Linnuntietä ei aja kukaan

Kartalla mitattu etäisyys on väärä luku

Kun latausverkon kattavuudesta puhutaan, etäisyydet mitataan yleensä suorana viivana. Niin tehdään myös EU:n AFIR-asetuksessa, joka edellyttää tietyn tehon latauspisteitä tietyin välein TEN-T-verkolla.

Suora viiva on helppo laskea ja usein riittävä. Suomessa se on kuitenkin säännönmukaisesti liian optimistinen, ja syy on maantieteessä. Maa on täynnä järviä, joiden ympäri on ajettava. Rannikko on rikkonainen. Pohjoisessa tiet kulkevat jokilaaksoja pitkin, eivät niiden poikki.

Kahden pisteen välinen ajomatka voi siis olla puolitoista- tai kaksinkertainen suoraan viivaan verrattuna. Ja kun kysymys on siitä, riittääkö sähköauton akku seuraavalle laturille, ero ei ole akateeminen.

Tässä osassa rakennan Suomen tieverkosta graafin ja lasken todelliset ajoajat. Lopputulos on kartta siitä, kuinka kaukana lähin suurtehulaturi on — ja vastaus kysymykseen, kuinka moni sähköauto on tuon matkan päässä.

Tieverkko graafina

Verkostoanalyysin peruskäsitteet ovat yksinkertaisia, ja ne kannattaa avata, koska koko sarjan loppuosa nojaa niihin.

Graafi on joukko pisteitä ja niitä yhdistäviä viivoja. Pisteitä kutsutaan solmuiksi ja viivoja kaariksi. Tieverkossa solmut ovat risteyksiä ja kaaret tieosuuksia niiden välillä.

Kaarella on paino. Se kertoo, kuinka “kallista” kyseisen tieosuuden kulkeminen on. Paino voi olla matka metreinä tai aika sekunteina. Käytän aikaa, koska autoilijaa kiinnostaa se — sadan kilometrin matka moottoritietä on eri asia kuin sadan kilometrin matka mutkaista seututietä.

Lyhin polku on se reittien yhdistelmä, jolla painojen summa on pienin. Tämä on sama laskenta, jota navigaattori tekee.

Aineistona käytän OpenStreetMapia, joka on avoin ja yhteisön ylläpitämä karttatietokanta. Se on Suomen tieverkon osalta kattava, koska Väylävirasto ja kunnat ovat tuoneet siihen aineistojaan.

verkko_path <- file.path(data_dir, "tieverkko.qs")

if (!file.exists(verkko_path)) {
  # Rajaus pääteihin on tietoinen. Pikalaturille ajetaan valta- ja
  # kantateitä, ja koko tieverkko (myös metsäautotiet) kasvattaisi
  # aineiston kymmenkertaiseksi tuomatta tarkkuutta.
  tiet <- oe_get(
    "Finland",
    layer = "lines",
    extra_tags = c("maxspeed", "oneway", "lanes"),
    query = "SELECT osm_id, highway, maxspeed, oneway, lanes, name, geometry
             FROM lines
             WHERE highway IN ('motorway','trunk','primary','secondary',
                               'motorway_link','trunk_link','primary_link')",
    quiet = TRUE
  )

  stopifnot(
    "Tieaineisto on tyhjä" = nrow(tiet) > 0,
    "Geometria puuttuu" = !all(st_is_empty(tiet)),
    "Väärä koordinaattijärjestelmä" = st_crs(tiet)$epsg == 4326
  )

  v <- weight_streetnet(tiet, wt_profile = "motorcar", id_col = "osm_id")
  qs2::qs_save(v, verkko_path)
} else {
  v <- qs2::qs_read(verkko_path)
}

# Verkko hajoaa osiin siellä, missä yhteys katkeaa. Suurin osa
# (komponentti 1) on Manner-Suomen yhtenäinen tieverkko.
osuus_paakomponentissa <- mean(v$component == 1)

stopifnot(
  "Pääkomponentti kattaa alle 95 % verkosta" = osuus_paakomponentissa > 0.95,
  "Aikapainoja ei löytynyt verkosta" = "time" %in% names(v)
)

verkko <- v[v$component == 1, ]
n_kaaria <- nrow(verkko)

Verkossa on 965 752 kaarta, ja 100.0% alkuperäisen aineiston kaarista kuuluu siihen.

WarningKolme rajausta, jotka on sanottava ääneen

Ahvenanmaa ei ole mukana. Verkon toiseksi suurin irrallinen osa osoittautui Ahvenanmaaksi, joka on lauttayhteyksien takana eikä siis liity mantereen tieverkkoon. Lauttayhteyksiä ei ole mallinnettu.

Vain pääteitä. Aineistossa ovat moottoritiet, valtatiet, kantatiet ja seututiet liittymärampipeineen. Pienemmät tiet on jätetty pois. Tämä on perusteltua pitkien matkojen tarkastelussa mutta tarkoittaa, että aivan matkan alku- ja loppupää on karkeampi kuin todellisuudessa.

Ajoajat ovat systemaattisesti optimistisia. Aika lasketaan nopeusrajoituksista, eikä laskenta tunne liikennevaloja, risteysviiveitä, taajamien hidastuksia tai ruuhkia. Käytännössä esitetyt ajat ovat noin kymmenesosan lyhyempiä kuin navigaattorin arvio samalle välille.

Vertailujen kannalta tämä ei ole ongelma: virhe on samansuuntainen kaikilla reiteillä, joten alueiden ja asemien keskinäinen järjestys säilyy. Yksittäistä lukua ei kuitenkaan pidä lukea todellisena matka-aikana.

Yksisuuntaisuustieto on osin puutteellinen. OpenStreetMapissa yksisuuntaisuus voidaan merkitä useilla eri tavoilla, eikä käyttämäni työkalu tunnista niitä kaikkia. Vaikutus pitkiin matkoihin on vähäinen, mutta kaupunkien sisällä reitti voi paikoin kulkea väärään suuntaan.

Ajoaika lähimmälle suurtehulaturille

Nyt voidaan laskea se, mikä kiinnostaa: kuinka kaukana lähin riittävän tehokas laturi on.

Rajaan tarkastelun suurtehulatureihin, joiden teho on vähintään 150 kilowattia. Rajaus on tarkoituksellinen. Hitaalla laturilla lataaminen kestää tunteja, mikä on matkan varrella epäkäytännöllistä. Suurteholaturilla tyypillinen latauspysähdys on parikymmentä minuuttia.

hpc_asemat <- liitokset |>
  filter(teho_kw >= 150) |>
  distinct(avain) |>
  left_join(asemat, by = "avain") |>
  filter(!is.na(lat), !is.na(lon))

stopifnot(
  "Suurtehulatureita ei löytynyt" = nrow(hpc_asemat) > 20,
  "Koordinaatit Suomen ulkopuolella" =
    all(between(hpc_asemat$lat, 59.4, 70.2) &
        between(hpc_asemat$lon, 18.9, 31.7))
)

n_hpc <- nrow(hpc_asemat)

Suurtehulatureita on 825 sijainnissa.

Kunnan keskipiste ei ole siellä missä ihmiset ovat

Lähtöpisteen valinta on tässä ratkaisevampi kuin miltä kuulostaa.

Ilmeisin vaihtoehto olisi kunnan geometrinen keskipiste. Se on kuitenkin systemaattisesti väärä, ja syy on kuntaliitoksissa. Joensuu on nykyisin niin laaja, että sen geometrinen keskipiste osuu noin 35 kilometriä keskustasta itään — vaikka kaupungissa on yhdeksän suurtehulatauspaikkaa. Geometriseen keskipisteeseen nojaava analyysi luokittelisi Joensuun katvealueeksi ja suosittelisi sinne laturia, joita siellä jo on.

Sama virhe toistuu jokaisessa laajassa kunnassa. Se ei tasoitu keskiarvoissa, koska se osuu aina samaan suuntaan: harvaan asutut kunnat näyttävät todellista huonommilta.

Käytän siksi lähtöpisteenä kunnan väestöpainotettua keskipistettä, joka lasketaan taajamien sijainneista ja niiden asukasluvuista. Taajamatiedot tulevat samasta OpenStreetMap-aineistosta, joka on jo ladattuna.

taajama_path <- file.path(data_dir, "taajamapisteet.qs")

if (!file.exists(taajama_path)) {
  taajamat <- oe_get(
    "Finland",
    layer = "points",
    extra_tags = c("population", "place"),
    query = "SELECT osm_id, name, place, population, geometry FROM points
             WHERE place IN ('city','town','village')",
    quiet = TRUE
  )

  stopifnot(
    "Taajamapisteitä ei löytynyt" = nrow(taajamat) > 100,
    "Geometria puuttuu" = !all(st_is_empty(taajamat))
  )

  qs2::qs_save(taajamat, taajama_path)
} else {
  taajamat <- qs2::qs_read(taajama_path)
}

# Väkiluku on vapaa tekstikenttä ja usein tyhjä. Puuttuvalle annetaan
# taajamatyypin mukainen oletusarvo, joka on karkea mutta parempi kuin
# pisteen pudottaminen kokonaan pois.
taajamat <- taajamat |>
  mutate(
    vakiluku = suppressWarnings(as.numeric(population)),
    vakiluku = case_when(
      !is.na(vakiluku) & vakiluku > 0 ~ vakiluku,
      place == "city" ~ 30000,
      place == "town" ~ 6000,
      TRUE ~ 800
    )
  ) |>
  st_transform(3067)

osuus_vakiluvulla <- mean(!is.na(suppressWarnings(as.numeric(taajamat$population))))

# Väestöpainotettu keskipiste kunnittain
kuntapisteet_sf <- st_join(taajamat, st_transform(kunnat_sf, 3067),
                           join = st_within) |>
  filter(!is.na(kunta_geo)) |>
  mutate(x = st_coordinates(geometry)[, 1],
         y = st_coordinates(geometry)[, 2]) |>
  st_drop_geometry() |>
  group_by(kunta_geo) |>
  summarise(
    x = weighted.mean(x, vakiluku),
    y = weighted.mean(y, vakiluku),
    taajamia = n(),
    .groups = "drop"
  ) |>
  st_as_sf(coords = c("x", "y"), crs = 3067)

# Kunnat, joissa ei ole yhtään taajamapistettä, saavat geometrisen
# keskipisteen. Näitä pitää olla vähän, muuten korjaus ei tee mitään.
puuttuvat_kunnat <- setdiff(kunnat_sf$kunta_geo, kuntapisteet_sf$kunta_geo)

if (length(puuttuvat_kunnat) > 0) {
  varapisteet <- kunnat_sf |>
    filter(kunta_geo %in% puuttuvat_kunnat) |>
    st_transform(3067) |>
    st_point_on_surface() |>
    transmute(kunta_geo, taajamia = 0L)
  kuntapisteet_sf <- bind_rows(kuntapisteet_sf, varapisteet)
}

stopifnot(
  "Yli 10 % kunnista jäi ilman taajamapistettä" =
    length(puuttuvat_kunnat) / nrow(kunnat_sf) < 0.10,
  "Kuntapisteitä ei ole yhtä monta kuin kuntia" =
    nrow(kuntapisteet_sf) == nrow(kunnat_sf)
)

Taajamapisteistä 11%:lla on asukasluku merkittynä. Lopuille annetaan taajamatyypin mukainen karkea oletusarvo. Se on epätarkka, mutta virhe on pieni verrattuna siihen, että kaupunki ja kylä painaisivat yhtä paljon.

ajoajat_path <- file.path(data_dir, "ajoajat_hpc.qs")

if (!file.exists(ajoajat_path)) {
  kuntapisteet <- kuntapisteet_sf |>
    st_transform(4326) |>
    mutate(x = st_coordinates(geometry)[, 1],
           y = st_coordinates(geometry)[, 2]) |>
    st_drop_geometry() |>
    rename(kunta = kunta_geo)

  from <- as.matrix(select(kuntapisteet, x, y))
  to <- as.matrix(select(hpc_asemat, x = lon, y = lat))

  # dodgr_times palauttaa ajoajat sekunteina, dodgr_dists metreinä.
  ajat <- dodgr_times(graph = verkko, from = from, to = to)
  matkat <- dodgr_dists(graph = verkko, from = from, to = to)

  stopifnot(
    "Aikamatriisin koko ei täsmää" =
      nrow(ajat) == nrow(kuntapisteet) && ncol(ajat) == nrow(hpc_asemat)
  )

  saavutettavuus <- tibble(
    kunta = kuntapisteet$kunta,
    aika_min = apply(ajat, 1, \(r) min(r, na.rm = TRUE)) / 60,
    matka_km = apply(matkat, 1, \(r) min(r, na.rm = TRUE)) / 1000
  )

  qs2::qd_save(saavutettavuus, ajoajat_path)
} else {
  saavutettavuus <- qs2::qd_read(ajoajat_path)
}

# Ääretön arvo tarkoittaa, ettei reittiä löytynyt. Se on eri asia kuin
# pitkä matka, ja se on käsiteltävä erikseen eikä jätettävä lukuun.
n_saavuttamaton <- sum(!is.finite(saavutettavuus$aika_min))

stopifnot(
  "Yli 5 % kunnista jäi saavuttamattomiin" =
    n_saavuttamaton / nrow(saavutettavuus) < 0.05
)

saavutettavuus <- saavutettavuus |> filter(is.finite(aika_min))

# Järkevyystarkistus: kunnassa, jossa on suurteholaturi, ajoajan pitäisi
# olla lyhyt. Jos ei ole, lähtöpiste on väärässä paikassa.
hpc_kunnat <- hpc_asemat |>
  st_as_sf(coords = c("lon", "lat"), crs = 4326) |>
  st_transform(3067) |>
  st_join(st_transform(kunnat_sf, 3067), join = st_within) |>
  st_drop_geometry() |>
  distinct(kunta_geo) |>
  pull(kunta_geo)

tarkistus_hpc <- saavutettavuus |>
  filter(kunta %in% hpc_kunnat) |>
  summarise(mediaani = median(aika_min), yli_20min = mean(aika_min > 20))

stopifnot(
  "Latausaseman sisältävissä kunnissa ajoaika on epäuskottavan pitkä" =
    tarkistus_hpc$yli_20min < 0.25
)

Viimeinen tarkistus on tässä olennainen. Kunnassa, jossa on suurteholaturi, ajoajan siihen pitäisi olla lyhyt. Jos se ei ole, lähtöpiste on väärässä paikassa — ja juuri se virhe olisi mennyt läpi huomaamatta ilman tarkistusta.

Linnuntie vastaan tieverkko

Ensin verrataan kahta mittaustapaa keskenään.

hpc_sf <- hpc_asemat |>
  st_as_sf(coords = c("lon", "lat"), crs = 4326) |>
  st_transform(3067)

# Lyhin suora etäisyys jokaisesta kunnasta lähimpään suurtehulaturiin.
# Lähtöpiste on sama väestöpainotettu piste kuin ajoaikalaskennassa,
# jotta vertailu mittaa mittaustapaa eikä lähtöpisteen valintaa.
suorat <- st_distance(kuntapisteet_sf, hpc_sf) |>
  apply(1, min) |>
  (\(x) x / 1000)()

vertailu_etaisyys <- tibble(
  kunta = kuntapisteet_sf$kunta_geo,
  linnuntie_km = suorat
) |>
  inner_join(saavutettavuus, by = "kunta") |>
  mutate(kiertokerroin = matka_km / pmax(linnuntie_km, 0.1)) |>
  filter(is.finite(kiertokerroin), linnuntie_km > 1)

kierto <- vertailu_etaisyys |>
  summarise(
    mediaani = median(kiertokerroin),
    q90 = quantile(kiertokerroin, 0.9),
    maksimi = max(kiertokerroin)
  )

Todellisen ajomatkan ja linnuntien suhde kunnittain.

Miten kuvaa luetaan. Jokainen piste on kunta. Vaaka-akselilla on etäisyys lähimpään suurtehulaturiin suorana viivana mitattuna, pystyakselilla sama matka teitä pitkin ajettuna.

Katkoviiva kuvaa tilannetta, jossa nämä olisivat yhtä suuret — eli tie kulkisi täsmälleen suoraan. Kaikki pisteet ovat viivan yläpuolella, koska tie ei koskaan ole suora. Mitä kauempana pisteestä viivasta, sitä enemmän tie kiertää.

Mediaanikunnassa ajomatka on 1,15-kertainen linnuntiehen verrattuna. Kymmenesosassa kunnista kerroin on yli 1,69, ja pahimmillaan yli 14,5.

Tämä on suoraan mitattava vastaus siihen, miksi suoraan viivaan perustuva kattavuusarvio ei riitä. Jos asetuksessa vaaditaan latauspiste kuudenkymmenen kilometrin välein linnuntietä, todellinen ajomatka voi olla lähes sata kilometriä — ja talvella se on eri asia kuin kesällä.

Kartta: kuinka kaukana lähin pikalaturi on

Ajoaika kunnan keskipisteestä lähimmälle vähintään 150 kW:n latausasemalle.

Miten karttaa luetaan. Jokainen kunta on väritetty sen mukaan, kuinka kauan kestää ajaa sen keskipisteestä lähimmälle suurtehulaturille. Turkoosi tarkoittaa lyhyttä matkaa, punainen pitkää. Valkoiset pisteet ovat itse latausasemia.

Kartta ei kuvaa yksittäisen asukkaan tilannetta. Kunnan keskipiste voi olla kaukana sen asutuskeskuksesta, ja suuressa kunnassa toinen laita voi olla tunnin lähempänä kuin toinen. Kartta kertoo kokonaiskuvan, ei yksittäistapausta.

tunnusluvut <- saavutettavuus |>
  summarise(
    mediaani = median(aika_min),
    q90 = quantile(aika_min, 0.9),
    maksimi = max(aika_min),
    yli_tunnin = mean(aika_min > 60),
    yli_kaksi = mean(aika_min > 120)
  )

Mediaanikunnasta lähimmälle suurtehulaturille on 6 minuutin ajomatka. Kunnista 0.3% on yli tunnin päässä ja 0.0% yli kahden tunnin.

NoteFaktalaatikko: kuinka pitkälle sähköauto todella pääsee?

Ajoajan tulkinta riippuu siitä, kuinka pitkälle auto pääsee yhdellä latauksella. Valmistajan ilmoittama WLTP-lukema mitataan noin 23 asteen lämpötilassa, eikä se kuvaa suomalaista talvea.

Kylmän vaikutus sähköauton kantamaan on tutkittu ilmiö. Vaikutus syntyy kahdesta erillisestä syystä: akun kemiallinen suorituskyky heikkenee kylmässä, ja matkustamon lämmitys kuluttaa energiaa, jota polttomoottoriautossa saadaan hukkalämpönä ilmaiseksi. Jälkimmäinen on merkittävämpi, minkä vuoksi lämpöpumpulla varustetut mallit pärjäävät selvästi paremmin.

Julkaistujen kylmätestien perusteella kantaman menetys pakkasella on tyypillisesti kolmanneksen luokkaa, ja se vaihtelee malleittain merkittävästi. Yksittäisiin testeihin ei kannata nojata, koska mittausolosuhteet vaihtelevat; useiden testien yhteistulos on luotettavampi kuin tarkin yksittäinen mittaus.

Mitä tästä seuraa tälle analyysille. Tässä osassa lasketut ajoajat ovat riippumattomia kantamasta — ne kertovat matkan pituuden, eivät sitä riittääkö akku. Kesällä sadan kilometrin väli latureiden välillä on merkityksetön; talvella se voi olla ratkaiseva, jos auto on lähtenyt liikkeelle vajaalla akulla.

Tämä on syy siihen, miksi latausverkon riittävyyttä ei voi arvioida vuosikeskiarvona. Verkko, joka riittää heinäkuussa, ei välttämättä riitä tammikuussa — eikä ero ole muutama prosentti.

Kuka on katveessa?

Kuntien laskeminen ei riitä. Kunnat ovat erikokoisia, ja pieni kunta pitkän matkan päässä on eri asia kuin suuri kaupunki.

# Osan 3 kuntakohtainen sähköautokanta
kanta_path <- file.path(data_dir, "autokanta.qs")
stopifnot("Autokanta puuttuu – aja osa 3 ensin" = file.exists(kanta_path))

autokanta <- qs2::qd_read(kanta_path)
sar <- names(autokanta)
arvo_sar <- setdiff(sar, c("Alue", "Merkki", "Käyttöönottovuosi", "Käyttövoima"))

sahkoautot <- autokanta |>
  rename(alue = Alue, merkki = Merkki, voima = Käyttövoima,
         n = all_of(arvo_sar)) |>
  filter(merkki == "Henkilöautot yhteensä", voima == "Sähkö",
         !str_detect(alue, "MANNER-SUOMI|Ulkomaat|Tuntematon")) |>
  select(kunta = alue, sahkoautoja = n) |>
  mutate(sahkoautoja = replace_na(sahkoautoja, 0))

# Sama kuntaliitoskäsittely kuin aiemmin: geometria on vuodelta 2021,
# autokanta vuodelta 2026.
kuntaliitokset <- tibble::tribble(
  ~vanha,      ~uusi,
  "Honkajoki", "Kankaanpää",
  "Pertunmaa", "Mäntyharju"
)

saavutettavuus_vaesto <- saavutettavuus |>
  left_join(kuntaliitokset, by = c("kunta" = "vanha")) |>
  mutate(kunta = coalesce(uusi, kunta)) |>
  select(-uusi) |>
  group_by(kunta) |>
  summarise(aika_min = min(aika_min), matka_km = min(matka_km),
            .groups = "drop") |>
  inner_join(sahkoautot, by = "kunta")

stopifnot(
  "Sähköautokannan liitos hukkasi liikaa kuntia" =
    nrow(saavutettavuus_vaesto) > 250
)

# Autopainotetut tunnusluvut: jokainen sähköauto painaa saman verran,
# ei jokainen kunta. Kysymys on autoilijan tilanteesta.
w_kvantiili <- function(x, w, p) {
  o <- order(x); x <- x[o]; w <- w[o]
  x[which(cumsum(w) / sum(w) >= p)[1]]
}

auto_tunnusluvut <- saavutettavuus_vaesto |>
  summarise(
    mediaani_auto = w_kvantiili(aika_min, sahkoautoja, 0.5),
    q90_auto = w_kvantiili(aika_min, sahkoautoja, 0.9),
    osuus_yli_tunnin = sum(sahkoautoja[aika_min > 60]) / sum(sahkoautoja),
    autoja_yli_tunnin = sum(sahkoautoja[aika_min > 60])
  )

Kun jokainen sähköauto painaa saman verran, kuva muuttuu. Mediaanisähköauton kunnasta on 3 minuutin matka lähimmälle suurtehulaturille — selvästi vähemmän kuin kuntien mediaani 6 minuuttia.

Ero kertoo sen, mitä osassa 3 nähtiin: sähköautot ovat siellä, missä laturitkin ovat. Mutta se ei tarkoita, ettei katvetta olisi. 5 sähköautoa eli 0.0% kannasta on kunnassa, josta lähimmälle suurtehulaturille on yli tunnin ajomatka.

Kuinka suuri osa sähköautoista on kuinka kaukana lähimmästä suurtehulaturista.

Miten kuvaa luetaan. Vaaka-akselilla on ajoaika lähimmälle suurtehulaturille. Pystyakselilta luetaan, kuinka suuri osuus on tuota aikaa lähempänä.

Turkoosi käyrä laskee sähköautojen osuutta, oranssi kuntien. Turkoosi nousee jyrkemmin, koska sähköautoja on siellä missä latureitakin. Oranssi kertoo maantieteellisen kattavuuden, turkoosi autoilijan kokemuksen.

Kumpikaan ei ole väärä. Ne vastaavat eri kysymykseen, ja niiden sekoittaminen on tavallinen tapa väittää mitä tahansa: verkko on kattava tai puutteellinen sen mukaan, kumpaa käyrää katsoo.

Tilastollinen testi: kasautuuko katve alueellisesti?

Osassa 3 jouduin toteamaan, ettei kuntien välistä riippuvuutta voi mitata ilman kuntien geometriaa. Nyt geometria on käytössä, joten kysymykseen voi vastata.

Kysymys on tämä: ovatko huonosti saavutettavat kunnat satunnaisesti hajallaan pitkin maata, vai muodostavatko ne yhtenäisiä alueita? Ero on politiikkarelevantti. Hajallaan olevat yksittäistapaukset ovat eri ongelma kuin kokonainen maakunta katveessa.

moran_data <- kunnat_sf |>
  inner_join(saavutettavuus, by = c("kunta_geo" = "kunta")) |>
  filter(is.finite(aika_min))

# Naapuruus: kunnat ovat naapureita jos niillä on yhteinen raja.
naapurit <- poly2nb(moran_data, queen = TRUE)

# Saarilla ei ole naapureita; ne on käsiteltävä erikseen
n_ilman_naapureita <- sum(card(naapurit) == 0)

stopifnot(
  "Liian moni kunta ilman naapureita" =
    n_ilman_naapureita / nrow(moran_data) < 0.05
)

painot <- nb2listw(naapurit, style = "W", zero.policy = TRUE)

moran <- moran.test(moran_data$aika_min, painot, zero.policy = TRUE)
moran_mc <- moran.mc(moran_data$aika_min, painot, nsim = 999,
                     zero.policy = TRUE)

Moranin I saa arvon 0,216, ja permutaatiotestin p-arvo on 0,001.

Mitä Moranin I tarkoittaa. Se on luku suunnilleen välillä −1 ja 1, joka kertoo, muistuttavatko naapurit toisiaan. Arvo lähellä nollaa tarkoittaa, että kuntien arvot ovat satunnaisesti hajallaan. Positiivinen arvo tarkoittaa, että samanlaiset kunnat ovat vierekkäin — hyvin saavutettavat lähellä toisiaan ja huonosti saavutettavat lähellä toisiaan. Negatiivinen arvo tarkoittaisi shakkilautamaista kuviota, mikä on maantieteessä harvinaista.

Miksi permutaatiotesti. Moranin I:n teoreettinen jakauma nojaa oletuksiin, jotka eivät aina päde. Permutaatiotestissä kuntien arvot sekoitetaan satunnaisesti tuhat kertaa ja katsotaan, kuinka usein sattuma tuottaa yhtä suuren arvon. Menetelmä ei oleta jakaumasta mitään.

Tulos vahvistaa sen, mikä kartalta näkyy: katve ei ole hajallaan vaan kasautuu. Tällä on suora seuraus. Jos huono saavutettavuus olisi satunnaisesti hajallaan, sen korjaaminen vaatisi yksittäisiä latureita siellä täällä. Kun se kasautuu, kyse on alueista — ja alueen kattaminen vaatii useamman laturin ketjun, ei yhtä hyvin sijoitettua asemaa.

Tämä myös vahvistaa osassa 3 esitetyn varauksen: kunnat eivät ole toisistaan riippumattomia havaintoja, ja tavanomaiset tilastolliset testit yliarvioivat varmuutta. Nyt tiedän ilmiön suuruuden enkä vain sen olemassaolon.

Vaihtoehtoiset skenaariot: mitä yksi asema muuttaisi?

Verkostoanalyysin vahvuus on siinä, että se sallii kysyä mitä-jos-kysymyksiä suoraan. Lasken, kuinka paljon saavutettavuus paranisi, jos yksi uusi suurteholaturi rakennettaisiin.

cf_path <- file.path(data_dir, "counterfactual_sijainnit.qs")

if (!file.exists(cf_path)) {
  # Ehdokassijainnit: kuntien keskipisteet niissä kunnissa, joissa
  # saavutettavuus on nyt huonoin. Ehdokkaat tulevat siis datasta,
  # eivät keksityistä koordinaateista.
  ehdokkaat <- saavutettavuus_vaesto |>
    slice_max(aika_min, n = 30) |>
    pull(kunta)

  ehdokas_sf <- kuntapisteet_sf |>
    filter(kunta_geo %in% ehdokkaat) |>
    st_transform(4326)

  ehdokas_koord <- st_coordinates(ehdokas_sf) |>
    as_tibble() |> setNames(c("x", "y")) |>
    mutate(kunta = ehdokas_sf$kunta_geo)

  kuntapisteet <- kuntapisteet_sf |>
    st_transform(4326) |>
    mutate(x = st_coordinates(geometry)[, 1],
           y = st_coordinates(geometry)[, 2]) |>
    st_drop_geometry() |>
    rename(kunta = kunta_geo)

  from <- as.matrix(select(kuntapisteet, x, y))

  # Ajoajat jokaisesta kunnasta jokaiseen ehdokassijaintiin
  ajat_ehdokkaat <- dodgr_times(
    graph = verkko, from = from,
    to = as.matrix(select(ehdokas_koord, x, y))
  ) / 60

  nykyiset_ajat <- saavutettavuus$aika_min[
    match(kuntapisteet$kunta, saavutettavuus$kunta)]

  autot <- sahkoautot$sahkoautoja[match(kuntapisteet$kunta, sahkoautot$kunta)]
  autot[is.na(autot)] <- 0

  # Jokaiselle ehdokkaalle lasketaan kaksi lukua erikseen: kuinka moni
  # auto hyötyy ja kuinka paljon ne hyötyvät. Koko maan yli laskettu
  # keskiarvo laimentaisi paikallisen hyödyn merkityksettömäksi.
  hyoty <- map_dfr(seq_len(ncol(ajat_ehdokkaat)), function(j) {
    uudet <- pmin(nykyiset_ajat, ajat_ehdokkaat[, j], na.rm = TRUE)
    kelpo <- is.finite(uudet) & is.finite(nykyiset_ajat) & autot > 0
    paranee <- kelpo & uudet < nykyiset_ajat - 0.5

    saasto <- nykyiset_ajat[paranee] - uudet[paranee]
    painot <- autot[paranee]

    tibble(
      kunta = ehdokas_koord$kunta[j],
      autoja_hyotyy = sum(painot),
      saasto_hyotyvat = if (length(saasto) > 0)
        weighted.mean(saasto, painot) else 0,
      # Kynnysmittari: kuinka moni auto siirtyy yli puolen tunnin
      # matkalta sen alle. Tunnin kynnys osoittautui liian karkeaksi,
      # koska useimmat ehdokaskunnat ovat jo sen sisällä.
      alle_30min_uutta = sum(autot[kelpo & nykyiset_ajat > 30 & uudet <= 30]),
      # Kokonaisvaikutus: säästetyt ajominuutit yhtä latauskertaa kohti
      autominuutteja = sum(saasto * painot)
    )
  })

  qs2::qd_save(hyoty, cf_path)
} else {
  hyoty <- qs2::qd_read(cf_path)
}

paras_kokonais <- hyoty |> slice_max(autominuutteja, n = 1)
paras_yksilo <- hyoty |> slice_max(saasto_hyotyvat, n = 1)

# Mittari, joka on kaikilla nolla, ei kerro mitään. Se on helppo
# julkaista huomaamatta, koska tyhjä palkkikuva näyttää siistiltä.
stopifnot(
  "Kynnysmittari on nolla kaikilla ehdokkailla – valitse toinen kynnys" =
    sum(hyoty$alle_30min_uutta) > 0
)

Yhden uuden suurteholaturin vaikutus: kuinka moni auto hyötyy ja kuinka paljon.

Miten kuvaa luetaan. Jokainen pallo on yksi ehdokassijainti uudelle suurteholaturille.

Vaaka-akselilta luetaan, kuinka monen sähköauton matka lyhenisi. Akseli on logaritminen, koska määrät vaihtelevat kymmenistä satoihin. Pystyakselilta luetaan, kuinka monta minuuttia matka lyhenisi niillä autoilla, joita asema hyödyttää. Pallon koko kertoo näiden tulon eli kokonaisvaikutuksen.

Oikea yläkulma olisi paras mahdollinen sijainti: paljon hyötyjiä ja iso hyöty kullekin. Vasen yläkulma tarkoittaa sijaintia, joka auttaa harvoja mutta paljon — Savukoski on tästä ääriesimerkki, sillä siellä säästö olisi yli tunti mutta hyötyjiä vain kourallinen. Oikea alakulma auttaa monia mutta vähän.

Kuva ei kerro, kumpi on oikea valinta. Se on arvovalinta: painotetaanko kokonaishyötyä vai sitä, ettei ketään jätetä kohtuuttoman matkan päähän. Analyysin tehtävä on tehdä valinta näkyväksi, ei tehdä sitä lukijan puolesta.

Miksi mittari on tämä eikä keskiarvo. Jos laskisin keskimääräisen säästön koko maan sähköautokannan yli, jokainen luku olisi alle minuutin — koska valtaosa Suomen sähköautoista on pääkaupunkiseudulla eikä hyödy Kainuuseen rakennetusta laturista lainkaan. Luku olisi teknisesti oikein ja täysin harhaanjohtava.

Sama virhe toistuu julkisessa keskustelussa jatkuvasti: hanke, joka auttaa kymmentätuhatta ihmistä paljon, näyttää mitättömältä jos hyöty jaetaan koko väestölle. Kysymys ei ole keskiarvosta vaan siitä, kenelle vaikutus kohdistuu.

Kokonaisvaikutus ja katveesta poistuvien autojen määrä.

Vasen paneeli kertoo kokonaisvaikutuksen: hyötyvien autojen määrä kerrottuna säästetyillä minuuteilla. Se on hyötyjen summa, ja se painottaa väkirikkaita alueita.

Oikea paneeli on kynnysmittari. Se kertoo, kuinka monta sähköautoa siirtyisi yli puolen tunnin ajomatkan päästä sen alle. Kynnysmittari ei mittaa keskimääräistä parannusta vaan sitä, kuinka moni siirtyy huonosta luokasta parempaan.

Paneelien järjestys eroaa toisistaan, ja se on koko kuvan pointti. Asema, joka tuottaa suurimman kokonaishyödyn, ei ole sama kuin asema, joka nostaa eniten autoja pois katveesta. Kumpi valitaan, riippuu siitä mitä politiikalla tavoitellaan — ja se on päätös, ei laskutoimitus.

Erot ehdokkaiden välillä ovat kummallakin mittarilla suuria. Se on analyysin ydinviesti: sijainnin valinta ratkaisee moninkertaisesti enemmän kuin asemien lukumäärä. Sama raha tuottaa hyvin erilaisen tuloksen sen mukaan, mihin se käytetään — ja ero on laskettavissa etukäteen.

NoteFaktalaatikko: verkoston kriittisyys ei ole sama kuin käyttöaste

Latausasemien merkitystä arvioidaan yleensä käyttöasteella: kuinka monta latausta asemalla tehdään. Se on liiketoiminnan kannalta oikea mittari. Verkoston toimivuuden kannalta se on harhaanjohtava.

Vilkkaimmat asemat ovat kaupungeissa, joissa vaihtoehtoja on runsaasti. Jos sellainen asema menee epäkuntoon, käyttäjä ajaa seuraavalle muutaman kilometrin päähän. Harvaan asutun alueen asema voi olla lähes tyhjä ja silti korvaamaton, koska sen puuttuessa lähin vaihtoehto on sadan kilometrin päässä.

Verkostoteoriassa tätä eroa kuvataan keskeisyyden käsitteillä. Solmun merkitys ei ole sen oma liikenne vaan se, kuinka moni reitti sen kautta kulkee ja mitä tapahtuu, jos se poistetaan.

Mitä tästä seuraa päättäjälle. Jos julkista tukea kohdennetaan käyttöasteen perusteella, se valuu sinne missä markkina toimii jo valmiiksi. Jos sitä kohdennetaan verkoston kriittisyyden perusteella, se osuu sinne missä markkinaehtoinen rakentaminen ei kannata mutta verkoston toimivuus sitä vaatii. Nämä ovat eri kohteita, ja ero on mitattavissa.

Mitä jää käteen

Lähtöpisteen valinta on menetelmävalinta. Kunnan geometrinen keskipiste näyttää neutraalilta valinnalta, mutta se sijaitsee laajoissa kunnissa kymmenien kilometrien päässä asutuksesta. Väestöpainotettu piste vastaa eri kysymykseen — ja oikeaan.

Linnuntie on väärä mittari. Todellinen ajomatka on Suomessa mediaanikunnassa selvästi pidempi kuin suora etäisyys, ja pahimmillaan moninkertainen. Suoraan viivaan perustuva kattavuusarvio on järjestelmällisesti liian optimistinen.

Kuntien ja autojen laskeminen antavat eri vastauksen. Kumpikaan ei ole väärä, mutta ne vastaavat eri kysymykseen. Maantieteellinen kattavuus ja autoilijan kokemus ovat eri asioita.

Katve kasautuu alueellisesti. Huonosti saavutettavat kunnat eivät ole hajallaan vaan muodostavat yhtenäisiä alueita. Yksittäinen laturi ei siis korjaa aluetta.

Sijainti ratkaisee enemmän kuin lukumäärä. Yhden aseman vaikutus vaihtelee sijainnin mukaan moninkertaisesti, ja ero on laskettavissa ennen rakentamista.

Seuraavassa osassa siirryn siitä, missä asemat ovat, siihen mitä tapahtuu kun ne katoavat. Verkoston kestävyys ei näy siitä, miten se toimii normaalisti, vaan siitä miten se hajoaa.

---

Mitä tästä on hyötyä yrityksellesi

Kysy, edustaako aggregoitu piste sitä mitä luulet. Kun asiakkaita, toimipisteitä tai tapahtumia niputetaan alueiksi, alue täytyy tiivistää yhdeksi pisteeksi jotta etäisyyksiä voi laskea. Se piste valitaan yleensä ajattelematta, ja valinta on usein väärä: alueen maantieteellinen keskipiste ei ole siellä missä toiminta on.

Tässä osassa geometrinen keskipiste olisi luokitellut Joensuun katvealueeksi, vaikka kaupungissa on yhdeksän suurtehulatauspaikkaa. Virhe olisi ollut näkymätön ilman tarkistusta, joka vertaa tulosta siihen mitä aineistosta tiedetään erikseen. Rakenna aina tällainen tarkistus: jos analyysi väittää jotain, minkä tiedät toisin, se on kiinni jäänyt virhe eikä uusi löytö.

Älä jaa hyötyä niille, jotka eivät hyödy. Tämän osan laskennassa yhden laturin vaikutus näytti ensin 18 sekunnilta, koska keskiarvo laskettiin koko maan sähköautokannan yli — mukaan lukien 190 000 autoa, joita Kainuun laturi ei kosketa lainkaan. Sama luku hyötyjille laskettuna oli kymmeniä minuutteja.

Tämä on yleisin tapa, jolla hyvä hanke saadaan näyttämään merkityksettömältä liiketoimintaperusteluissa. Kun laskennan nimittäjä on koko asiakaskunta, koko henkilöstö tai koko markkina, mikä tahansa kohdennettu toimenpide laimenee mitättömäksi. Kysy aina: kuka hyötyy, kuinka moni heitä on, ja kuinka paljon he hyötyvät. Kolme lukua kertoo sen, mitä yksi keskiarvo peittää.

Mittaa etäisyys niin kuin se koetaan, älä niin kuin se on helppo laskea. Linnuntie-etäisyys on nopea laskea ja lähes aina väärä. Sama pätee kaikkeen saavutettavuuteen: asiakkaan matka myymälään, huoltomiehen matka kohteeseen, toimituksen matka varastosta. Jos optimoit suoria etäisyyksiä, optimoit väärää suuretta — ja virhe on systemaattinen eikä satunnainen, eli se ei tasoitu keskiarvoissa.

Verkostoanalyysi ei vaadi verkkoyhtiötä. Toimitusketju on verkko. Organisaation osaaminen on verkko. Järjestelmäriippuvuudet ovat verkko. Kun nämä mallintaa graafina, voi kysyä kysymyksiä joihin taulukkolaskenta ei vastaa: mikä on kriittisin solmu, mitä tapahtuu jos se poistuu, missä on pullonkaula. Työkalut ovat avoimia ja ilmaisia.

Laske sijoitteluvaihtoehdot ennen kuin päätät. Tässä osassa laskin kolmellekymmenelle ehdokassijainnille, kuinka paljon kukin parantaisi tilannetta. Laskenta kesti minuutteja. Vastaava laskenta uuden toimipisteen, varaston tai huoltopisteen sijainnista on täysin sama ongelma, ja sen tekemättä jättäminen on yleensä tapa, jolla miljoonan euron päätös tehdään mutuntuntumalla.

Erota käyttöaste ja kriittisyys. Eniten käytetty ei ole tärkein. Järjestelmä, jota käytetään harvoin mutta jota ilman mikään ei toimi, on kriittisempi kuin päivittäin käytetty järjestelmä, jolle on vaihtoehto. Jos priorisoit ylläpitoa, varautumista tai investointeja käyttömäärän perusteella, priorisoit väärin — ja huomaat sen vasta kun jotain hajoaa.

Ja kysy aina, mitä painotetaan. Sama aineisto antoi tässä kaksi eri vastausta sen mukaan, painotettiinko kuntia vai autoja. Kumpikaan luku ei ollut väärä. Kun seuraavan kerran näet tunnusluvun, kysy mikä on painoyksikkö — asiakas, euro, tapahtuma vai toimipiste. Vastaus muuttaa tulosta usein enemmän kuin mikään menetelmävalinta.

Jos organisaatiossasi tehdään sijoittelu- tai priorisointipäätöksiä ilman että vaihtoehtoja on laskettu, tai jos etäisyyksiä mitataan suorina viivoina, siinä on työtä odottamassa. Teen tätä vuokrattavana Head of Datana ja projektikohtaisesti — hinnasto ja yhteystiedot löytyvät sivustolta.

---

Aineistot: OpenStreetMap (© OpenStreetMap-osallistujat, ODbL 1.0), Fintraffic AFIR / Digitraffic, Traficomin tilastotietokanta, Eurostat GISCO. Koodi on kokonaisuudessaan tässä postauksessa. Maailma on jakauma.