Puolet sähköautoilijoista ei tarvitse julkista latausverkkoa lainkaan

Mittari, joka olettaa liikaa

Latausverkon riittävyydestä puhuttaessa toistuu yksi suhdeluku: kuinka monta sähköautoa on yhtä julkista latauspistettä kohti. Luku on helppo laskea ja näennäisen selkeä.

Se olettaa, että jokainen sähköauto tarvitsee julkista laturia. Valtaosa ei tarvitse.

Omakotitalossa asuva kytkee autonsa illalla pistorasiaan ja herää täyteen akkuun. Hänelle julkinen verkko on tarpeen vain pitkillä matkoilla, ehkä muutaman kerran vuodessa. Kerrostalossa ilman omaa latauspaikkaa asuvalle julkinen verkko on ainoa vaihtoehto, ja hän tarvitsee sitä joka viikko.

Nämä kaksi ihmistä lasketaan tilastossa samaksi. Se tekee suhdeluvusta harhaanjohtavan tavalla, joka ei ole satunnainen vaan systemaattinen: mittari yliarvioi tarvetta siellä, missä asutaan väljästi, ja aliarvioi sitä siellä, missä asutaan tiiviisti.

Tässä osassa lasken saavutettavuuden uudelleen postinumeroalueittain ja painotan sen asumismuodolla. Lopputulos on kartta siitä, missä julkisen latausverkon puute oikeasti tuntuu.

Aineisto: Paavo-postinumeroalueet

Tilastokeskuksen Paavo-aineisto kuvaa Suomen postinumeroalueita. Se sisältää väkiluvun, koordinaatit, tulotason, koulutuksen ja — tämän osan kannalta ratkaisevana — asuntojen jakautumisen pientaloihin ja kerrostaloihin.

Aineistossa on noin kolmetuhatta aluetta, mikä on kymmenkertainen tarkkuus kuntatasoon verrattuna. Ero on merkittävä: kunta voi olla satojen neliökilometrien kokoinen, ja sen sisällä tiivis keskusta ja harvaan asuttu haja-asutusalue ovat latausverkon kannalta täysin eri maailmoja.

paavo_path <- file.path(data_dir, "paavo.qs")

stopifnot(
  "Paavo-aineisto puuttuu. Hae se pxweb_interactive-funktiolla (ks. teksti)." =
    file.exists(paavo_path)
)

pno <- qs2::qs_read(paavo_path)

stopifnot(
  "Postinumeroaineisto on tyhjä" = nrow(pno) > 2500,
  "Vaadittuja sarakkeita puuttuu" =
    all(c("pno", "kunta", "asukkaat", "pientaloasunnot",
          "kerrostaloasunnot", "mediaanitulot") %in% names(pno)),
  "Koordinaattijärjestelmä ei ole TM35FIN" = st_crs(pno)$epsg == 3067
)

NoteAineiston hakeminen

Paavo-aineisto haetaan Tilastokeskuksen tietokannasta. Helpoin tapa on pxweb-paketin interaktiivinen valikko, joka rakentaa kyselyn puolestasi ja tulostaa valmiin koodin:

pxweb::pxweb_interactive("https://pxdata.stat.fi/PXWeb/api/v1/fi/Postinumeroalueittainen_avoin_tieto")

Valitse uusin vuosikerta ja kaikki muuttujat. Aineisto on pieni, joten solurajoitus ei tule vastaan. Tallenna tulos tiedostoon ja lue se sieltä — älä hae rajapinnasta joka ajolla.

# Kotilatausmahdollisuus arvioidaan pientaloasuntojen osuudesta.
# Tämä on approksimaatio: kaikilla pientaloasujilla ei ole
# latausmahdollisuutta eikä kaikilta kerrostaloasujilta se puutu.
pno <- pno |>
  mutate(
    asuntoja = pientaloasunnot + kerrostaloasunnot,
    pientalo_osuus = if_else(asuntoja > 0, pientaloasunnot / asuntoja,
                             NA_real_)
  )

stopifnot(
  "Pientalo-osuus jakauman ulkopuolella" =
    all(between(pno$pientalo_osuus, 0, 1), na.rm = TRUE),
  "Pientalo-osuus puuttuu liian monelta alueelta" =
    mean(is.na(pno$pientalo_osuus)) < 0.10
)

koko_maa_pientalo <- weighted.mean(pno$pientalo_osuus, pno$asukkaat,
                                   na.rm = TRUE)

hajonta <- pno |>
  filter(!is.na(pientalo_osuus), asukkaat >= 100) |>
  summarise(
    q10 = quantile(pientalo_osuus, 0.1),
    q50 = quantile(pientalo_osuus, 0.5),
    q90 = quantile(pientalo_osuus, 0.9)
  )

Koko maassa 54% asukkaista asuu alueella, jonka asunnoista valtaosa on pientaloja. Alueiden välinen vaihtelu on kuitenkin suurta: kymmenesosassa alueista pientalojen osuus on alle 34% ja kymmenesosassa yli 100%.

Pientaloasuntojen osuus postinumeroalueittain.

Miten kuvaa luetaan. Vaaka-akselilla on pientaloasuntojen osuus alueen asunnoista. Pystyakselilta luetaan, kuinka moni postinumeroalue osuu kullekin välille.

Jakauma ei ole yksihuippuinen vaan painottuu molempiin päihin. Alue on tyypillisesti joko selvästi pientaloaluetta tai selvästi kerrostaloaluetta; sekoittuneita alueita on vähemmän. Tämä on latausverkon kannalta olennaista, koska se tarkoittaa että kotilatausmahdollisuus jakautuu jyrkästi eikä tasaisesti.

WarningApproksimaation rajat

Pientaloasuminen ei takaa latausmahdollisuutta eikä kerrostaloasuminen sulje sitä pois. Rivitalossa voi olla autokatos ilman sähköä. Uudessa kerrostaloyhtiössä voi olla latauspaikat jokaiselle. Vanhassa omakotitalossa sähköpääkeskus ei välttämättä kestä latauskuormaa.

Käytän pientalo-osuutta silti, koska parempaa julkista tietoa latauspistemäärästä asuinkiinteistöissä ei ole olemassa. Suunta on oikea ja suuruusluokka uskottava, mutta yksittäisen alueen luku voi olla selvästi pielessä.

Tämä on tyypillinen tilanne avoimen datan analyysissä: paras saatavilla oleva muuttuja ei ole se muuttuja, jota haluttaisiin mitata. Vaihtoehdot ovat käyttää sitä ja kertoa rajoite, tai olla laskematta mitään. Ensimmäinen on hyödyllisempi kunhan jälkimmäinen osa tehdään.

Saavutettavuus postinumerotasolla

Nyt lasketaan ajoaika jokaisesta postinumeroalueesta lähimmälle suurtehulaturille. Tämä on kymmenkertainen tarkkuus kuntatasoon verrattuna.

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

# Kaikki julkiset latauspisteet, ei vain suurtehoiset: arjen
# latauksessa hitaampikin riittää.
kaikki_pisteet <- liitokset |>
  distinct(avain) |>
  left_join(asemat, by = "avain") |>
  filter(!is.na(lat), !is.na(lon))

stopifnot(
  "Suurtehulatureita ei löytynyt" = nrow(hpc) > 50,
  "Latauspisteitä ei löytynyt" = nrow(kaikki_pisteet) > 500
)

pno_ajat_path <- file.path(data_dir, "ajoajat_pno.qs")

if (!file.exists(pno_ajat_path)) {
  from <- pno |>
    st_transform(4326) |>
    st_coordinates() |>
    as_tibble() |>
    setNames(c("x", "y")) |>
    as.matrix()

  # Laskenta on raskas: noin 3 000 lähtöpistettä × satoja asemia.
  # Tulos tallennetaan, jotta se tehdään vain kerran.
  ajat_hpc <- dodgr_times(
    graph = tieverkko, from = from,
    to = as.matrix(select(hpc, x = lon, y = lat))
  )

  ajat_kaikki <- dodgr_times(
    graph = tieverkko, from = from,
    to = as.matrix(select(kaikki_pisteet, x = lon, y = lat))
  )

  stopifnot(
    "Aikamatriisin rivimäärä ei täsmää" = nrow(ajat_hpc) == nrow(pno)
  )

  saav <- tibble(
    pno = pno$pno,
    aika_hpc = apply(ajat_hpc, 1, \(r) min(r, na.rm = TRUE)) / 60,
    aika_mika_tahansa = apply(ajat_kaikki, 1, \(r) min(r, na.rm = TRUE)) / 60
  )

  qs2::qd_save(saav, pno_ajat_path)
} else {
  saav <- qs2::qd_read(pno_ajat_path)
}

alueet <- pno |>
  st_drop_geometry() |>
  left_join(saav, by = "pno") |>
  filter(is.finite(aika_hpc), asukkaat > 0)

osuus_kelvollisia <- nrow(alueet) / nrow(pno)

stopifnot(
  "Yli 10 % alueista jäi saavuttamattomiin" = osuus_kelvollisia > 0.90
)

# Väestöpainotetut tunnusluvut
w_kvantiili <- function(x, w, p) {
  o <- order(x); x <- x[o]; w <- w[o]
  x[which(cumsum(w) / sum(w) >= p)[1]]
}

vaesto_tunnusluvut <- alueet |>
  summarise(
    mediaani = w_kvantiili(aika_hpc, asukkaat, 0.5),
    q90 = w_kvantiili(aika_hpc, asukkaat, 0.9),
    yli_30min = sum(asukkaat[aika_hpc > 30]) / sum(asukkaat),
    yli_tunnin = sum(asukkaat[aika_hpc > 60]) / sum(asukkaat)
  )

Väestöpainotettu mediaani on 3 minuuttia: puolet suomalaisista asuu alueella, josta lähimmälle suurtehulaturille pääsee tässä ajassa. Yli tunnin päässä asuu 0.0% väestöstä.

Painotettu tarve: kuka oikeasti tarvitsee julkista verkkoa?

Nyt yhdistetään kaksi asiaa: kuinka kaukana julkinen laturi on ja kuinka todennäköisesti alueen asukas tarvitsee sitä.

# Julkisen verkon tarve arvioidaan kerrostaloasumisen osuudesta.
# Kerrostaloasuja tarvitsee julkista latausta arjessa, pientaloasuja
# lähinnä matkoilla.
alueet <- alueet |>
  mutate(
    kerrostalo_osuus = 1 - pientalo_osuus,
    # Arkilatauksen tarpeessa olevat asukkaat
    tarvitsevat = asukkaat * kerrostalo_osuus,
    # Saavutettavuus arkilatauksen näkökulmasta: mikä tahansa
    # julkinen pistoke kelpaa, ei vain suurtehoinen
    aika_arki = aika_mika_tahansa
  ) |>
  filter(!is.na(tarvitsevat), is.finite(aika_arki))

tarve_tunnusluvut <- alueet |>
  summarise(
    tarvitsevia = sum(tarvitsevat),
    mediaani_kaikki = w_kvantiili(aika_arki, asukkaat, 0.5),
    mediaani_tarvitsevat = w_kvantiili(aika_arki, tarvitsevat, 0.5),
    yli_15min_kaikki = sum(asukkaat[aika_arki > 15]) / sum(asukkaat),
    yli_15min_tarvitsevat = sum(tarvitsevat[aika_arki > 15]) / sum(tarvitsevat)
  )

Ero on selvä ja kulkee odotettuun suuntaan. Koko väestöllä painotettuna mediaanimatka lähimmälle julkiselle latauspisteelle on 1.6 minuuttia. Kun painotetaan kerrostaloasumisen osuudella — eli niillä, jotka julkista verkkoa arjessa tarvitsevat — luku on 1 minuuttia.

Matka lähimmälle julkiselle latauspisteelle, kahdella eri painotuksella.

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

Tummansininen käyrä painottaa kaikkia asukkaita tasaisesti. Oranssi painottaa kerrostaloasujia, jotka tarvitsevat julkista verkkoa arjessa.

Oranssi kulkee ylempänä, mikä tarkoittaa että tarvitsijat ovat keskimäärin lähempänä latauspisteitä. Se on hyvä uutinen ja odotettu: sekä kerrostalot että latausasemat sijaitsevat taajamissa.

Mutta se on myös varoitus. Jos latausverkon riittävyyttä mitataan painottamatta, tulos näyttää huonommalta kuin tilanne on. Ja jos mittari näyttää huonommalta kuin tilanne on, siihen reagoidaan rakentamalla lisää sinne, missä tarvetta on vähiten — koska juuri siellä mittari näyttää pahimmalta.

Postinumeroalueet kotilatausmahdollisuuden ja julkisen verkon saavutettavuuden mukaan.

Miten kuvaa luetaan. Jokainen pallo on postinumeroalue, ja pallon koko kertoo asukasluvun.

Vaaka-akselilla on pientaloasuntojen osuus: oikealla asutaan omakotitaloissa, vasemmalla kerrostaloissa. Pystyakselilla on matka lähimmälle julkiselle latauspisteelle: ylhäällä laturi on kaukana.

Kuvan neljä lohkoa tarkoittavat eri asioita. Vasen yläkulma on kriittisin: siellä asutaan kerrostaloissa eikä lähellä ole julkista latauspistettä. Oikea yläkulma näyttää tilastossa yhtä huonolta, mutta siellä lataaminen tapahtuu kotona eikä puute juuri tunnu.

Jos latausinvestointeja kohdennetaan pelkän etäisyyden perusteella, ne jakautuvat molempiin yläkulmiin. Vain toisessa niistä on todellinen tarve.

Onko latausverkko tulosidonnainen?

Paavo sisältää alueiden tulotason, mikä avaa kysymyksen jota ei Suomessa tietääkseni ole julkisesti laskettu: onko latausverkon saavutettavuus sidoksissa alueen varallisuuteen?

tulo_data <- alueet |>
  filter(!is.na(mediaanitulot), mediaanitulot > 0, asukkaat >= 200)

# Järjestyskorrelaatio, koska sekä tulot että ajoajat ovat vinoja
kor_tulot <- cor.test(tulo_data$mediaanitulot, tulo_data$aika_arki,
                      method = "spearman", exact = FALSE)

# Tuloviidennekset ja niiden saavutettavuus
viidennekset <- tulo_data |>
  mutate(tuloluokka = cut(mediaanitulot,
                          breaks = quantile(mediaanitulot, seq(0, 1, 0.2)),
                          labels = c("Pienituloisin viidennes", "2.", "3.", "4.",
                                     "Suurituloisin viidennes"),
                          include.lowest = TRUE))

kw_tulot <- kruskal.test(aika_arki ~ tuloluokka, data = viidennekset)
n_tot <- nrow(viidennekset)
epsilon2_tulot <- unname(kw_tulot$statistic) / ((n_tot^2 - 1) / (n_tot + 1))

viidennes_yhteenveto <- viidennekset |>
  group_by(tuloluokka) |>
  summarise(
    mediaani_aika = median(aika_arki),
    pientalo = weighted.mean(pientalo_osuus, asukkaat, na.rm = TRUE),
    .groups = "drop"
  )

Tulotason ja latausetäisyyden järjestyskorrelaatio on -0,229. Tuloviidennesten välinen ero on Kruskal–Wallis-testillä p-arvoltaan alle 0,001 ja efektikooltaan 0,057.

Latausetäisyys ja pientaloasuminen tuloviidenneksittäin.

Miksi tulosta ei pidä tulkita suoraan. Kuva näyttää kolmen muuttujan yhteyden, mutta se ei kerro mikä niistä vaikuttaa mihin. Suurituloisilla alueilla asutaan useammin pientaloissa, pientaloalueet ovat harvemmin rakennettuja, ja harvaan rakennetuilla alueilla on vähemmän julkisia latauspisteitä.

Tämä on sekoittavan tekijän klassinen tapaus. Jos raportoisin pelkästään, että suurituloisilla alueilla on pidempi matka laturille, se kuulostaisi eriarvoisuudelta — vaikka kyse on siitä, että he lataavat kotona eivätkä tarvitse julkista verkkoa.

Oikea kysymys on toinen: onko tulotasolla yhteyttä latausetäisyyteen kun asumismuoto pidetään vakiona? Sitä ei voi lukea yllä olevasta kuvasta.

# Osittaiskorrelaatio: tulojen ja latausetäisyyden yhteys sen jälkeen
# kun pientaloasumisen vaikutus on poistettu molemmista.
osittainen <- tulo_data |>
  filter(!is.na(pientalo_osuus)) |>
  mutate(
    j_tulot = rank(mediaanitulot),
    j_aika = rank(aika_arki),
    j_pientalo = rank(pientalo_osuus)
  )

res_tulot <- residuals(lm(j_tulot ~ j_pientalo, data = osittainen))
res_aika  <- residuals(lm(j_aika ~ j_pientalo, data = osittainen))

kor_osittainen <- cor.test(res_tulot, res_aika)

Osittaiskorrelaatio on -0,303.

Mitä osittaiskorrelaatio tarkoittaa. Se kertoo kahden asian yhteyden sen jälkeen, kun kolmannen vaikutus on poistettu molemmista. Käytännössä: jos verrataan keskenään vain samanlaisia asuinalueita, näkyykö tulotason vaikutus enää?

Menetelmä on yksinkertainen. Ensin selitetään sekä tulot että latausetäisyys asumismuodolla ja otetaan talteen se osa, jota asumismuoto ei selittänyt. Sitten katsotaan, korreloivatko nuo selittämättömät osat keskenään.

Jos osittaiskorrelaatio on selvästi pienempi kuin alkuperäinen, yhteys selittyi suurelta osin asumismuodolla. Jos se säilyy, tulotasolla on itsenäinen yhteys — ja se olisi kiinnostava tulos, koska sitä ei voi selittää rakennuskannalla.

NoteFaktalaatikko: kuinka suuri osa latauksista tapahtuu kotona?

Latauskäyttäytymistä koskevassa tutkimuskirjallisuudessa toistuu havainto, että valtaosa sähköauton latauksista tapahtuu kotona tai työpaikalla, ei julkisessa verkossa. Osuudet vaihtelevat maittain ja tutkimuksittain, mutta suuruusluokka on johdonmukainen: julkinen pikalataus on vähemmistö kaikista latauskerroista, vaikka se on näkyvin osa infrastruktuuria.

Transportation Research Part D -lehdessä julkaistussa katsauksessa huomautetaan, että latausinfran sijoittelua mallintavat tutkimukset nojaavat usein yksinkertaistaviin oletuksiin latauskäyttäytymisestä ja jättävät koti- ja työpaikkalatauksen huomiotta. Kyseessä on siis tunnistettu puute tutkimuskirjallisuudessa itsessään, ei vain julkisessa keskustelussa.

Mitä tästä seuraa. Julkisen latausverkon mitoittaminen sähköautojen kokonaismäärän perusteella yliarvioi tarvetta siellä, missä kotilataus on mahdollista. Se ei tarkoita että julkista verkkoa tarvittaisiin vähemmän — se tarkoittaa että sitä tarvitaan eri paikoissa kuin autokanta antaa ymmärtää.

Ja mitä siitä seuraa politiikalle. Taloyhtiöiden latausinfratuki ja julkisen verkon rakentamistuki ovat osittain vaihtoehtoisia keinoja samaan ongelmaan. Kumpi on tehokkaampi, riippuu alueen rakennuskannasta — ja se on laskettavissa etukäteen postinumerotasolla.

Vaihtoehtoiset skenaariot

kok_pisteet <- nrow(kaikki_pisteet)

# Kolme kohdennusperiaatetta, kaikissa sama määrä uusia pisteitä.
# Kysymys ei ole määrästä vaan siitä, mihin ne osoitetaan.
uusia <- 500

kohdennus <- alueet |>
  filter(asukkaat >= 200, !is.na(pientalo_osuus)) |>
  mutate(
    # A: väkiluvun mukaan
    a_paino = asukkaat,
    # B: etäisyyden mukaan (huonoiten saavutettavat ensin)
    b_paino = asukkaat * aika_arki,
    # C: tarpeen mukaan (kerrostaloasujat, joilla on pitkä matka)
    c_paino = tarvitsevat * aika_arki
  ) |>
  mutate(across(ends_with("_paino"), \(p) uusia * p / sum(p, na.rm = TRUE),
                .names = "{.col}_pisteet"))

vertailu <- kohdennus |>
  summarise(
    across(ends_with("_pisteet"), \(p) {
      # Kuinka suuri osa uusista pisteistä menee alueille, joilla
      # kotilataus on jo mahdollista valtaosalle
      sum(p[pientalo_osuus > 0.7], na.rm = TRUE) / sum(p, na.rm = TRUE)
    })
  ) |>
  pivot_longer(everything(), names_to = "periaate",
               values_to = "osuus_pientaloalueille") |>
  mutate(periaate = recode(periaate,
    a_paino_pisteet = "A: väkiluvun mukaan",
    b_paino_pisteet = "B: etäisyyden mukaan",
    c_paino_pisteet = "C: tarpeen mukaan"))

stopifnot(
  "Osuudet eivät ole välillä 0–1" =
    all(between(vertailu$osuus_pientaloalueille, 0, 1))
)

Kuinka suuri osa uusista latauspisteistä päätyisi alueille, joilla kotilataus on jo mahdollista.

Kaikissa kolmessa skenaariossa rakennetaan täsmälleen sama määrä latauspisteitä. Ainoa ero on jakoperuste.

Periaate B — rakennetaan sinne, missä matka on pisin — vaikuttaa oikeudenmukaiselta. Käytännössä se ohjaa merkittävän osan investoinnista alueille, joilla asukkaat lataavat autonsa kotona eivätkä käytä julkista verkkoa juuri lainkaan.

Periaate C ottaa kotilatausmahdollisuuden huomioon ja kohdentaa sinne, missä julkinen verkko on ainoa vaihtoehto. Se ei ole automaattisesti oikea valinta — harvaan asutun alueen matkailijat tarvitsevat myös latureita — mutta se on eri valinta, ja ero on nyt mitattavissa.

Mitä jää käteen

Suhdeluku “autoja per pistoke” olettaa liikaa. Se kohtelee omakotitalossa asuvaa ja kerrostaloasujaa samalla tavalla, vaikka heidän tarpeensa eroaa täysin.

Suomi asuu kahdella tavalla. Pientalo-osuuden jakauma on kaksihuippuinen, joten kotilatausmahdollisuus jakautuu jyrkästi eikä tasaisesti.

Tarvitsijat ovat lähempänä latureita kuin väestö keskimäärin. Se on hyvä uutinen, mutta se tarkoittaa myös että painottamaton mittari näyttää huonommalta kuin tilanne on — ja ohjaa investoinnit väärään suuntaan.

Sekoittavat tekijät on erotettava. Tulotaso, asumismuoto ja latausetäisyys kulkevat yhdessä. Ilman osittaista tarkastelua tuloksesta voisi lukea eriarvoisuutta, jota siinä ei ole — tai jättää huomaamatta sellaista, jota siinä on.

Seuraavassa osassa palaan verkoston kestävyyteen. Tähän asti olen kysynyt, missä latausasemat ovat ja kenelle ne riittävät. Seuraavaksi kysyn, mitä tapahtuu kun ne katoavat.

---

Mitä tästä on hyötyä yrityksellesi

Kysy, kuka mittarissasi on nimittäjänä. Tämän osan koko idea on siinä, että “autoja per latauspiste” laskee mukaan autoja, jotka eivät latauspistettä tarvitse. Sama virhe on lähes jokaisessa kapasiteettimittarissa: asiakkaita per palveluneuvoja laskee mukaan asiakkaat, jotka eivät koskaan soita; käyttäjiä per lisenssi laskee mukaan käyttäjät, jotka eivät kirjaudu sisään. Tarkista nimittäjä ennen kuin mitoitat sen perusteella.

Segmentoi tarpeen, älä ominaisuuden mukaan. Asiakkaita segmentoidaan tavallisesti sen mukaan mitä he ovat — toimiala, koko, sijainti. Hyödyllisempi jako on se, mitä he tarvitsevat. Tässä osassa asuinalueen rakennuskanta osoittautui paremmaksi ennustajaksi kuin sijainti tai tulotaso.

Erota sekoittavat tekijät ennen kuin raportoit yhteyden. Osittaiskorrelaatio on muutaman rivin laskutoimitus ja estää nolaavan virheen: raportoimasta yhteyttä, joka selittyy kolmannella tekijällä. Jos raportissa lukee “A ja B korreloivat”, ensimmäinen kysymys on aina mikä C on.

Käytä hienojakoisinta saatavilla olevaa aluejakoa. Kuntataso peittää kunnan sisäiset erot, ja ne ovat usein suurempia kuin kuntien väliset. Postinumerotaso on Suomessa avointa dataa ja kymmenkertainen tarkkuus. Sama pätee organisaatioon: konsernitason luku peittää sen, että yksi yksikkö vetää kaikkia muita.

Ja kerro, kun paras saatavilla oleva muuttuja ei ole se jota haluaisit mitata. Käytin pientaloasumista kotilatausmahdollisuuden mittarina, koska parempaa ei ole. Se on approksimaatio ja sanon sen ääneen. Analyysi, joka esittää approksimaation mittauksena, on epärehellinen; analyysi, joka jättää laskematta koska täydellistä muuttujaa ei ole, on hyödytön.

Jos organisaatiossasi mitoitetaan kapasiteettia mittarilla, jonka nimittäjää ei ole kyseenalaistettu, tai jos aluevertailuja tehdään kuntatasolla vaikka tarkempaa dataa on saatavilla, siinä on työtä odottamassa. Teen tätä vuokrattavana Head of Datana ja projektikohtaisesti — hinnasto ja yhteystiedot löytyvät sivustolta.

---

Aineistot: Tilastokeskuksen Paavo-postinumeroalueittainen avoin tieto, OpenStreetMap (© OpenStreetMap-osallistujat, ODbL 1.0), Fintraffic AFIR / Digitraffic. Koodi on kokonaisuudessaan tässä postauksessa. Maailma on jakauma.