankittiin tietoa ennakointiin käytettävissä olevista tietomassoista. Tutkimusta varten perustettiin työryhmä, johon tilaajan puolesta kuuluivat kansliapäällikkö Mauri Lehmusto sekä Levón-instituutin edustajina johtaja Jouko Havunen, emeritusprofessori Kauko Mikkonen ja erikoistutkija Olli Wuori. Tutkijana hankkeessa on toiminut erikoistutkija Olli Wuori ja asiantuntijana sekä julkaisun toisena kirjoittajana emeritusprofessori Kauko Mikkonen. Työryhmä on yhdessä ratkonut aluerakenteen ennustamisen pulmia ja arvioinut mallien avulla saatavaa yleiskuvaa Suomen aluerakenteesta vuonna Tutkimussihteeri Anne Vankka on vastannut käytettyjen potentiaalimallien laskennasta. Assistentti Anssi Joutsiniemi Tampereen teknillisen yliopiston yhdyskuntasuunnittelun laitokselta on ohjelmoinut vaikutusalueiden piirtämisessä käytetyn apuohjelman Mapinfo-karttaohjelmaan. Prosessi on ollut antoisa kokemus siihen osallistuneille. Selvitystyön kuluessa ryhmä on kehittänyt kysymyksenasettelua ja pohtinut syventävän jatkoanalyysin tavoitteita ja niihin johtavia menetelmällisiä ratkaisuja. Menetelmällinen kehittäminen on mahdollistanut tulevaisuuden aluerakenteen hahmottamista ja avannut pohdintoja aluerakenteen potentiaalisista kehityskuvista. Toivomme tulosten herättävän keskustelua ja hyödyntävän päätöksentekijöitä. Vaasa, helmikuun pakkasissa 2007 Jouko Havunen Levón-insituutin johtaja

4 4 S I S Ä L L Y S ALKUSANAT JOHDANTO ALUERAKENNETTA KUVAAVAA KÄSITTEISTÖÄ TARKASTELUN ALUEYKSIKÖT ALUEVOIMAKKUUKSIEN ESTIMOINTI Regressiotekniikka Potentiaalitekniikka ALUEVOIMAKKUUKSIEN ENNUSTAMINEN VUOTEEN Regressio- ja potentiaalimallit ennustemalleina Vähittäiskaupan liikevaihto Palvelusektorin toimipaikat Luokitustulosten vertailu ja luokitusten yhdistelmät SEUTUKUNTIEN LUOKITTELU KLUSTERIANALYYSILLÄ VAIKUTUSALUEIDEN RAJAAMINEN Rajausperiaate Rajaustulokset YHTEENVETO JA JOHTOPÄÄTÖKSIÄ LÄHTEET LIITE

5 5 1. JOHDANTO Tausta Keskus- ja vaikutusaluetutkimuksella on Suomessa pitkä traditio. Siihen sisältyvät niin keskusten alueellisten hierarkioiden tarkastelu ja vaikutusalueiden rajaaminen kuin keskusten kvantitatiivisten ominaisuuksien analysointi ja ennustaminenkin. Suomessa vaikutusaluetutkimuksen edelläkävijänä voidaan pitää Väinö Aueria, mutta yleisesti on katsottu Oiva Tuomisen (1949) vakiinnuttaneen keskus- ja vaikutusaluetutkimuksen Suomeen christallerilaisessa hengessä. Mauri Palomäki kehitti keskusten palveluvarustuksen luetteloimiseen perustuvan enumeratiiviseen menetelmän. Sen pohjalta tehtiin Valtakunnansuunnittelutoimiston tilaama ensimmäinen koko Suomen kattava keskus- ja vaikutusaluetutkimus (LTT 1967). Siinä vaikutusalueita rajattiin opettajakyselyn vastausaineiston avulla ja hallintopalvelujen aluerajauksilla. Enumeratiivisesta luokittelusta kehitettyä menetelmää sovellettiin sittemmin erityisesti seutukaavaliitoissa ja -80-luvuilla. Vaikutusalueiden empiirinen rajaus on Suomessa vakiintunut asiointikäyntien suuntautumisen tarkasteluun käyntitiheyksien ja -tarkoituksen avulla. Erityisen kattavat poikkileikkausaineistot on hankittu Vaasan yliopiston aluetieteilijöiden toimesta vanhan Vaasan läänin alueelta vuosilta 1971, 1980, 1991 ja Palomäen ja Mikkosen (1971) tutkimus Optimaalisen keskusverkon simulointi Suomessa edustaa tyypillisimmillään keskusverkkotutkimuksen kvantitatiivista lähestymistapaa. Tutkimuksessa hyödynnettiin sekä regressio- että potentiaalitekniikkaa keskusvoimakkuuksien teoreettisten arvojen laskemiseen. Tarkastelutapaa on syvennetty ja laajennettu Mikkosen väitöskirjassa (1975), jossa suoritettiin ensin silloisen Vaasan läänin aluerakenteen perusteellinen kausaalianalyysi 1970-luvun alun tilanteesta ja sen pohjalta ennustettiin tuleva aluerakenne vuoteen Ennusteen osumistarkkuutta Mikkonen arvioi Futuran artikkelissa Tämä tutkimus nojautuu pääosin Mikkosen käyttämään ja hyvään ennustetarkkuuteen vieneeseen tarkastelutapaan. Tutkimustehtävä Toimeksiannon mukaisesti tutkimuksessa pyritään seuraaviin tavoitteisiin: 1) kuvataan Suomen toiminnallisen aluerakenteen yhteismitallinen nykytila, 2) laaditaan toiminnallisen aluerakenteen analysointia palvelevat laskentamallit, 3) analysoidaan laadittujen mallien avulla aluejärjestelmän kvantitatiivisia piirteitä nykytilanteessa ja ennustetaan aluerakenteen muutoksia pitkällä aikavälillä sekä 4) arvioidaan toiminnallisessa aluerakenteessa tapahtuvien muutosten merkitystä. Tutkimus on jatkoa esiselvitykselle, jonka tavoitteena oli täsmentää tutkimusongelmaa, testata hankkeessa tarvittavien tilasto- ja muiden mitattavien tietojen soveltuvuutta, käytettäviä menetelmiä ja kartografisia esitystapoja Suomen aluerakenteen ennustamiseen vuoteen Esiselvityksessä hyödynnettiin Tilastokeskuksen tilastoja ja teknisinä apuvälineinä taulukkolaskentaohjelmaa (Excel), tilasto-ohjelmaa (SPSS) ja karttaohjelmistoa (Mapinfo). Tässä jatkotyössä ennuste- ja luokitusmenetelmiä monipuolistetaan ja operaatiosääntöjä tarkistetaan esitutkimuksessa saatujen viitteiden edellyttämällä tavalla.

6 6 2. ALUERAKENNETTA KUVAAVAA KÄSITTEISTÖÄ Keskukset ja keskusvoimakkuus Aluerakenteen keskeisen elementin muodostaa keskus- ja vaikutusaluejärjestelmä. Keskus määritellään keskuspalvelujen sijaintipaikaksi. Keskuspalveluja ovat esimerkiksi kaupat, pankit, sosiaali- ja terveyspalvelut, kulttuurilaitokset jne. Keskuksia voidaan analysoida ja luokitella sekä kvalitatiivisin että kvantitatiivisin perustein. Aiemmin mainittu enumeratiivinen tutkimustapa edustaa tyypillisesti keskusten palvelusisällön laadullista tarkastelua palvelutyyppien inventointeineen ja luokitteluineen. Keskusverkon optimointi ja ennustaminen perustuvat puolestaan kvantitatiiviseen tutkimusotteeseen. Keskusten kvantitatiivisia ominaisuuksia määritettäessä avainkäsite on keskusvoimakkuus eli sentraliteetti. Keskusvoimakkuus kuvaa keskuksen tarjoamien palvelujen runsautta tai tutkimustehtävään valittua osaa keskustoiminnoista. Keskusvoimakkuutta onkin operationalisoitu monella eri tavalla. Palomäki (1963) mittasi keskusvoimakkuutta sekä palveluvarustuksen monipuolisuudella (= palvelutyyppien lukumäärä) että volyymillä (= palveluja jakavien toimipisteiden lukumäärä). Isoilla keskuksilla palveluvarustus on monipuolinen ja kattava, kun taas pienempien keskusten palveluvarustus sisältää vain usein tarvittavia tuotteita ja palveluja jakavat toimipaikat. Muita keskusvoimakkuuden mittareita ovat mm. vähittäiskauppojen määrä, henkilökunnan määrä ja liikevaihto, palvelusektorin toimipaikkojen lukumäärä jne. Myös väestömäärää on käytetty mittarina, jos muita indikaattoreita ei ole ollut saatavissa. Väestömäärä ei kuitenkaan ole loogisesti sopiva sentraliteetin mittariksi, koska se on klassisten keskus- ja vaikutusalueteorioiden mukaisesti tärkein keskusvoimakkuutta synnyttävä ja sen vaihtelua selittävä tekijä (esim. Mikkonen 1974). Tutkimuksessa käytetään kahta eri indikaattoria keskusvoimakkuuden kuvaajana, palvelusektorin toimipaikkojen määrää ja vähittäiskaupan liikevaihtoa. Palvelusektorin toimipaikkojen määrä kuvastaa keskuksen palvelukykyä laajalla toimialalla kuten perinteisessä enumeratiivisessa luokittelussakin mukaan lukien esim. julkissektorin hallintopalvelut. Vähittäiskaupan liikevaihto on luonteeltaan traditionaalinen keskuksen voimakkuutta kuvaava muuttuja. Se soveltuu hyvin ajattelutapaan: keskus on paikka, joka tarjoaa palveluja ja josta palvelut noudetaan. Vähittäiskauppa on se keskuspalvelujen toiminta-ala, joka aiheuttaa eniten asiointimatkoja keskuksiin. Vaikutusalue Vaikutusalueen käsitettä voidaan havainnollistaa ajattelemalla, että kullakin palvelupisteellä on oma, sille ominainen kantamansa. Kantaman sisällä tulee asua palvelun tuottamiseen vaadittava minimiväestö. Ajattelusta seuraa, että usein tarvittavia hyödykkeitä ja palveluja ei lähdetä hakemaan kaukaa, jolloin tällaisia jakelupisteitä tulee olla suhteellisen tiheässä ja ne tulevat toimeen pienemmällä minimiasiakasmäärällä. Harvoin tarvittavia hyödykkeitä ja palveluja jakavat toimipaikat vaativat puolestaan laajan asiakaspohjan kannattavalle toiminnalle. Tällaisia jakelu- ja palvelupisteitä on siten harvemmassa ja asiointimatkoja joudutaan tekemään kaukaakin. Erikseen on erotettava keskuksen suhteellinen (relatiivinen) ja absoluuttinen vaikutusalue. Suhteellinen vaikutusalue rajautuu kilpailevien keskusten vaikutusalueisiin. Tämän alueen sisällä keskuksen vetovoima on kilpailevien keskuksien voimakkuutta suurempi. Absoluut-

7 7 tinen vaikutusalue on useimmiten relatiivista aluetta suurempi. Se ulottuu niin pitkälle kuin keskuksen vetovoima palvelujen tuottajana ylipäätään yltää. Vaikutusaluetta on kutsuttu myös kauppa-alueeksi, markkina-alueeksi, talousalueeksi, liikennealueeksi ja asiointialueeksi. Nimityksiin ovat vaikuttaneet tutkijoiden käyttämät rajauskriteerit ja rajaustulosten käyttötarkoituksetkin. (Mikkonen 1974.) Vaikutusalueita on Suomessa pyritty rajaamaan sekä empiirisesti että teoreettisesti. Empiiriset rajausmenetelmät ovat perustuneet mm. puhelinliikenteeseen, sanomalehtien levikkiin, linja-autoliikenteen reittiverkkoon, mutta yleisimmin kuluttajien asiointikäynteihin, niiden määrään ja laatuun. Teoreettiset rajaukset perustuvat keskusten vetovoimasuhteisiin, jolloin vetovoiman mittarina on jokin edellä kuvatuista keskusvoimakkuuksien mittaustavoista. Eri indikaattorien avulla tehdyt rajaukset kuten myös vastaavat teoreettiset rajaukset ovat vieneet suhteellisen yhdenmukaisiin tuloksiin. Kun keskukset luokitellaan niiden palvelusisällön monipuolisuuden tai palvelusisällön volyymin avulla ja keskusluokkia vastaavat relatiiviset vaikutusalueet sijoitetaan karttapohjalle, tuloksena on keskusten ja vaikutusalueiden muodostama systeemi, alueen keskus- ja vaikutusaluejärjestelmä. 3. TARKASTELUN ALUEYKSIKÖT Tarkastelun keskeisenä alueyksikkönä on seutukunta ja alueverkkona siten seutukuntajako. Suomessa oli 77 seutukuntaa vuonna Seutukuntakohtaista tarkastelua puoltavat seuraavat tekijät: Seutukunnat ovat Euroopan unionin aluekehityspolitiikkaan kiinnittyvä alin ja samalla keskeinen operaatiotaso kansallisessa aluekehittämisessä, NUTS 4-taso. Koko maa tulee näin jaetuksi tilastollisten käsittelyjen ja kartografisten esitysten kannalta hallittavaan määrään osa-alueita. Alueellisen tarkastelun tarkkuus on tutkimustehtävään optimaalinen asettuen liian yleispiirteisen maakuntajaon ja kovin tiheäsilmäisen kuntajaon väliin. Tutkimuksessa tarvittavia tilastotietoja on saatavissa Tilastokeskuksen tietokannasta seutukuntajaon tarkkuudella. Seutukunnat nivoutuvat pääsääntöisesti työssäkäyntialueisiin, mutta niiden määrittelyssä on ollut mukana myös aluepoliittista tavoitehakuisuutta. Ne eivät aina muodosta selkeästi jonkin keskuksen ympärillä olevaa asiointi- tai työmatkoja kuvaavaa alueyksikköä. Seutupohjaisen pääkäsittelyn täydennyksenä aluevoimakkuuksien vaihtelun selitys- ja ennusteproseduureja toteutetaan eräiltä osin myös kuntayksiköiden tarkkuudella. Seuraavassa kuvataan lähemmin seutukuntien ominaisuuksia tutkimuksessa keskeisesti esillä olevien muuttujien avulla. Muuttujia ovat nykytilanteen ja ennusteajankohdan väkiluvut sekä aluevoimakkuutta kuvaavat vähittäiskaupan liikevaihto ja palvelusektorin toimipaikat.

8 8 Väkiluvut 2005 ja väkilukuennusteet 2040 Seutukuntien väestöpohjat vaihtelevat huomattavasti (kuva 1). Suurin on Helsingin seutukunta ( asukasta 2005), joka tila- ja skaalateknisistä syistä jouduttiin jättämään pois kuvasta 1 (kuten muistakin vastaavista pylväsdiagrammiesityksistä). Väkiluvultaan pienin seutukunta sijaitsee Ahvenanmaalla. Kolmessa väestöltään suurimmassa seutukunnassa asui 35 % väestöstä vuonna Neljä suurinta seutukuntaa kattoi yhteensä 39 % väestöstä. Seutukuntien väestömäärä vähenee suhteellisen jyrkästi Kuopion ja Joensuun seutukuntiin saakka, jotka väestöltään ovat lähes yhtä suuret. Seuraavan ryhmän muodostaa neljä seutukuntaa: Kouvolan, Hämeenlinnan, Vaasan ja Kotka-Haminan seutukunnat. Seuraavaksi tulee neljän seutukunnan ryhmä: Lohjan, Porvoon, Mikkelin ja Lappeenrannan seutukunnat. Seitsemän seuraavaa seutukuntaa, Rauman seutukunnasta Kajaanin seutukuntaan, voidaan myös luokitella omaksi ryhmäkseen. Kaiken kaikkiaan 60 pienintä seutukuntaa kattaa vain 25 % maan väestöstä, ja 20:ssä väestöltään pienimmässä seutukunnassa asui yhteensä 5,8 % väestöstä. Tilastokeskuksen väestöennuste vuodelle 2040 on laadittu syksyllä Tilastokeskuksen ennustemenetelmä on demografinen komponenttimalli, jossa väestön tuleva määrä ja rakenne lasketaan ikäryhmittäin syntyvyys-, kuolevuus- ja muuttoliikekerrointen avulla. Syntyvyys- ja kuolleisuuskertoimet on laskettu vuosien väestötilastojen perusteella. Maa on jaettu kolmeen kuolleisuusalueeseen vuosien maakunnittaisten elinajanodotteiden perusteella. Kuntien lähtö- ja tulomuuttokertoimet on laskettu periodilta Keskimääräinen kokonaishedelmällisyys, nettomaahanmuutto sekä lähtömuuttokertoimet ja tulomuutto-osuudet on pidetty vakioina koko ennustekauden, mutta kuolleisuuden odotetaan edelleen alenevan. Ennuste on laadittu kunnittain ja aluetiedot sekä koko maan ennuste näistä summaamalla. Ennusteita laadittaessa ei ole arvioitu yhteiskunnallisten tai muiden päätösten ja tekijöiden vaikutusta alueiden väestökehitykseen. (Tilastokeskus, Statfin 2007.) Tilastokeskuksen väestöennusteen mukaan Helsingin seutukunnan väkiluku on asukasta vuonna Kolmessa suurimmassa seutukunnassa asuisi 39 % maamme väestöstä ja neljä suurinta kattaisi 43 % väestöstä. Pienimmissä 20 seutukunnassa asuisi väestöstä 4,7 %. Prosenttilukujen muutokset kertovat väestön keskittymisestä. Ensi näkemältä seutukuntien vuoden 2040 väestömääristä (kuva 2) muodostuu hyvin samankaltainen jakauma kuin on vuoden 2005 väestöjakauma. Tosin seutukuntien järjestyksessä on jonkin verran muutoksia. Esimerkiksi Jyväskylän seutukunta ohittaa ennusteen mukaan Lahden seutukunnan. Suurehkoista seutukunnista Pori, Kuopio, Joensuu ja Kouvola menettävät ennusteen mukaan väestöään (kuva 3). Näistä Porin, Kuopion ja Joensuun seutukunnat muodostavat ennustetilanteessa oman kokoluokkansa ennen seuraavaa kuuden seutukunnan ryhmää, johon kuuluvat Hämeenlinnan, Kouvolan, Lohjan, Vaasan, Porvoon ja Kotka- Haminan seutukunnat (kuva 2). Lappeenrannan, Salon ja Seinäjoen seutukunnat muodostavat myös oman kokoluokkansa. Näissä seutukunnissa väestö tulee Tilastokeskuksen ennusteen mukaan kasvamaan. Pienimpiin seutukuntiin ennustetaan pääsääntöisesti vähenevää väestömäärää. Poikkeuksen muodostavat jotkut lähinnä eteläisessä Suomessa sijaitsevat seutukunnat.

9 9 Ålands skärgård Joutsa Torniolaakso Kaakkois-Pirkanmaa M ariehamns stad Keuruu Ålands landsbygd Tunturi-Lappi Sisä-Savo Siikalatva Kyrönmaa Pohjois-Lappi Kaustinen Lo viisa Sydösterbottens kustregion Länsi-Saimaa Juva Itä-Lappi Keski-Karjala Ko illis-savo Pieksämäki Järviseutu Koillismaa Åboland-Turunmaa Eteläiset seinänaapurit Äänekoski Lo unais-pirkanmaa Pohjois-Satakunta Jämsä Kehys-Kainuu Oulunkaari Kuusiokunnat Heinola Suupohja Luoteis-Pirkanmaa Härmänmaa Nivala-Haapajärvi Pielisen Karjala Saarijärvi-Viitasaari Raahe Varkaus Forssa Loimaa Ylivieska Vakka-Suomi Ylä-Pirkanmaa Etelä-Pirkanmaa Riihimäki Tammisaari Savonlinna Jakobstadsregionen Kokkola Imatra Kajaani Ylä-Savo Kemi-To rnio Seinäjoki Rovaniemi Salo Rauma Lappeenranta M ikkeli Porvoo Lohja Kotka-Hamina Vaasa Hämeenlinna Kouvola Joensuu Kuopio Pori Jyväskylä Lahti Oulu Turku Tampere Kuva 1. Väestö seutukunnittain vuonna Kuvasta puuttuu Helsingin seutukunta, jonka väkiluku oli asukasta Lähde: Tilastokeskus.

10 10 Ålands skärgård Joutsa Torniolaakso Kaakkois-Pirkanmaa Keuruu Tunturi-Lappi Sisä-Savo M ariehamns stad Siikalatva Itä-Lappi Ålands landsbygd Sydösterbottens kustregion Kaustinen Pohjois-Lappi Juva Keski-Karjala Järviseutu Koillis-Savo Kehys-Kainuu Kyrönmaa Pieksämäki Koillismaa Loviisa Eteläiset seinänaapurit Länsi-Saimaa Pielisen Karjala Pohjois-Satakunta Äänekoski Åboland-Turunmaa Lounais-Pirkanmaa Jämsä Suupohja Kuusiokunnat Oulunkaari Nivala-Haapajärvi Heinola Saarijärvi-Viitasaari Härmänmaa Luoteis-Pirkanmaa Raahe Varkaus Forssa Ylä-Pirkanmaa Ylivieska Vakka-Suomi Loimaa Savonlinna Etelä-Pirkanmaa Imatra Tammisaari Ylä-Savo Jakobstadsregionen Kajaani Kokkola Riihimäki Kemi-Tornio Rovaniemi Rauma M ikkeli Seinäjoki Salo Lappeenranta Kotka-Hamina Porvoo Vaasa Lohja Kouvola Hämeenlinna Joensuu Kuopio Pori Lahti Jyväskylä Oulu Turku Tampere Kuva 2. Väestö seutukunnittain vuonna Kuvasta puuttuu Helsingin seutukunta, jonka ennustettu väkiluku on asukasta. Tilastokeskus.

11 11 Ålands skärgård Jout san seut ukunt a Torniolaakson seut ukunt a Kaakkois-Pirkanmaan seut ukunt a Mariehamns st ad Keuruun seut ukunt a Ålands landsbygd Sisä-Savon seut ukunt a Tunt uri-lapin seut ukunt a Siikalat van seut ukunt a Kyrönmaan seut ukunt a Pohjois-Lapin seut ukunt a Kaust isen seut ukunt a Loviisan seut ukunt a Sydöst erbot t ens kust region Länsi-Saimaan seut ukunt a Juvan seut ukunt a It ä-lapin seut ukunt a Keski-Karjalan seut ukunt a Koillis-Savon seut ukunt a Pieksämäen seut ukunt a Järviseudun seut ukunt a Koillismaan seut ukunt a Åboland-Turunmaan seut ukunt a Et eläist en seinänaapurien seut ukunt a Äänekosken seut ukunt a Lounais-Pirkanmaan seut ukunt a Pohjois-Sat akunnan seut ukunt a Jämsän seut ukunt a Kehys-Kainuun seut ukunt a Oulunkaaren seut ukunt a Kuusiokunt ien seut ukunt a Heinolan seut ukunt a Suupohjan Luot eis-pirkanmaan seut ukunt a Härmänmaan seut ukunt a Nivala-Haapajärven seut ukunt a Pielisen Karjalan seut ukunt a Saarijärven-Viit asaaren seut ukunt a Raahen seut ukunt a Varkauden seut ukunt a Forssan seut ukunt a Loimaan seut ukunt a Ylivieskan seut ukunt a Vakka-Suomen seut ukunt a Ylä-Pirkanmaan seut ukunt a Et elä-pirkanmaan seut ukunt a Tammisaaren seut ukunt a Riihimäen seut ukunt a Savonlinnan seut ukunt a Jakobst adsregionen Kokkolan seut ukunt a Imat ran seut ukunt a Kajaanin seut ukunt a Ylä-Savon seut ukunt a Kemi-Tornion seut ukunt a Seinäjoen seut ukunt a Rovaniemen seut ukunt a Salon seut ukunt a Rauman seut ukunt a Lappeenrannan seut ukunt a Mikkelin seut ukunt a Porvoon seut ukunt a Lohjan seut ukunt a Kot kan-haminan seut ukunt a Vaasan seut ukunt a Hämeenlinnan seut ukunt a Kouvolan seut ukunt a Joensuun seut ukunt a Kuopion seut ukunt a Porin seut ukunt a Jyväskylän seut ukunt a Lahden seut ukunt a Oulun seut ukunt a Turun seut ukunt a Tampereen seut ukunt a Helsingin seut ukunt a -40,0-30,0-20,0-10,0 0,0 10,0 20,0 30,0 Kuva 3. Seutukuntien väestömuutos prosentteina vuosina

12 12 Vähittäiskaupan liikevaihto* Helsingin seutukunnan vähittäiskaupan liikevaihto, 6 583,4 milj. vuonna 2004, oli 26,4 % koko maan vähittäiskaupan liikevaihdosta. Neljän suurimman seutukunnan (ks. kuva 4) liikevaihto muodosti 42,6 % Suomen vähittäiskaupan liikevaihdosta. Liikevaihdon suhteen 20 pienimmän seutukunnan yhteinen liikevaihto oli 5,3 % koko maan vähittäiskaupan liikevaihdosta. Vähittäiskaupan liikevaihdon alueellinen keskittyminen nähdään kuvasta 5. Suomessa keskusten luokittelu erilaisiin hierarkialuokkiin on lähes loppunut. Enumeratiivisen tradition mukaiset luokittelut tehtiin seutukaavaliitoittain viimeksi 1980-luvun alun tilanteesta. Nämä luokitustulokset yhdistettiin koko maan kattavaksi keskusverkkokuvaukseksi Ympäristöministeriön ja Seutusuunnittelun keskusliiton toimittamassa julkaisussa "Suomen aluerakenteen näköaloja" (1986). Siinä esitettiin myös seutusuunnitelmien mukainen tavoitteellinen keskusverkko vuoteen Tällöin keskukset luokiteltiin pääkaupunkikeskukseen, valtakunnanosakeskuksiin, maakuntakeskuksiin, kaupunkikeskuksiin, kuntakeskuksiin, paikalliskeskuksiin ja kyläkeskuksiin. Luokkia jaettiin lisäksi alaluokkiin. Tässä tutkimustehtävässä toiminnallisen aluerakenteen kuvaukseen liittyvänä osiona seutukunnat luokitellaan kvantitatiivisin perustein käyttäen mittareina vähittäiskaupan liikevaihtoa ja palvelusektorin toimipaikkojen lukumäärää. Luokittelun ongelmana on aina rajojen määrääminen. Tehtiinpä luokittelu miten hyvänsä, usein joudutaan toteamaan luokkarajan molemmille puolille jäävien havaintojen eroavan vain vähän toisistaan. Luokittelun tärkeitä periaatteita ovat systemaattisuus ja objektiivisuus. Luokkarajojen määrittelyssä voidaan käyttää esim. aritmeettisen tai geometrisen jonon mukaista systematiikkaa. Tutkimustehtävän vinoihin jakaumiin geometrinen luokitteluperiaate on käyttökelpoisin vaihtoehto. Vähittäiskaupan liikevaihtojakauman luokkarajoiksi määritellään kuvan 4 pohjalta yli 2000 milj. euroa, jolloin saadaan seuraava asetelma seutukuntien sijoittumisesta näihin luokkiin 2004: Luokka Rajat (milj. ) N Yht. I Yli II III IV V VI Alle Helsingin seutukunta muodostaa vähittäiskaupan liikevaihdolla mitattuna oman muista erottuvan luokkansa. Tampereen ja Turun seutukunnat ovat luokan II ylivoimaiset vähittäiskaupan keskukset (kuva 4). Samaan luokkaan sijoittuu myös Oulun seutukunta ylittäen niukasti luokan II alarajan (1 000 milj. ). Se on kuitenkin selkeästi suurempi kuin seuraavaksi tulevat Jyväskylän ja Lahden seutukunnat, joiden kanssa samaan luokkaan III sijoittuvat lisäksi Porin, Kuopion ja Joensuun seutukunnat. Luokassa IV voimakkaimpien seutukuntien ryhmän muodostavat Kouvolan, Vaasan, Hämeenlinnan ja Kotka Haminan seutukunnat, seuraavassa ryhmässä tulevat Lappeenrannan, Mikkelin, Seinäjoen ja Lohjan seutukunnat jne. * Tilastokeskuksen toimialaluokka G 52 Vähittäiskauppa, p.l. moottoriajoneuvot.

13 13 Ålands skärgård Kaakkois-Pirkanmaa Joutsa Länsi-Saimaa Torniolaakso Ålands landsbygd Kyrönmaa Keuruu Siikalatva Loviisa Sisä-Savo Juva Kaustinen Oulunkaari Keski-Karjala Järviseutu Itä-Lappi Tunturi-Lappi Koillis-Savo Eteläiset seinänaapurit Pieksämäki Sydösterbottens kustregion Åboland-Turunmaa Jämsä Pohjois-Satakunta Äänekoski Pohjois-Lappi M ariehamns stad Lounais-Pirkanmaa Kehys-Kainuu Luoteis-Pirkanmaa Suupohja Härmänmaa Raahe Nivala-Haapajärvi Koillismaa Heinola Loimaa Pielisen Karjala Saarijärvi-Viitasaari Vakka-Suomi Etelä-Pirkanmaa Forssa Ylä-Pirkanmaa Varkaus Imatra Riihimäki Jakobstadsregionen Savonlinna Tammisaari Ylivieska Kuusiokunnat Ylä-Savo Kajaani Kokkola Rauma Porvoo Kemi-Tornio Rovaniemi Salo Lohja Seinäjoki M ikkeli Lappeenranta Kotka-Hamina Hämeenlinna Vaasa Kouvola Joensuu Kuopio Pori Lahti Jyväskylä Oulu Turku Tampere Milj. Kuva 4. Vähittäiskaupan liikevaihto (milj. ) seutukunnittain vuonna Kuvasta puuttuu Helsingin seutukunta, jonka liikevaihto on 6 583,4 milj.. Tilastokeskus.

14 Kuva 5. Vähittäiskaupan liikevaihto seutukunnittain vuonna

15 15 Palvelusektorin toimipaikat* Koko palvelusektorin toimipaikoista 29 % sijaitsi Helsingin seutukunnassa 2004, yhteensä toimipaikkaa. Neljän suurimman seutukunnan osuus palvelualan toimipaikoista oli 44,5 % koko maan toimipaikoista. Oulussa palvelusektorin toimipaikkoja on paljon vähemmän kuin Tampereen ja Turun seutukunnissa (kuva 6). Oulun, Lahden, Jyväskylän ja Porin seutukunnat muodostavat nyt omat ryhmänsä. Seuraava ryhmä muodostuu Kuopiosta, Joensuusta ja Vaasasta, Näitä seuraa Hämeenlinnan, Kouvolan, Kotka-Haminan, Lohjan ja Porvoon seutukuntien muodostama rypäs. 20 pienimässä seutukunnassa sijaitsi yhteensä 5,3 % kaikista palvelusektorin toimipaikoista. Palvelusektorin toimipaikkojen lukumäärät luokitellaan vähittäiskaupan liikevaihdon tavoin kuuteen luokkaan geometrisen jonon systematiikkaa noudattaen. Luokkarajat ovat: yli Niiden mukaan syntyy seuraava palvelusektorin toimipaikkojen luokitustulos vuodelta 2004: Luokka Rajat (lkm) N Yht. I Yli II III IV V VI Alle Luokitus tuottaa ylimpiin luokkiin samoja kuntaryhmiä kuin vähittäiskaupan vuosivaihdon mukaan saatiin. Helsingin seutu on ylitse muiden omassa luokassaan. Suurin ero verrattuna vähittäiskaupan liikevaihdon avulla tehtyyn luokitukseen on Kuusiokuntien sijoittuminen. Vähittäiskaupan liikevaihdon mukaan se sijoittui luokan V alkupäähän ja palvelusektorin toimipaikoilla mitattuna luokan kesivaiheille. Mitä kapea-alaisempi aluevoimakkuutta mittaavan indikaattorin toimialasisältö on, sitä todennäköisempää myös on, että tälle alalle erikoistuneet yksiköt ja alueet nousevat esiin. Erityisesti väestömäärältään pienissä seutukunnissa jonkin alueen erikoistuminen näkyy poikkeavana sijoittumisena yhdellä mittarilla. Kuusiokunnissa poikkeuksellisen nosteen selittäjänä vähittäiskaupan alalla on tunnetusti vetovoimainen Keskisen kyläkauppa, jonka vaikutusaluetta voidaan luonnehtia lähinnä valtakunnalliseksi. Alueellisena esityksenä palvelusektorin toimipaikkojen jakautumista kuvaava kartta (kuva 7) on hyvin samankaltainen kuin vastaava vähittäiskaupan liikevaihtoa esittävä kartta (kuva 5). Yhteneväistä vaikutelmaa edesauttaa osaltaan tietokonegrafiikka, joka on vakioinut suurimman volyymin eli Helsingin seutukunnan ympyrän pinta-alaltaan yhtä suureksi erisuurista lähtöarvoista huolimatta. Muiden seutukuntien ympyräpinta-alat on molemmissa esityksissä suhteutettu sädekaavan mukaisesti tähän Helsingin seutukunnan ympyräkokoon. * Tilastokeskuksen toimialaluokat G Q.

16 16 Ålands skärgård Joutsa Torniolaakso Kaakkois-Pirkanmaa Ålands landsbygd Keuruu Siikalatva Sisä-Savo Länsi-Saimaa Kaustinen Kyrönmaa Koillis-Savo Keski-Karjala Juva Pieksämäki Äänekoski Oulunkaari Itä-Lappi Järviseutu Eteläiset seinänaapurit Kehys-Kainuu M ariehamns stad Pohjois-Lappi Loviisa Koillismaa Sydösterbottens kustregion Tunturi-Lappi Jämsä Nivala-Haapajärvi Pohjois-Satakunta Raahe Åboland-Turunmaa Pielisen Karjala Heinola Lounais-Pirkanmaa Kuusiokunnat Suupohja Luoteis-Pirkanmaa Härmänmaa Varkaus Saarijärvi-Viitasaari Etelä-Pirkanmaa Forssa Ylivieska Vakka-Suomi Loimaa Ylä-Pirkanmaa Imatra Riihimäki Jakobstadsregionen Savonlinna Kajaani Ylä-Savo Tammisaari Kokkola Kemi-Tornio Rovaniemi Salo Seinäjoki Rauma Lappeenranta M ikkeli Porvoo Lohja Kotka-Hamina Kouvola Hämeenlinna Vaasa Joensuu Kuopio Pori Jyväskylä Lahti Oulu Tampere Turku Kuva 6. Palvelutoimipaikkojen lukumäärä seutukunnittain vuonna Kuvasta puuttuu Helsingin seutukunta, jossa oli toimipaikkaa Tilastokeskus.

17 Kuva 7. Palvelutoimipaikkojen lukumäärä seutukunnittain vuonna

18 18 Luokitustulosten yhteenveto käytetyillä indikaattoreilla Edellä käsiteltyjen kahden ulottuvuuden graafinen yhdistelmä saadaan, kun seutukunnat sijoitetaan näiden ulottuvuuksien mukaiseen korrelaatiodiagrammiin (kuva 8). Siitä nähdään, että kaksi pistettä erottuu muista. Ne ovat Tampereen ja Turun seutukunnat. Oulun seutukunta sijoittuu näiden kahden seutukunnan ja seuraavan ryhmän väliin lähemmäksi jälkimmäisiä ja molemmilla ulottuvuuksilla aivan luokkarajalle, kuitenkin ylemmän luokan puolelle. Seuraavan pisteparin muodostavat Jyväskylän ja Lahden seutukunnat. Porin seutukunta on välittävänä portaana Kuopion ja Joensuun pisteille, joiden jälkeen pistejoukko tihenee, kärjessä Vaasan, Kouvolan, Hämeenlinnan ja Kotka Haminan pisteet. Yksityiskohtainen yhteenveto aluevoimakkuuksien empiiristen aineistojen luokitustuloksista on esitetty taulukossa 1. Siinä seutukunnat on järjestetty luokitustuloksen mukaan. Luokkien sisällä järjestyksen määrää sijalukujen summa. Käytettyjen indikaattorien ja niiden yhdistelmän perusteella Vaasan seutukunta on eräänlainen rajatapaus luokkien kolme ja neljä välillä. Vastaavasti Savonlinna ja Tammisaari jäävät hieman neljännen luokan alle. Viidennen ja kuudennen luokkien väliin sijoittuu puolestaan seitsemän rajatapausta Palvelutoimipaikkoja Vähittäiskaupan liikevaihto 2004 (milj. ) Kuva 8. Seutukunnat vähittäiskaupan liikevaihdon ja palvelutoimipaikkojen lukumäärän muodostamassa diagrammissa Kuvasta puuttuu Helsingin seutukunta.

19 19 Taulukko 1. Aluevoimakkuuksien luokitustulokset seutukunnittain vuonna Järjestyslukujen yhdistelmä = (järjestysluku A + järjestysluku B)/2. Luokitusten yhdistelmä = (A + B)/2. Seutukunta Vähittäiskaupan liikevaihto 2004 A Palvelutoimipaikkoja 2004 B Järjestyslukujen yhdistelmä Luokitusten yhdistelmä Helsinki 1 1 1,0 1 Tampere 2 2 2,5 2 Turku 2 2 2,5 2 Oulu 2 2 4,0 2 Jyväskylä 3 3 5,5 3 Lahti 3 3 5,5 3 Pori 3 3 7,0 3 Kuopio 3 3 8,0 3 Joensuu 3 3 9,0 3 Vaasa ,5 3,5 Kouvola ,0 4 Hämeenlinna ,5 4 Kotka-Hamina ,0 4 Lappeenranta ,5 4 Mikkeli ,5 4 Lohja ,5 4 Seinäjoki ,5 4 Porvoo ,0 4 Salo ,0 4 Rauma ,0 4 Rovaniemi ,0 4 Kemi-Tornio ,0 4 Kokkola ,0 4 Kajaani ,0 4 Ylä-Savo ,0 4 Tammisaari ,0 4,5 Savonlinna ,0 4,5 Jakobstadsregionen ,0 5 Riihimäki ,0 5 Ylivieska ,5 5 Imatra ,0 5 Ylä-Pirkanmaa ,5 5 Kuusiokunnat ,0 5 Vakka-Suomi ,0 5 Forssa ,0 5 Varkaus ,5 5 Loimaa ,0 5 Etelä-Pirkanmaa ,0 5 Saarijärvi-Viitasaari ,5 5 Pielisen Karjala ,0 5 Härmänmaa ,0 5 Heinola ,5 5 Suupohja ,5 5 Luoteis-Pirkanmaa ,5 5 Raahe ,5 5

20 20 Seutukunta Vähittäiskaupan liikevaihto 2004 A Palvelutoimipaikkoja 2004 B Järjestyslukujen yhdistelmä Luokitusten yhdistelmä Nivala-Haapajärvi ,0 5 Lounais-Pirkanmaa ,0 5 Koillismaa ,5 5 Pohjois-Satakunta ,5 5,5 Åboland-Turunmaa ,5 5,5 Jämsä ,0 5,5 Kehys-Kainuu ,5 5,5 Sydösterbottens kustregion ,0 5,5 Tunturi-Lappi ,5 5,5 Loviisa ,0 5,5 Mariehamns stad ,0 6 Pohjois-Lappi ,0 6 Äänekoski ,0 6 Eteläiset seinänaapurit ,0 6 Pieksämäki ,0 6 Järviseutu ,5 6 Itä-Lappi ,5 6 Koillis-Savo ,5 6 Oulunkaari ,5 6 Keski-Karjala ,0 6 Juva ,0 6 Kaustinen ,5 6 Sisä-Savo ,5 6 Kyrönmaa ,0 6 Siikalatva ,0 6 Keuruu ,0 6 Länsi-Saimaa ,5 6 Ålands landsbygd ,5 6 Torniolaakso ,0 6 Kaakkois-Pirkanmaa ,0 6 Joutsa ,5 6 Ålands skärgård ,0 6

21 21 4. ALUEVOIMAKKUUKSIEN ESTIMOINTI Aluevoimakkuuksien tilastollinen estimointi toteutetaan esiselvityksen (Mikkonen & Wuori 2006) viitoittamalla tavalla regressioanalyysiä käyttäen. Lisäksi tutkimustehtävään sovelletaan potentiaalianalogiaa hyödyntämällä referenssitutkimuksissa (Palomäki & Mikkonen 1971, Mikkonen 1975) saatuja kokemuksia. Seuraavassa kuvataan lähemmin, miten aluevoimakkuudet ja niiden vaihtelua selittävät tekijät nivotaan selitysmalleiksi ja miten mallien avulla estimoidaan teoreettisesti optimaalisia aluevoimakkuuksien arvoja Regressiotekniikka Monen muuttujan regressiomallin perusmuoto ja muunnokset Regressioanalyysin kantava periaate on, että selitettävän muuttujan (y) vaihtelua selitetään yhdellä tai useammalla selittävällä tekijällä (x 1, x 2, x 3,..., x n ), joilla on looginen yhteys selitettävään tekijään. Regressiomallin perusmuoto on tällöin: (1) y = a 0 + a 1 x 1 + a 2 x 2 + a 3 x x n + e. Tavallinen pienimmän neliösumman estimointitekniikkaa käyttävä regressiomalli edellyttää, että selitettävä muuttuja on mitattu suhteellisella mutta vähintään intervalliasteikolla. Selittävät muuttujat voivat olla myös dikotomisia kyllä (1) ei (0) tyyppisiä. Mallilta edellytetään myös homoskedastisuutta, jolloin jäännösvarianssi (e) ei ole seurausta selittävän muuttujan (-jien) vaihtelusta. Lisäksi selitettävän ja selittävien muuttujien välisten riippuvuuksien tulisi olla lineaarisia. Kun selitettävänä muuttujana on aluevoimakkuuksien vaihtelu tässä vähittäiskaupan liikevaihto ja palvelusektorin toimipaikkojen määrä keskuspaikkateorioista ja aiempien tutkimusten tuloksista on pääteltävissä, että selittävinä tekijöinä tulee olla ainakin palveluja käyttävä väestöpohja (x 1 ) ja keskuksen etäisyys kilpaileviin keskuksiin (x 2 ). Tällaisen kahden selittävän muuttujan regressiomalli on perusmuodossaan: (2) y = b 0 + b 1 x 1 + b 2 x 2 + e, jossa b 0 on vakiotermi, b 1 ja b 2 ovat empiirisestä aineistosta estimoitavia osittaisregressiokertoimia. Edellä oleva kahden selittävän muuttujan regressiomalli (2) on keskusvoimakkuuksien vaihtelua kuvaava lineaarinen tasopinta kolmiulotteisessa akselistossa (y, x 1, x 2 ). Mallin parametrit (vakiotermi ja osittaisregressiokertoimet) estimoidaan empiirisestä aineistosta pienimmän neliösumman keinolla. Malli kuvaa perusmuodossaan kummankin selittävän muuttujan suoraviivaista yhteyttä selitettävään muuttujaan. Mikäli näin ei ole, selittävä(t) muuttuja(t) joudutaan muuntamaan suoraviivaisen yhteyden tavoittamiseksi selitettävän muuttujan kanssa. Etäisyystekijän muunnoksina on käytetty mm. logaritmointia, etäisyyden neliöjuurta ja etäisyyden korottamista johonkin potenssiin. Etäisyyden transformointitapa riippuu ennen kaikkea selitettävästä ilmiöstä. Mikäli selitettävän ja selittävän muuttujan yhteys graafisen tarkastelun perusteella osoittautuu käyräviivaiseksi (esim. paraabelimuoto),

22 22 kyseisen selittävän muuttujan astelukua voidaan korottaa ja soveltaa pienimmän neliösumman menetelmää käyräviivaisen pinnan parametrien estimointiin. Väkilukutekijä Oikeaoppinen menettely olisi laskea väestöpohja siltä alueelta, jolta keskus saa asiakkaansa eli sen laajimmalta vaikutusalueelta ja lisäksi painottaa vaikutuskentän eri etäisyysvyöhykkeillä asuvien määrää asiointifrekvenssifunktiosta laskettavilla kertoimilla (ks. Mikkonen 1975: 27 29). Myös väestön tulotasolla voisi olettaa olevan suoraan verrannollinen vaikutuksensa keskusvoimakkuuteen, joskin empiiriset näytöt tästä yhteydestä ovat jääneet tärkeämpien tekijöiden kuten väkilukutekijän varjoon (esim. Palomäki & Mikkonen 1971). Tässä selvityksessä edellä kuvatusta väestöpohjan oikeaoppisesti laskutavasta joudutaan tinkimään. Perusteena on, että ei ole käytettävissä tutkimuksen tarpeisiin sopivia koko maan kattavia keskusten vaikutusaluerajauksia. Suomen Gallup on tällaisen laajan asiointitutkimuksen tehnyt, mutta sen kaupallisiin tarpeisiin tehdyt ja hinnoitellut ja osin kuntauudistustakin sivuavat rajaustulokset, esim. 123 asiointikuntaa (ks. Vainio 2006: A 4), eivät sopeudu tämän tutkimuksen aluevoimakkuuksien laskentapohjaksi. Tässä työssä tarkasteltavina eivät ole keskukset vaan kuntaryhmät, joiden mukaan selitettävinä olevat alueelliset voimakkuusluvut on summattu. On siis luontevaa laskea väestöpohjat samoilta alueyksiköiltä kuin alueelliset voimakkuusluvutkin eli seutukunnittain. Nämä tiedot ovat saatavissa Tilastokeskuksen tilastoista niin nykytilanteesta (2005) kuin ennusteajankohdastakin (2040) ja tulivat jo esitellyiksi luvussa 2. Etäisyystekijä Keskuksen etäisyys kilpaileviin keskuksiin pelkistyy esimerkkitutkimusten (Palomäki & Mikkonen 1971; Mikkonen 1975) antaman viitteen mukaisesti etäisyydeksi lähimpään samalla tasolla toimivaan keskukseen. Etukäteishypoteesina on sen suoraan verrannollinen yhteys keskusvoimakkuuteen: mitä kauempana lähin kilpaileva keskus on, sitä paremmat mahdollisuudet keskuksella on kasvattaa omaa palveluvarustustaan. Etäisyystekijäksi on tarjolla useita vaihtoehtoisia mittaustapoja: linnuntie-etäisyys, maantieetäisyys, matka-aika tai matkakustannukset. Valinta riippuu tutkimusasetelmasta, käytännöllisyydestä ja työmäärästä suhteessa potentiaaliseen lisäarvoon tulosten tarkkuusasteessa. Esimerkiksi Vaasan yliopiston aluetieteen asiointitutkimuksissa 1971, 1980, 1991 ja 2000 vastaajia pyydettiin aina ilmoittamaan etäisyydet asiointien kohteina olleisiin keskuksiin maantie-etäisyytenä tavallisesti käytettyä reittiä pitkin. Joissain tutkimuksissa maantieetäisyyksien likiarvoja on tavoiteltu teknisellä ratkaisulla kertomalla linnuntie-etäisyys esim. kertoimella 1,2. Todellisuudessa kerroin vaihtelee alueellisesti mm. vesistöistä, topografisista seikoista ja tieverkon yhdistävyydestä johtuen. Tässä tutkimuksessa käytetään linnuntie-etäisyyttä. Keskeisenä perusteena ovat tutkimusekonomiset ja käytännölliset syyt: laajakin etäisyysmatriisi (esim. potentiaalianalyysiä varten) saadaan määritetyksi linnuntie-etäisyyksinä tietokonepohjaisesti keskusten koordinaatteja ja Pythagoraan lausetta hyväksi käyttäen. Lisäksi tällaista laskentamenettelyä on käytetty lukuisissa referenssitutkimuksissa, ja kokemukset ovat olleet pelkästään myönteiset.

23 23 Esillä olevassa sovellusesimerkissä etäisyyden mittaaminen mittaamistavasta riippumatta pitää sisällään joitakin ongelmakohtia. Ensiksi pitää määritellä, mikä ylipäätään on seutukunnan keskus. Yhden suuren keskuksen ympärille keskittyneissä seutukunnissa valinta on ongelmaton. Joissakin seutukunnissa on kuitenkin monta saman suuruusluokan kuntaa tai keskusta. Tällöin operaatiosääntönä on, että seutukunnan suurin keskus on samalla seutukunnan pääkeskus. Valinta saattaa tehdä vääryyttä tilanteessa, jossa kaupallinen keskus ei sijaitse suurimmassa väestökeskittymässä. Nämä ovat kuitenkin harvinaisia poikkeustapauksia. Myös lähimmän samalla tasolla toimivan kilpailevan keskuksen nimeäminen voi tuottaa ongelmia. Tässä viitteenä käytetään seutukaavaliittojen viimeisiä luokitustuloksia 1980-luvulta (Suomen aluerakenteen näköaloja 1986). Taulukko 2. Alueindikaattorien, väkiluvun ja etäisyystekijöiden, väliset korrelaatiot. Vähittäiskaupan liikevaihto Palvelusektorin toimipaikat Asukkaita 2005 Etäisyys kilpailevaan seutukuntaan Etäisyyden neliöjuuri Tutkimuksen seutukunta-aineistossa seutukunnan asukasluku korreloi erittäin merkitsevästi niin vähittäiskaupan liikevaihdon kuin palvelusektorin toimipaikkojenkin kanssa (taulukko 2). Etäisyystekijän korrelaatiot käytettävien aluevoimakkuusmuuttujien kanssa ovat selvästi pienemmät kuin asukasluvun vastaavat korrelaatiot, mutta etäisyystekijänkin korrelaatiot ovat tilastollisesti erittäin merkitsevät. Korkein korrelaatio linnuntie-etäisyydellä on vähittäiskaupan vuosivaihdon kanssa, 0,66. Erittäin merkitseviä ovat myös etäisyyden neliöjuuritransformaation korrelaatiot aluevoimakkuuksien kanssa, vaikka ovatkin systemaattisesti pienemmät kuin transformoimattoman etäisyystekijän vastaavat korrelaatiot. Näiden tulosten perusteella on myös neliöjuurietäisyysmuuttujaa aiheellista kokeilla alkuperäisen etäisyysmuuttujan vaihtoehtona selityskyvyltään maksimaalisen mallivaihtoehdon löytämiseksi. Vähittäiskaupan liikevaihto Palvelusektorin toimipaikat Asukkaita 2005 Etäisyys kilpailevaan seutukuntaan Etäisyyden, neliöjuuri Pearson 1,998(**),999(**),663(**),576(**) Correlation Sig. (2-,000,000,000,000 tailed) N Pearson,998(**) 1,996(**),631(**),542(**) Correlation Sig. (2-,000,000,000,000 tailed) N Pearson,999(**),996(**) 1,661(**),575(**) Correlation Sig. (2-,000,000,000,000 tailed) N Pearson,663(**),631(**),661(**) 1,975(**) Correlation Sig. (2-,000,000,000,000 tailed) N Pearson,576(**),542(**),575(**),975(**) 1 Correlation Sig. (2-,000,000,000,000 tailed) N ** Correlation is significant at the 0.01 level (2-tailed).

24 24 Regressiomallit, seutukunta-aineisto Vähittäiskaupan liikevaihto Pelkkä väestömäärä riittää selittämään 99,8 % vähittäiskaupan liikevaihdosta vuonna 2004 (taulukko 3). Korrelogrammi, jossa x-akselina on seutukunnan asukasluku ja y-akselina liikevaihto, paljastaa kuitenkin, että liikevaihdon ja asukasluvun välinen riippuvuus ei ole lineaarinen vaan säännöllisen kaareva. Asukasluvun korottaminen toiseen potenssiin (paraabelifunktioksi) ottaa huomioon tämän käyräviivaisen riippuvuuden. Sen avulla saadaan poistetuksi systemaattisuus residuaalien eli todellisten arvojen ja mallin tuottamien arvojen vaihtelussa ja muutoinkin pienennetyksi niiden eroja. Ilman käyräviivaista väkilukuselittäjää esimerkiksi Helsingin seutukunta, jonka vähittäiskaupan liikevaihto oli 6 583,4 milj. euroa vuonna 2004, saisi mallin mukaan 76,3 milj. euroa pienemmän arvon. Väkilukutekijän korottaminen toiseen potenssiin korottaa vielä hieman selitysastetta, 99,9 %:iin, ja samalla mallin Helsingin seutukunnalle tuottama vähittäiskaupan liikevaihto on lähes sama kuin todellinen (vain 0,3 milj. euroa suurempi). Askeltava regressioanalyysi tuottaa vähittäiskaupan liikevaihdon parhaaksi selittäjäksi monimuuttujamallin, jossa väestömuuttuja esiintyy toiseen potenssiin korotettuna ja kolmantena tekijänä on neliöjuuri etäisyydestä lähimpään samalla hierarkiatasolla toimivaan seutukuntaan (taulukko 3). Etäisyysmuuttujan lisääminen malliin antaa Helsingin seudulle 0,8 milj. euroa todellista suuremman arvon, mutta keskimäärin malli edustaa seutukuntien empiirisiä arvoja paremmin kuin malli ilman etäisyystekijää. Vähittäiskaupan liikevaihtoa selittävä regressiomalli on muodoltaan: (3) Y = 51, ,00464* X 1 + 5,22 *10-10 * 2 X 1 + 5,871* X 2, jossa X 1 = seutukunnan asukasluku ja X 2 = seutukunnan etäisyys lähimpään vähintään samalla hierarkiatasolla toimivaan seutukuntaan. Mallin selitysaste on poikkeuksellisen korkea 99,9 %. Selittävien muuttujien kaikki osittaisregressiokertoimet ovat tilastollisesti erittäin merkitseviä. Tämä koskee myös etäisyystekijää, vaikka selitysaste ei sen ansiosta pääse enää nousemaan. Mallin kykyä tuottaa todenmukaisia vähittäiskaupan liikevaihdon arvoja eri seutukunnille tarkastellaan residuaalien avulla (= empiirinen arvo mallin antama arvo), kuten edellä on jo tehtykin. Residuaalin laskentatapa tuottaa negatiivisen arvon seutukunnille, joille malli sijoittaa todellista enemmän vähittäiskaupan liikevaihtoa, ja positiivisen residuaalin, mikäli empiirinen arvo on suurempi kuin mallin antama. Residuaaleja voidaan hyödyntää myös optimaalisten aluevoimakkuuksien tavoittelussa. Mikäli regressioanalyysissä on onnistuttu luomaan malli, jonka selityskyky on korkea ja residuaalien jakauma noudattaa lähinnä satunnaista jakaumaa ilman esim. väkilukuun liittyvää systematiikkaa, mallin antamia arvoja voidaan pitää seutukuntien edellytyksiä vastaavina teoreettisesti oikeina eli optimaalisina aluevoimakkuuksina (vrt. Palomäki & Mikkonen 1971). Tässä tutkimuksessa regressiomallin selityskyky ja residuaalien minimoituminen oikeuttavat hyödyntämään mallia (3) myös optimaalisuustarkastelussa.

25 25 Taulukko 3. Vähittäiskaupan liikevaihtoa selittävät regressiomallit, seutukunta-aineisto. Model Summary Adjusted R Std. Error of Model R R Square Square the Estimate 1,999(a),998,998 35,9884 2,999(b),999,999 27,8973 3,999(c),999,999 25,2608 a Predictors: (Constant), Asukkaita 2005 b Predictors: (Constant), Asukkaita 2005, Asuk2005^2 c Predictors: (Constant), Asukkaita 2005, Asuk2005^2, Etäisyys kilpailevaan seutukuntaan, neliöjuuri Coefficients(a) Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig (Constant) -37,497 4,529-8,279,000 Asukkaita 2005,00529,000, ,810,000 (Constant) -15,796 4,647-3,399,001 Asukkaita 2005,00481,000,909 68,212,000 Asuk2005^2 4,22E-010,000,095 7,128,000 (Constant) -51,365 9,541-5,383,000 Asukkaita 2005,00464,000,875 60,454,000 Asuk2005^2 5,22E-010,000,117 8,882,000 Etäisyys kilpailevaan seutukuntaan, neliöjuuri 5,871 1,413,021 4,154,000 a Dependent Variable: Vähittäiskaupan liikevaihto Kuten aiemmin jo todettiin, asukasluvun korottaminen toiseen potenssiin tuottaa Helsingin seutukunnalle lähes todellista vastaavan arvon. Residuaalit näyttävät, että suurista seutukunnista Oulu, Lahti, Joensuu ja Porvoo saavat enemmän vähittäiskaupan liikevaihtoa kuin niissä oli vuonna 2004 (kuva 9). Todellista tilannetta vähemmän liikevaihtoa malli estimoi puolestaan Lappeenrannan, Seinäjoen ja Kuusiokuntien seutukuntiin. Näiden seutukuntien hallinnollisten rajojen mukaan lasketut väestöpohjat ovat pienemmät kuin niiden vähittäiskaupan todelliset asiakaspohjat. Lappeenrannan osalta selityksenä on rajakaupan tuoma lisävolyymi, Seinäjoella maakunnan laajuinen asiakaspohja ja kuusiokunnissa Keskisen kyläkaupan poikkeuksellisen suuri, lähes valtakunnallinen vetovoima. Malliteknisesti mahdollisen mutta käytännössä mahdottoman negatiivisen liikevaihdon malli tuottaa pienelle Ålands Skärgårdetille. Tällaiset tulokset ovat ns. suuresta linjasta poikkeavia kuriositeetteja eivätkä himmennä mallin toimivuutta aluevoimakkuuksia estimoitaessa. Tulokset tarkentunevat ainakin osittain myöhemmin tehtävässä kuntakohtaisessa analyysissä. Residuaalien esiintymisessä on tunnistettavissa jonkinasteista alueellista systematiikkaa. Mallin antamaa tulosta enemmän liikevaihtoa on esim. Ahvenanmaalla (laivaliikenteen tuoma lisä), Lounais-Suomen rannikkoseudulla, Pohjanmaan maakuntien muutamissa seutukunnissa ja em. Lappeenrannan seutukunnassa. Itä- ja Pohjois-Suomessa tulisi väestöpohjan perusteella olla enemmän vähittäiskaupan liikevaihtoa kuin mitä siellä nykyään on.

26 26 Ålands skärgård Joutsa Kaakkois-Pirkanmaa Ålands landsbygd Torniolaakso Keuruu Sisä-Savo Siikalatva Kyrönmaa Tunturi-Lappi M ariehamns stad Loviisa Kaustinen Sydösterbottens kustregion Länsi-Saimaa Juva Pohjois-Lappi Pieksämäki Koillis-Savo Järviseutu Åboland-Turunmaa Eteläiset seinänaapurit Keski-Karjala Äänekoski Itä-Lappi Pohjois-Satakunta Jämsä Koillismaa Suupohja Lounais-Pirkanmaa Heinola Härmänmaa Luoteis-Pirkanmaa Kuusiokunnat Oulunkaari Nivala-Haapajärvi Kehys-Kainuu Vakka-Suomi Saarijärvi-Viitasaari Pielisen Karjala Forssa Varkaus Loimaa Raahe Ylä-Pirkanmaa Ylivieska Etelä-Pirkanmaa Riihimäki Tammisaari Jakobstadsregionen Savonlinna Imatra Kokkola Ylä-Savo Seinäjoki Salo Kemi-Tornio Kajaani Rovaniemi Rauma Lappeenranta Porvoo M ikkeli Lohja Kotka-Hamina Vaasa Hämeenlinna Kouvola Joensuu Kuopio Pori Jyväskylä Lahti Oulu Turku Tampere Milj Milj. Kuva 9. Vähittäiskaupan liikevaihto (milj. ) seutukunnittain 2005 regressiomallin (3) mukaan (vas.) ja residuaalit vuoden 2004 empiirisiin arvoihin verrattuna (oik.). Kuvasta puuttuu Helsinki, jossa liikevaihto oli 6 583,41 milj., mallin laskema arvo 6584,22 milj. ja residuaali 0,81 milj..

27 27 Seuraavassa asetelmassa on esitetty regressiomallilla (3) saatujen vähittäiskaupan liikevaihtolukujen luokitustulos, vertailupohjana vastaava luokitustulos todellisilla liikevaihtoluvuilla vuodelta Luokitukset ovat identtiset luokkien I IV osalta. Pienimpien seutukuntien osalta liikevaihtoprofiili on jo hyvin loivasti laskeva jatkumo, joten muutaman seutukunnan siirtymät luokkien V ja VI välillä ovat odotettuja. Yhdenmukaisuus teoreettisten ja empiiristen luokitustulosten välillä antaa myönteisen signaalin regressiomallin käyttökelpoisuudesta seutukuntien luokittelun apuvälineenä. Nykytilanne Malli Empiria Luokka Rajat (milj. ) N Yht. N Yht. I Yli II III IV V VI Alle Esiselvityksessä parhaaksi regressiomalliksi osoittautui malli, jossa etäisyyttä ei mitenkään muokattu. Vastaava malli tämän tutkimuksen aineistolla (taulukko 4) on jotakuinkin yhtä hyvä vähittäiskaupan liikevaihdon selittäjä kuin askeltavan regressioanalyysin tuottama malli (3). Eroina nyt valittuun malliin ovat lähinnä hieman suuremmiksi jäävät residuaalit. Taulukko 4. Vähittäiskaupan liikevaihtoa selittävä regressiomalli, jossa linnuntie-etäisyyttä käytetään sellaisenaan. Model Summary Adjusted R Std. Error of Model R R Square Square the Estimate 1,999(a),999,999 25,5702 a Predictors: (Constant), Etäisyys kilpailevaan seutukuntaan, Asuk2005^2, Asukkaita 2005 Coefficients(a) Unstandardized Coefficients Standardized Coefficients Model B Std. Error Beta t Sig. 1 (Constant) -26,858 5,124-5,242,000 Asukkaita 2005,00464,000,877 59,690,000 Asuk2005^2 5,06E-010,000,114 8,660,000 Etäisyys kilpailevaan seutukuntaan,308,079,021 3,884,000 a Dependent Variable: Vähittäiskaupan liikevaihto

28 28 Palvelutoimipaikat Selitettäessä palvelutoimipaikkojen lukumäärää askeltavan regressioanalyysin avulla ensimmäisenä tekijänä malliin tulee asukasluku ja mallin selitysasteeksi saadaan 99,3 % (taulukko 5). Korotettaessa väkilukutekijän asteluku toiseen potenssiin mallin selityskyky nousee 99,9 %:iin. Kolmantena tekijänä malliin tulee pelkistetty etäisyystekijä, mutta mallin selityskyky ei enää parane. Samoin kävi vähittäiskaupan liikevaihtoa selitettäessä. Palvelutoimipaikkojen lukumäärää selittävä malli on muotoa: (4) Y = 25, ,034* X 1 + 8,96* * X 1 1,446* X 2, jossa X 1 = seutukunnan asukasluku ja X 2 = seutukunnan etäisyys lähimpään vähintään samalla hierarkiatasolla toimivaan seutukuntaan. Mallin regressiokertoimia tulkittaessa havaitaan etäisyysmuuttujan etumerkin olevan epäloogisesti negatiivinen, vaikka etäisyys kilpailevaan keskukseen korreloi positiivisesti palvelutoimipaikkojen määrän kanssa (ks. taulukko 2). Epäloogisuus selittyy osin multikollineriaalisuudella, eli selittävät muuttujat korreloivat voimakkaasti keskenään (asukasluvun ja etäisyyden välinen korrelaatio = 0,66). Toisaalta kahden ensimmäiseksi valikoituvan selittävän tekijän, asukasluvun ja asukaskuvun neliön, jälkeen etäisyydelle ei juuri jää selitettävää. Muuttujakombinaatiossa tämä asetelma voi jo sinällään johtaa epäloogiseen etumerkkiin vähiten merkitsevän tekijän osittaisregressiokertoimessa. Kun mallia käytetään optimoimiseen ja ennustamiseen, multikollineaarisuudesta ei ole haittaa (Gujarati 1988). Olennaista on mallin monipuolisuus ja mahdollisimman korkea selitysaste. Selittävien muuttujien yhteisvaihtelu tuottaa lopullisen mallin, mutta tällöin ei voida eritellä selittävien muuttujien vaikutuksia toisistaan (Sänkiaho 1974). Regressiomallin muodostamisessa joudutaan usein tasapainottelemaan monen eri tekijän kanssa. Malli tulisi muodostaa käyttäen mahdollisimman harvoja selittäviä muuttujia, mutta niiden avulla tulisi päästä kuitenkin mahdollisimman korkeaan selitysasteeseen. Lisäksi muuttujien tulee olla sellaisia, että muutos selittävässä muuttujassa aiheuttaa muutoksen selitettävässä muuttujassa. Vuorovaikutuksen tulee olla aito eikä riippuvuus saa olla seurausta jostakin kolmannesta tekijästä. Seutukuntia koskeva tarkastelu näyttää tuottavan tuloksen, että etäisyystekijällä on enemmän merkitystä selitettäessä vähittäiskaupan liikevaihtoa kuin selitettäessä palvelutoimipaikkojen määrää. Käytettyjen asukaslukumuuttujien kanssa etäisyys ei ole tilastollisesti kovin hyvä lisäselittäjä, vaikka korrelaatio selitettävien muuttujien kanssa sinällään onkin tilastollisesti erittäin merkitsevä. Etäisyystekijän näennäiseesti vaatimatonta roolia regressiomalleissa on edellä jo tulkittu. Etäisyysmuuttujan mukaan ottamista voidaan perustella kuitenkin spatiaalisen ulottuvuuden välttämättömyydellä toiminnallisessa aluerakenneanalyysissä.