Missä kaupunkilaiset viettävät aikaa arki-iltaisin? Milloin ihmisiä on eniten Keskuspuistossa? Paljonko kaupungin väestö kasvaa keskiyöstä keskipäivään? Millainen on kaupungin tai eri kaupunginosien pulssi?
Näihin kysymyksiin kaipaavat vastauksia muun muassa liikenteen ja maankäytön suunnittelijat, tapahtumanjärjestäjät ja pelastusviranomaiset Helsingissä ja muualla. Ymmärrys väestön alueellisesta jakautumisesta tiettynä ajanhetkenä ja sen vaihtelusta esimerkiksi vuorokauden, vuodenajan tai vuoden aikana – väestön dynamiikasta – on kuitenkin vähäistä ja rajoittuu pääasiassa tietoon siitä, missä ihmiset nukkuvat tai käyvät töissä.
Tuore matkapuhelinaineistoa hyödyntävä tutkimus (Bergroth 2019) tarjoaa tietoa väestön dynamiikasta pääkaupunkiseudulla sekä menetelmiä tiedonlouhintaan tulevaisuudessa. Empiirisiä tuloksia voidaan käyttää suunnittelun ja päätöksenteon tukena.
Ihmiset eivät ole kellon ympäri siellä missä nukkuvat
Ymmärrys väestön alueellisesta jakautumisesta perustuu edelleen pitkälti staattisiin, asuinpaikkaan sidottuihin väestötietoihin (esim. Deville et al. 2014; Ricciato et al. 2017). Ajallisen vaihtelun puuttumisen vuoksi ne eivät kerro väestön liikkeiden muutoksista ajassa, kuten vuorokauden aikana tai viikonpäivien tai vuodenaikojen välillä. Lisäksi asuinpaikkakohtainen tieto voi johtaa merkittävien väestöryhmien, kuten pendelöivien työmatkalaisten, tapahtumiin osallistuvien tai turistien sivuuttamiseen päätöksenteossa (Smith 1989; Wardrop et al. 2018). Sopivan tiedon puuttuminen on johtanut siihen, että monella sovellusalalla kotisijaintiin perustuva oletus on yhä normi siihen kohdistuvasta kritiikistä huolimatta (esim. Kwan 2013).
Dynaamisen tiedon kerääminen on kuitenkin työlästä. Valtaosassa maita tieto väestön olinpaikoista toteutetaan edelleen kyselyillä tai haastatteluilla, kuten Kiinassa, jossa edellisen väestölaskennan yhteydessä vuonna 2010 kuusi miljoonaa väestönlaskijaa kiersivät ovelta ovelle tietoja keräten (Cai 2013).
Työläyden vuoksi väestölaskenta toteutetaan yleensä vain noin joka kymmenes vuosi, minkä takia aineisto on usein vanhentunutta väestön alueellisen jakautumisen tarkasteluun. Suomessa on jo 1990-luvulta lähtien ollut käytössä kansainvälisesti edistyksellinen rekisteripohjainen järjestelmä (Myrskylä 2011; Ruotsalainen 2011), mutta keskeinen ongelma väestödynamiikan tarkastelun kannalta säilyy: riittävän tarkka ajallinen ulottuvuus puuttuu.
Tarve dynaamiselle väestötiedolle on tunnistettu jo pitkän aikaa sitten. Ensimmäinen tiedetty maininta kirjallisuudessa tarpeesta erotella päivä- ja yöväestö oli sosiologi Louis Wirthin (1938) kynästä tunnetussa julkaisussaan ”Urbanism as a way of life” (Ma et al. 2017). Tämän jälkeen tieteessä on kehitetty erilaisia menetelmiä perinteisten väestöaineistojen puutteiden korjaamiseksi. Kirjoon sisältyy muun muassa yövalaistuksen analysointi kaukokartoituksen keinoin ja asuinpaikkatiedon rikastaminen matkapäiväkirjoilla tai erilaisilla tilastoaineistoilla, kuten esimerkiksi liikennemäärillä, sairaaloiden ja koulujen kapasiteettiluvuilla tai työpaikkatiedoilla (esim. Dobson et al. 2000; Zandvliet & Dijst 2005; Martin et al. 2009). Myös Helsingissä on käytetty jälkimmäistä lähestymistapaa väestön määrittämiseen riskiarviointia varten (Ahola et al. 2007). Haasteena on kuitenkin usein lähtöaineistojen kattavuus ja riittävän ajallisen tarkkuuden saavuttaminen, joka valtaosassa tutkimuksia rajoittuu vain yöhön ja päivään. Parhaat tulokset onkin saavutettu matkapuhelinaineistoja hyödyntäen, sillä ne voivat tarjota lähes reaaliaikaista tietoa ihmisten digitaalisesta jalanjäljestä.
Matkapuhelin väestön sijainnin kuvaajana
Matkapuhelimet ovat lyhyessä ajassa raivanneet tiensä lähes jokaisen taskuun, jossa ne kulkevat mukana päivittäisestä aktiviteetista toiseen. Samanaikaisesti matkapuhelinoperaattorit tallentavat tietoa puhelinten sijainnista verkon toimintaa optimoidakseen.
Vuoden 2018 lopussa Suomessa oli kotitalouksissa lähes 6,9 miljoonaa puhelinliittymää, mikä tekee asukasta kohti noin 1,3 liittymää (Traficom 2019). Tämän lisäksi matkapuhelimia myös käytetään aktiivisesti Suomessa ja pääkaupunkiseudulla: Tilastokeskuksen vuonna 2018 julkaiseman tilaston mukaan 99 % pääkaupunkiseudun väestöstä on käyttänyt matkapuhelinta vähintään kerran viimeisen kolmen kuukauden aikana (Tilastokeskus 2018). Yleistymisen ohella matkapuhelinten käyttö on kuitenkin kokenut merkittävän muutoksen Suomessa viimeisen reilun kymmenen vuoden aikana. Tiedonsiirron määrä matkapuhelinverkossa on kasvanut kiihtyvää tahtia, kun tekstiviestien ja puheluiden määrä vuorostaan on vähentynyt tasaisesti (Kuvio 1). Samalla matkapuhelimista on tullut Suomessa yleisin väline internetin käyttöön ja älypuhelimia on pääkaupunkiseudulla jo yhdeksällä kymmenestä (koko Suomi: 83 %) (Tilastokeskus 2019).
Ajallisen tarkkuuden ohella juuri matkapuhelinten yleisyys ja sen mahdollistama otoskoko tekee matkapuhelinaineistosta houkuttelevan tutkimusaineiston väestön dynamiikan tarkasteluun. Matkapuhelinaineistojen hyödyntäminen väestön alueellisen jakautumisen ja ihmisen liikkumisen tutkimuksessa onkin vakiinnuttanut paikkansa tieteessä jo 2000-luvun alusta lähtien ja alan kansainvälisiä pioneereja on ollut muun muassa Tarton yliopisto.
Matkapuhelinaineistoja on hyödynnetty ihmisten sijainnin kuvaajana tieteellisessä tutkimuksessa laajasti eri tieteenaloilla esimerkiksi kaupungin ja kaupunginosien rytmin tunnistamiseen, kaupunkitilan käytön ja ihmisten liikkumiskäyttäytymisen ymmärtämisessä esimerkiksi matkailun, liikennesuunnittelun tai tapahtumatoiminnan tarpeisiin tai alueellisen eriytymisen tutkimuksessa.
Tästä huolimatta matkapuhelinaineistoihin pohjautuvaa tieteellistä Suomeen sijoittuvaa tutkimusta ihmisten liikkumisesta ei ole aiemmin julkaistu. Lisäksi vain harvassa tutkimuksessa on ilmoitettu matkapuhelinten tiedonsiirto aineistolähteenä datankäytön ja älypuhelinten yleistyvyydestä huolimatta tai vertailtu erilaisten matkapuhelinaineistojen soveltuvuutta ihmisen sijainnin kuvaajana.
Dynaaminen väestöaineisto pääkaupunkiseudulta on monen aineiston summa
Työn keskeisenä tuloksena syntyi tavallista arkipäivää kuvaava dynaaminen 24 tunnin väestöaineisto pääkaupunkiseudulta. Lähtöaineistona toimi matkapuhelinoperaattori Elisan vuosina 2017–2018 keräämä verkkopohjainen matkapuhelinaineisto, joka sisälsi tunnin tarkkuudella puheluiden, tiedonsiirtoyhteyksien ja verkkoyhteyksien muodostusyritysten lukumäärän kussakin tukiasemassa. Tietoa yksittäisistä puhelimista ei ollut mukana aineistossa, minkä johdosta henkilöiden yksityisyydensuoja pysyy turvattuna. Matkapuhelinaineistojen lisäksi työssä hyödynnettiin paikkatietoaineistoja maankäytöstä, rakennusten pinta-alasta ja käyttötarkoituksesta sekä Tilastokeskuksen laatiman ajankäyttötutkimuksen tuloksia väestön kohdentamiseen 250 m x 250 m tilastoruudukkoon edistynyttä dasymetristä interpolointimenetelmää (ks. Järv et al. 2017) käyttäen. Menetelmän avulla oli mahdollista kohdentaa väestö tukiasemien teoreettisten kuuluvuusalueiden sisällä sellaisille alueille, joilla ihmiset todennäköisimmin ovat tiettyyn aikaan päivästä. Lopuksi tuloksena syntynyt tarkennettu väestöaineisto validoitiin vertailemalla sitä väestörekisteritietoihin.
Näin saatua 24 tunnin väestöaineistoa käytettiin pääkaupunkiseudun väestöpulssin analysointiin ja ensimmäisen täysin dynaamisen saavutettavuusmallin toteuttamiseen tutkimusalueella (ks. Järv et al. 2018). Lisäksi kolmen käytössä olleen eri matkapuhelinaineistotyypin soveltuvuutta ihmisen sijainnin kuvaajana vertailtiin tilastollisesti.
Dynaaminen väestöaineisto paljastaa kaupungin pulssin
Työn tulokset osoittavat, että matkapuhelinpohjainen väestöaineisto on luotettava ihmisten sijainnin kuvaaja ja tarjoaa realistisempia tuloksia verrattuna staattiseen väestöaineistoon. Käytetyllä matkapuhelinaineistolla on kuitenkin väliä: tiedonsiirto osoittautui kaikilla mittareilla luotettavimmaksi aineistolähteeksi ja suoriutui vertailuissa selkeästi paremmin kuin puheluiden lukumäärä. Erot korostuvat varsinkin yöaikaan, jolloin soitettujen puhelujen määrä on vähäinen, vaikka älypuhelimet usein synkronoivat taustalla esimerkiksi sähköpostia.
Tuloksena syntynyt dynaaminen väestöaineisto paljastaa pääkaupunkiseudun pulssin (Kuvio 2). Aamulla valtaosa väestöstä siirtyy asuinalueilta työpaikkakeskittymiin. Iltapäivällä liike ei kuitenkaan ole yhtä suoraviivainen vaan kotiin saatetaan suunnata esimerkiksi kaupan tai harrastusten kautta. Alkuillasta väestöä siirtyy ostoskeskuksiin ja viheralueille. Myös työmatkaliikenteen dynamiikka erottuu aineistosta. Erityisesti Hämeenlinnan väylällä aamu- ja iltapäivän työmatkaliikenteen tuoma väestö erottuu pulssista selkeästi. Väylät piirtyvät pääkaupunkiseudun väestökeskittymiksi aamulla noin 7–8 välillä ja iltapäivällä 16–18 aikoihin. Kartalta erottuu myös suurten linjojen lisäksi myös pienempiä väestön liikkumisen rakenteita. Esimerkiksi Otaniemessä on omanlaisensa päivärytmi: väestö kerääntyy päiväsaikaan kampukselle ja iltaisin opiskelija-asuntoihin niemen kärjessä sijaitsevaan Teekkarikylään.
Työssä tuotetun 24-tuntisen väestöaineiston avulla on mahdollista laskea, kuinka suuri osuus pääkaupunkiseudun väestöstä on kussakin tilastoruudussa tai niiden yhdistelmässä – esimerkiksi tietyllä postinumeroalueella – tiettynä tuntina ja miten osuus vaihtelee päivän aikana (Kuvio 3). Väestön vaihtelu päivän aikana on suurinta Helsingin keskustassa ja muilla alueilla, joilla asuntojen suhteellinen osuus on pieni, mutta palvelujen ja työpaikkatoimintojen osuus on suuri. Pulssi korostuukin erityisesti Helsingin kantakaupungissa, jossa tutkimusalueen väestön suhteellinen osuus kasvaa 50 %:lla yöstä sen huippuun keskipäivällä. Ydinkeskustassa muutos on vieläkin suurempi.
Väestörekisteriaineisto yliarvioi väestön osuutta asuinalueilla ja aliarvioi väestön osuutta työpaikka-alueilla
Vertailu staattisen väestörekisteriaineiston ja työssä tuotetun dynaamisen matkapuhelinpohjaisen väestöaineiston välillä paljastaa alueellisia eroja väestön alueellisessa jakautumisessa sekä yö- että päiväsaikaan.
Päiväsaikaan rekisteriaineisto aliarvioi väestöä erityisesti työpaikka- ja palvelutoimintojen alueilla verrattuna dynaamiseen väestöaineistoon (Kuvio 4). Näitä alueita ovat muun muassa Helsingin keskusta, Pasila-Ilmalan alue, Pitäjänmäki, Ruoholahti, Kalasatama ja Itäkeskus. Espoossa vastaavat alueet ovat keskittyneet metro- ja junaradan varteen, kuten Leppävaaraan, Espoon keskukseen, Aalto-yliopiston kampusalueelle, Tapiolaan ja Matinkylään. Vantaalla staattinen aineisto aliarvioi väestöä eniten Tikkurilassa sekä lentokentällä ja sen eteläpuolella sijaitsevalla alueella. Rekisteriaineisto myös yliarvioi väestön osuutta, lähinnä asuinalueilla eri puolilla pääkaupunkiseutua. Helsingissä näihin alueisiin lukeutuvat muun muassa Töölö, Eira ja Kallio, merkittävät osat Lauttasaarta ja Vuosaarta sekä pientalovoittoiset alueet Helsingin pohjoisosissa, kuten Pakila ja Puistola.
Aineistojen välillä on eroja myös yöaikaan. Yöllä staattinen rekisteriaineisto aliarvioi väestöä etenkin Helsingin keskustassa, Helsinki-Vantaan lentokentän ympäristössä sekä Pasila-Ilmalan logistiikka-alueella verrattuna matkapuhelinpohjaiseen väestöaineistoon. Näillä alueilla sijaitsee merkittäviä yötyöpaikka- ja palvelutoimintoja. Kuten päiväsaikaan, myös yöllä rekisteriaineisto yliarvioi väestön määrää suhteessa dynaamiseen väestöaineistoon eniten asuinalueilla, joskin erot ovat pienemmät kuin päivällä. Erot aineistojen välillä ovat pieniä harvaan asutuilla alueilla Espoon pohjoisosissa sekä pääkaupunkiseudun itäisimmissä osissa vuorokaudenajasta riippumatta.
Yöajan vertailun tulokset kuvastavat samalla dynaamisten väestöaineistojen validoinnin haasteita. Mikä on lopulta luotettava aineisto kuvaamaan todellista väestön sijaintia? Vaikka vertailu staattisen väestöaineiston alueelliseen jakautumiseen yöaikaan on yleisesti hyväksytty ja käytetty menetelmä tieteessä, on tärkeää tunnistaa myös sen puutteet. Kotisijainteihin perustuva validointiaineisto sisältää jo oletuksen, että väestö nukkuu yöllä kotona, jolloin yöaikaan kotinsa ulkopuolella oleva väestö jää tarkastelun ulkopuolelle. Vaikka matkapuhelinaineistossa olisikin todenmukaisempi tieto, näyttäytyy se tällaisessa validointiasetelmassa virheenä.
Dynaamisen väestötiedon avulla voidaan kehittää parempia päätöksiä ja palveluita kaupunkilaisille
Kaupungin ymmärtäminen edellyttää luotettavia tietoja väestön dynamiikasta. Matkapuhelinaineistot tarjoavat mahdollisuuden vastata tähän tarpeeseen. Työn tulokset osoittavat, että matkapuhelinten tiedonsiirtoon pohjautuva väestöaineisto on luotettava ihmisten sijainnin kuvaaja tarjoten uutta tietoa väestön dynamiikasta ja kaupunkitilan käytöstä pääkaupunkiseudulla. Työn tietoa voidaan hyödyntää esimerkiksi kaupungin tai seudullisten palveluiden sijoittamisessa ja aukioloaikojen suunnittelussa. Yleisesti matkapuhelinaineistojen käyttöä onkin Helsingin kaupungilla kokeiltu jo esimerkiksi tapahtumatoiminnan yhteydessä ja tulokset ovat olleet lupaavia.
Yksi konkreettinen esimerkki aineiston hyödyntämisestä on saavutettavuusanalyysit, jotka voivat vastata esimerkiksi kysymykseen: Kuinka moni saavuttaa Helsingin päärautatieaseman tai lähimmän kirjaston 15 minuutissa kävellen tai joukkoliikenteellä? Nämä ovat tärkeitä kysymyksiä kaupunkisuunnittelussa, mutta toistaiseksi on jouduttu niin tieteellisessä kirjallisuudessa kuin käytännön suunnittelussa pitkälti tyytymään oletukseen siitä, että ihmiset ovat kotona paremman aineiston puutteessa. Tässä työssä tuotettu aineisto mahdollistaa realistiempien saavutettavuusanalyysien tekemisen, ja paikoin kotisijainnin aiheuttamat vääristymät tuloksiin ovat merkittäviä (Kuvio 5). Saavutettavuuden teemaa, joskin hieman eri menetelmin, käsitellään myös toisaalla tässä numerossa (ks. Jääskeläisen artikkeli).
Uusia aineistolähteitä käsitellessä herää kuitenkin myös kysymys siitä, kenellä on pääsy tarvittaviin aineistoihin. Dynaamisten väestöaineistojen, kuten matkapuhelinaineiston saatavuus esimerkiksi tutkijakäyttöön ja riippumattomaan tilastotuotantoon on edelleen haastavaa. Yhteistyön edistäminen matkapuhelinoperaattorien ja tutkijoiden välillä on edellytys, jos halutaan siirtyä pois kotisijaintioletuksesta kohti luotettavampaa, dynaamista väestötietoa päätöksenteon ja suunnittelun pohjaksi.
Parhaimmillaan dynaamiset väestötiedot mahdollistavat paremman kaupungin suunnittelun. Ovatko matkapuhelinaineistot Helsingin seuraava askel kohti maailman toimivinta ja maailman parhaiten digitalisaatiota hyödyntävää kaupunkia?
Claudia Bergroth toimii tutkijana Helsingin kaupungin kaupunkitutkimus ja -tilastot -yksikössä. Sähköposti: etunimi.sukunimi@hel.fi(Linkki avaa oletussähköpostiohjelman). Teksti perustuu kirjoittajan keväällä 2019 Helsingin yliopiston Digital Geography Lab (DGL) -tutkimusryhmässä valmistuneeseen pro gradu -työhön ”Uncovering population dynamics using mobile phone data: the case of Helsinki Metropolitan Area”. Työ on luettavissa osoitteessa: http://urn.fi/URN:NBN:fi:hulib-201905272171(Linkki johtaa ulkoiseen palveluun).
Kirjallisuus
Ahola, T., Virrantaus, K., Krisp, J. M. & Hunter, G. J. (2007). A spatio-temporal population model to support risk assessment and damage analysis for decision-making, International Journal of Geographical Information Science, 21(8), pp. 935–953. doi: 10.1080/13658810701349078.
Bergroth, C. (2018). The 24-h population dynamics of the Finnish Capital Region uncovered! 9.10.2018. https://blogs.helsinki.fi/accessibility/2018/10/09/the-24-h-population-d...(Linkki johtaa ulkoiseen palveluun)
Bergroth, C. (2019). Uncovering population dynamics using mobile phone data: the case of Helsinki Metropolitan Area. Pro gradu –tutkielma. 138 s. Helsingin yliopisto, geotieteiden ja maantieteen osasto. URI: http://urn.fi/URN:NBN:fi:hulib-201905272171(Linkki johtaa ulkoiseen palveluun).
Cai Y. (2013). China's New Demographic Reality: Learning from the 2010 Census. Population and development review, 39(3), 371–396. https://doi.org/10.1111/j.1728-4457.2013.00608.x(Linkki johtaa ulkoiseen palveluun)
Deville, P., Linard, C., Martin, S., Gilbert, M., Stevens, F. R., Gaughan, A. E., Blondel, V. D. & Tatem, A. J. (2014). Dynamic population mapping using mobile phone data, Proceedings of the National Academy of Sciences, 111(45), pp. 15888–15893. doi: 10.1073/pnas.1408439111.
Dobson, J. E., Bright, E. A., Durfee, R. G. & Worley, B. A. (2000). LandScan: A global population database for estimating population at risk, Photogrammetric Engineering and Remote Sensing, 66(7), pp. 849–857. doi: 10.1016/j.scitotenv.2008.02.010.
Järv, O., Tenkanen, H. & Toivonen, T. (2017). Enhancing spatial accuracy of mobile phone data using multi-temporal dasymetric interpolation, International Journal of Geographical Information Science. Taylor & Francis, 31(8), pp. 1630–1651. doi: 10.1080/13658816.2017.1287369.
Järv, O., Tenkanen, H., Salonen, M., Ahas, R. & Toivonen, T. (2018). Dynamic cities: Location-based accessibility modelling as a function of time, Applied Geography. Pergamon, 95, pp. 101–110. doi: 10.1016/J.APGEOG.2018.04.009.
Kwan, M-P. (2013). Beyond Space (As We Knew It): Toward Temporally Integrated Geographies of Segregation, Health, and Accessibility, Annals of the Association of American Geographers, 103:5, pp. 1078-1086. doi: 10.1080/00045608.2013.792177
Ma, Y., Xu, W., Zhao, X. & Li, Y. (2017). Modeling the Hourly Distribution of Population at a High Spatiotemporal Resolution Using Subway Smart Card Data: A Case Study in the Central Area of Beijing, ISPRS International Journal of Geo-Information, 6(5), p. 128. doi: 10.3390/ijgi6050128.
Martin, D., Cockings, S. & Leung, S. (2009). Population 24/7: building time-specific population grid models, Proceedings of the European Forum for Geostatistics Conference. The Hague, The Netherlands, pp. 1– 11.
Myrskylä, P. (2011). Yli 250 vuotta väestölaskentoja. 18.3.2011. Tilastokeskus. http://tilastokeskus.fi/tup/vl2010/art_2011-03-18_001.html(Linkki johtaa ulkoiseen palveluun). 15.1.2020.
Ricciato, F., Widhalm, P., Pantisano, F. & Craglia, M. (2017). Beyond the ‘single-operator, CDR-only’ paradigm: An interoperable framework for mobile phone network data analyses and population density estimation, Pervasive and Mobile Computing. Elsevier, 35, pp. 65–82. doi: 10.1016/J.PMCJ.2016.04.009.
Ruotsalainen, K. (2011). Maailman väestö lasketaan joka kymmenes vuosi. 17.5.2011. Tilastokeskus. www.stat.fi/tup/vl2010/art_2011-05-17_001.html(Linkki johtaa ulkoiseen palveluun). 15.1.2020.
Smith, S. K. (1989). Toward a methodology for estimating temporary residents, Journal of the American Statistical Association, 84(406), pp. 430–436. doi: 10.1080/01621459.1989.10478787.
Tilastokeskus (2018). Suomen virallinen tilasto. Väestön tieto- ja viestintätekniikan käyttö 2018. Helsinki: Tilastokeskus. http://www.stat.fi/til/sutivi/2018/sutivi_2018_2018-12-04_tie_001_fi.html(Linkki johtaa ulkoiseen palveluun). 15.12.2018.
Tilastokeskus (2019). Suomen virallinen tilasto. Väestön tieto- ja viestintätekniikan käyttö 2019. Helsinki: Tilastokeskus. http://www.stat.fi/til/sutivi/2019/sutivi_2019_2019-11-07_tie_001_fi.html(Linkki johtaa ulkoiseen palveluun). 20.2.2020.
Traficom (2019). Matkaviestinverkon liittymät. Tilastot ja julkaisut, Liikenne- ja viestintävirasto. https://www.traficom.fi/fi/tilastot/matkaviestinverkon-liittymat(Linkki johtaa ulkoiseen palveluun). 20.2.2020.
Wardrop, N. A., Jochem, W. C., Bird, T. J., Chamberlain, H. R., Clarke, D., Kerr, D., Bengtsson, L., Juran, S., Seaman, V. & Tatem, A. J. (2018). Spatially disaggregated population estimates in the absence of national population and housing census data, Proceedings of the National Academy of Sciences, 115(14), p. 201715305. doi: 10.1073/pnas.1715305115.
Wirth, L. (1938). Urbanism as a Way of Life, American Journal of Sociology. The University of Chicago Press, 44(1), pp. 1–24. doi: 10.1086/217913.
Zandvliet, R. & Dijst, M. (2005). Research Note—The Ebb and Flow of Temporary Populations: The Dimensions of Spatial-Temporal Distributions of Daytime Visitors in the Netherlands, Urban Geography, 26(4), pp. 353–364. doi: 10.2747/0272-3638.26.4.353.