Vähäpäästöisten ja terveellisten kulkutapojen osuuden kasvattaminen on monen kaupunkiseudun liikennepoliittisten tavoitteiden kärjessä. Myös pääkaupunkiseudulla kävelyn ja pyöräilyn edellytyksiä pyritään edistämään aktiivisesti, ja suunnittelun tueksi tarvitaan tutkittua tietoa eri kulkutapojen käytön nykytilasta. Olemme kartoittaneet urheilusovellusdataa hyödyntäen esimerkiksi kaupungin suosituimpia pyöräreittejä, muutoksia vuosien välillä, työmatkapyöräilijöiden suosituimpia kohdealueita kantakaupungissa, sekä infrastruktuurin muutosten vaikutusta pyöräilyvirtojen kanavoitumiseen. Urheilusovellusdata ja muut uudenlaiset aineistolähteet kekseliäästi hyödynnettyinä voivat tuottaa kiinnostavaa lisätietoa pyöräilyn alueellisista ja ajallisista rakenteista ja siten tukea tietoon pohjautuvaa pyöräilyn suunnittelua.
Pyöräilyn tutkimus suunnittelun tukena
Urbaanit liikennejärjestelmät ovat globaalisti suuren muutospaineen alla, ja kaupunkilaisten liikkumisesta halutaan radikaalisti vähemmän öljyriippuvaista ja terveellisempää. Ympäristöystävällisten ja aktiivisten kulkutapojen osuuden lisääminen on yksi keskeisistä tavoitteista kaupunkiseuduilla maailmanlaajuisesti (EEA 2016). Pyöräily päästöttömänä, meluttomana, vähän tilaa vievänä sekä ihmisten liikkumista ja terveyttä tukevana kulkutapana nähdään sekä liikkujalle että yhteiskunnalle edullisena kulkutapana (Liikenne- ja viestintäministeriö 2011). Pyöräilyä pyritäänkin monella kaupunkiseudulla edistämään esimerkiksi kehittämällä pyöräilyn infrastruktuuria ja tukemalla pyöräilymyönteistä ilmapiiriä.
Suomessa pääkaupunkiseudun kunnat ovat sitoutuneet Brysselin julistuksen mukaiseen tavoitteeseen kasvattaa pyöräilyn kulkutapaosuutta 15 prosenttiin lähitulevaisuudessa (Pyöräilymetropoli 2017). Helsinkiläisten liikkumistottumuksia kartoittaneiden tutkimusten mukaan syksyn arkivuorokauden pyöräilyn kulkutapaosuus kaikista matkoista Helsingissä oli vuonna 2012 11 % ja vuonna 2016 10 % (Helsingin kaupunki 2016). Helsingissä tapahtuu tällä hetkellä pyöräilyn edistämisen saralla paljon: Kaupunkipyörät ovat katukuvassa toista kautta ja niiden käyttöaktiivisuus on ollut huippuluokkaa maailmanlaajuisestikin mitattuna (Helsingin kaupunki 2017). Pyöräilyn infrastruktuuria kehitetään sujuvamman ja turvallisemman pyöräilyn tukemiseksi; yksi viimeaikainen esimerkki tästä on Pohjoisbaanan avaaminen elokuun lopulla. Myös pyöräilyn yhdistämistä muihin kulkutapoihin pyritään helpottamaan, ja kesästä lähtien pyörän on saanut ottaa maksutta mukaan lähijunaan myös ruuhka-aikoina.
Myös tutkimuksen saralla pyöräily on kuuma aihe: kansainvälisesti tutkijat pyrkivät ymmärtämään esimerkiksi millainen kaupunkirakenne lisää pyöräilyä (Kaplan ym. 2016), kuinka pyöräily kulkutapana edistää asukkaiden terveyttä (Götschi ym. 2016) ja miten kaupunkipyöräjärjestelmät vaikuttavat ihmisten liikkumiseen (Fishman 2016). Uudenlaiset aineistolähteet perinteisempien rinnalla ovat tuoneet innostavia mahdollisuuksia pyöräilyn tutkimukseen. Pyöräilyn volyymia on perinteisesti tutkittu kiinteiden tai liikkuvien pyörälaskureiden avulla, pyöräilijöiden reittejä on kartoitettu GPS-laitteiden avulla ennalta suunnitelluilla kampanjoilla, ja mieltymyksiin liittyviä tekijöitä on analysoitu kyselytutkimuksin. Viime vuosina näiden perinteisten menetelmien rinnalle on noussut big dataan rinnastettavien tai joukkoistamalla hankittujen aineistolähteiden käyttö (Griffin & Jiao 2015; Romanillos ym. 2016). Esimerkiksi älypuhelinten yleistymisen myötä yleisesti käytössä olevien urheilusovellusten keräämä data on tuonut hyvän lisän varta vasten räätälöityjen tiedonkeruusovellusten rinnalle (Hood ym. 2011; Zimmermann ym. 2017). Älypuhelinten paikannustarkkuus on nykyään riittävä pyöräilytutkimusten tarpeisiin, ja puhelimella käytettäviä urheilusovelluksia (kuten Strava, Endomondo, Map My Ride, SportsTracker, jne.) pidetään edullisena, nopeana ja suuria osallistujamääriä saavuttavana menetelmänä (Romanillos ym. 2016; Korpilo ym. 2017).
Tässä artikkelissa esittelemme Strava Metro -urheilusovellusaineistoon perustuvia analyyseja Helsingin pyöräilystä. Olemme analysoineet aineistosta muun muassa sitä, kuinka sen havainnot korreloivat Helsingin kaupungin pyörälaskuriaineistojen kanssa, missä ovat datan perusteella Helsingin suosituimmat pyöräreitit, minne työmatkapyöräilijöiden matkat keskittyvät ja kuinka muutokset pyöräilyinfrastruktuurissa vaikuttavat pyöräilijämääriin ja pyöräilyreitteihin.
Helsingissä urheilusovellusaineisto on pääosin keski-ikäisten miesten tuottamaa, mutta sen ajalliset ja alueelliset rakenteet kuvastavat silti hyvin tavallista arkipyöräilyä.
Strava Metro -aineisto pohjautuu Strava-urheilusovellusta käyttävien ihmisten tallentamiin GPS-aineistoihin, jotka Metro-yhtiö on anonymisoinut ja yhdistänyt tieverkkoaineistoon, niin ettei yksittäisiin reitteihin ja pyöräilijöiden henkilökohtaisiin tietoihin päästä käsiksi (Strava Metro 2017). Strava Metro-aineisto koostuu siis käytännössä tieverkkogeometriasta, johon on liitetty tietoa siitä, kuinka paljon pyöräilijöitä ja pyöräilymatkoja tietyllä tieverkon osuudella on ollut eri ajanjaksoina. Strava-sovellus on erityisesti pyöräilijöiden suosiossa, ja sen käyttäjämäärät myös Suomessa ovat olleet viime vuosina kasvussa. Tässä artikkelissa esitellyt tulokset perustuvat pääosin vuonna 2016 pääkaupunkiseudulla tuotettuun dataan, joka edustaa 5 223:a erillistä sovelluksen käyttäjää.
Urheilusovellusdatan käyttöä tutkimuksessa on kritisoitu siitä, ettei se edusta hyvin koko pyöräilypopulaatiota, vaan on vinoutunutta muun muassa käyttäjien iän, sukupuolen, ja älypuhelimen omistuksen ja käytön suhteen sekä kuvastaa enemmän urheilullisia pyöräilysuorituksia kuin arkisia matkoja (Griffin & Jiao 2015; Bergman & Oksanen 2016). Myös pääkaupunkiseudun datassa keski-ikäiset miehet ovat selkeästi yliedustettuina todelliseen pyöräilijäkansaan verrattuna. Toisaalta urheilusovellusten käyttäjien on kuitenkin havaittu käyttävän pitkälti samoja reittejä kuin muidenkin pyöräilijöiden erityisesti pyöräilyn huippuaikoina (Jestico ym. 2016). Myös Helsingissä Strava-aineiston vertailu kaupungin pyörälaskenta-aineistoihin kertoo aineistojen kohtuullisen hyvästä ajallisesta ja alueellisesta vastaavuudesta. Yksittäisissä paikoissa, kuten vaikkapa Lauttasaaren sillalla, korrelaatio Strava-aineiston kuukausittaisten pyörämatkojen ja koneellisten laskentapisteiden kuukausihavaintojen välillä on jopa lähes täydellinen (Kuvio 1).
Kokonaisuudessaan Strava vaikuttaa melko luotettavalta pyöräilyn aineistolähteeltä Helsingissä pyörälaskureiden ja Strava-datan vertailujen perusteella. Sen aika- ja paikkakohtaiset erot ja aineiston tuottajien vinoumat on kuitenkin syytä huomioida tuloksia yleistettäessä: esimerkiksi kesäkuukausien Strava-aineisto korreloi paremmin laskuriaineiston kanssa talvikauden dataan verrattuna, ja eripuolilla kaupunkia olevien laskuripisteiden vastaavuudessa Strava-aineistoon on huomattavia eroja.
Missä Helsingissä pyöräillään?
Kun kaikkia vuoden 2016 Strava-tallennuksia tarkastellaan, Helsingin suosituimpina pyöräilyreitteinä erottuvat erityisesti radanvarret ja osuudet, jotka kokoavat monia teitä, eikä vaihtoehtoisia reittejä ole. Näistä näkyvimpiä esimerkkejä ovat sillat, kuten Lauttasaaren ja Kulosaaren sillat, sekä Kuusisaaren ja Lehtisaaren pyöräväylät. Samoin isojen tieliikenneväylien varret kuten Kehä I, Vihdintie ja Hakamäentie sekä Keskuspuisto erottuvat kartalta suosittuina pyöräilyreitteinä (Kuvio 2).
Kantakaupungissa suosituimpina reitteinä korostuvat edellä mainittujen lisäksi pääradan varren itäpuolen reitti, Töölönlahden länsiranta, Baana, Keskuspuiston pohjois–etelä-suuntaiset reitit, Ilmalan ja Pasilan välinen yhteys, sekä rantareitit Kaivopuiston ohella Töölössä, Meilahdessa, Pohjoisrannassa ja Hietalahdessa. Näiden lisäksi paljon pyöräillään myös isoimmilla teillä kuten Mannerheimintiellä, Helsinginkadulla, Teollisuuskadulla, Bulevardilla ja Itämerenkadulla.
Suuret työpaikka-alueet korostuvat työmatkapyöräilijöiden kohdealueina
500 x 500 metrin kokoisten ruutujen tarkkuudella Strava-aineistosta voi tunnistaa tallennettujen pyörämatkojen lähtö- ja kohdepisteitä. Tällä tarkkuudella analysoimme arkiaamujen työmatkapyöräilijöiden suosituimpia kohdealueita. Kuvio 3 esittää ruututasolla saapumisten (eli pyörämatkojen päätepisteiden) määrät luokiteltuna. Kartalta korostuvat voimakkaasti tietyt työpaikka-alueet ydinkeskustassa, Kalliossa, Alppilassa, Vallilassa, Talissa/Pitäjänmäessä ja Ruoholahdessa.
Infrastruktuurin muutokset vaikuttavat pyöräilyvirtoihin: esimerkkinä Isoisänsilta
Eri ajankohtina tuotetun aineiston vertailu paljastaa muutoksia pyöräilijämäärissä ja pyöräilijöiden suosimissa reiteissä. Tarkastelimme, kuinka uusien pyöräilyväylien rakentaminen vaikuttaa lähialueiden pyöräilymääriin ja -reitteihin, ja kuvio 4 näyttää, kuinka Isoisänsillan avaaminen Mustikkamaan ja Kalasataman välille kesäkuun 2016 alussa muutti alueen pyöräilyvirtoja.
Isoisänsillan avaaminen kasvatti selkeästi pyörämatkoja Mustikkamaalla ja Kalasataman eteläosissa, kun taas Kulosaaren sillan kautta kulkevat matkat vähenivät suhteessa aiempaan. Touko-kesäkuun 2016 välillä matkojen suhteellinen kasvu oli suurinta Isoisänsillan lisäksi Mustikkamaanpolulla ja Kulosaaresta Mustikkamaalle johtavalla Marsalkantiellä. Vaikka Kulosaaren silta on yksi Helsingin suosituimmista reiteistä, osoittaa Strava-aineiston tarkastelu osan kantakaupungin ja Kulosaaren välillä kulkevista matkoista siirtyneen Isoisänsillan tarjoamalle vaihtoehtoiselle reitille.
Uudenlaiset aineistolähteet perinteisempien aineistojen rinnalla voivat täydentää ymmärrystämme pyöräilystä
Urheilusovellusaineisto mahdollistaa monenlaisia alueellisesti ja ajallisesti hienojakoisia analyyseja. Tässä artikkelissa esitettyjen analyysien lisäksi olemme analysoineet Strava-aineistosta laajemmin eri alueilla tapahtuneita muutoksia pyöräilijämäärissä ja pyöräilyreiteissä eri ajanjaksoina, työmatkapyöräilyä, suurten työmaiden vaikutuksia pyöräilijämääriin ja pyöräilyreitteihin, pyöräilynopeuksien vaihtelua eri alueilla sekä pyöräilijöiden odotusaikoja risteyksissä. Käytännön suunnittelutyössä tällaisia analyyseja voi hyödyntää esimerkiksi kunnossapidon ja parannustarpeiden priorisoinnissa tärkeimmille reiteille, eri pyöräväylien talvihoidon suunnittelussa, työmaa-aikaisten järjestelyiden suunnittelussa eri reiteille ja liikennevaloviiveiden vähentämisessä. Lisäksi alueellisesti ja ajallisesti kattavan urheilusovellusaineiston avulla voidaan saada arvokasta seurantatietoa siitä, kuinka infrastruktuurin parantaminen käytännössä heijastuu pyöräilijöiden reittivalintoihin.
Myös muut uudenlaiset aineistolähteet voivat täydentää ymmärrystämme pyöräilyn alueellisista ja ajallisista rakenteista. Tutkimusryhmässämme tarkastellaan parhaillaan Helsingin kaupunkipyöräjärjestelmän tuottamaa aineistoa pyörien lainaus- ja palautuspaikoista ja –ajankohdista. Analyyseissa pyrimme ymmärtämään esimerkiksi, missä ja milloin kaupunkipyöriä käytetään, käytetäänkö pyöriä eri tavoin eri kaupunginosissa ja sitä, kuinka kaupunkipyörät kytkeytyvät osaksi joukkoliikennettä. Sosiaalisen median aineistojen avulla pyrimme ymmärtämään, kuinka pyöräily näkyy eri sosiaalisen median alustoilla, ja sitä, voimmeko pyöräilyyn liittyvien sosiaalisen median päivitysten avulla päätellä jotain esimerkiksi pyöräilyyn liittyvistä asenteista.
Näitä edellä mainittuja aineistolähteitä yhdistää se, että aineistot koostuvat laajasta joukosta havaintoja, joita ei ole varta vasten tuotettu tutkimusta varten. Parhaimmillaan tällaisten big dataan rinnastettavien ja joukkoistamalla hankittujen aineistolähteiden käyttö voi antaa varsin rehellisen kuvan esimerkiksi pyöräilyn rakenteista, sillä aineistoa ei ole tuotettu tarkoituksellisesti tutkimusta varten. Toisaalta tällaisten aineistojen käyttö vaatii tarkkaa harkintaa: joukkoistamalla kerätty data on usein varsin vinoutunutta, ja tutkijan täytyy pohtia aineiston edustavuutta ja sitä, kuinka laajalti siitä johdettuja tuloksia voi yleistää. Datan käsittelyssä tarvitaan myös menetelmällistä ymmärrystä ja kehitystyötä, jotta siitä saadaan järkevää tietoa ja aineiston tuottajien yksityisyydensuoja saadaan säilytettyä (Oksanen ym. 2015).
Kaikki artikkelin kirjoittajat ovat osa Helsingin yliopiston geotieteiden ja maantieteen laitoksella toimivaa Digital Geography Lab -tutkijaryhmää (DGL), joka keskittyy uudenlaisten aineistolähteiden ja paikkatietopohjaisten menetelmien avulla tukemaan suunnitteluprosesseja (http://www.helsinki.fi/digital-geography(Linkki johtaa ulkoiseen palveluun)). FM Ainokaisa Tarnanen on tehnyt pro gradu –työnsä pyöräilyn saavutettavuusmallinnukseen liittyen ja on toiminut hankkeessa projektitutkijana, FT Maria Salonen johtaa hanketta ja LuK Elias Willberg työskentelee hankkeessa tutkimusavustajana ja laatii samalla pro gradu –työtään kaupunkipyöriin liittyen. Tuuli Toivonen on geoinformatiikan apulaisprofessori ja Digital Geography Labin johtaja.
Artikkeli pohjautuu DGL:n ja Helsingin kaupungin liikenne- ja katusuunnittelupalvelun yhteiseen Pyöräilyn reitit ja sujuvuus -hankkeeseen, jossa analysoitiin pyöräilyn alueellisia ja ajallisia rakenteita Helsingissä Strava Metro -aineistoon perustuen. Helsingin kaupungin liikenne- ja katusuunnittelupalvelu on rahoittanut aineiston hankinnan ja tutkimusta ja toiminut tutkimushankkeen ohjausryhmässä. Hankkeen loppuraportti (pdf) on julkaistu Helsingin kaupungin Kaupunkiympäristön julkaisuja -sarjassa.
Kirjallisuus:
Bergman, C. & J. Oksanen (2016). Conflation of OpenStreetMap and Mobile Sports Tracking Data for Automatic Bicycle Routing. Transactions in GIS 20:6, 848–868.
EEA = European Environment Agency (2016). TERM 2016: Transitions towards a more sustainable mobility system. EEA Report No 34/2016.
Fishman, E. (2016). Bikeshare: A review of recent literature. Transport Reviews, 1–22.
Griffin, G.P. & J. Jiao (2015). Where does bicycling for health happen? Analysing volunteered geographic information through place and plexus. Journal of Transport & Health 2, 238–247.
Götschi, T., Garrard, J., & Giles-Corti, B. (2016). Cycling as a part of daily life: A review of health perspectives. Transport Reviews, 1–27.
Helsingin kaupunki (2016). Helsinkiläisten liikkumistottumukset 2016. Helsingin kaupunkisuunnitteluviraston liikennesuunnitteluosaston selvityksiä 2016:7.
Helsingin kaupunki (2017). Pyöräilykatsaus 2017. Kaupunkisuunnitteluvirasto. Helsinki suunnittelee 2017:3. https://www.hel.fi/hel2/ksv/julkaisut/esitteet/esite_2017-3.pdf
Hood, J., E. Sall & B. Charlton (2011). A GPS-based bicycle route choice model for San Francisco, California. Transportation Letters 3:1, 63–75.
Jestico, B., T. Nelson & M. Winters (2016). Mapping ridership using crowdsourced cycling data. Journal of Transport Geography 52, 90–97.
Kaplan, S., T. A.Sick Nielsen, C. G. Prato (2016). Walking, cycling and the urban form: A Heckman selection model of active travel mode and distance by young adolescents. Transportation Research Part D: Transport and Environment 44, 55–65.
Korpilo, S., T. Virtanen & S. Lehvävirta (2017). Smartphone GPS tracking—Inexpensive and efficient data collection on recreational movement. Landscape and Urban Planning 157, 608–617.
Oksanen, J., C. Bergman, J. Sainio & J. Westerholm (2015). Methods for deriving and calibrating privacy-preserving heat maps from mobile sports tracking application data. Journal of Transport Geography 48, 135–144.
Pyöräilymetropoli (2017). Pyöräilymetropoli 2017: Faktaa ja fiiliksiä pyöräliikenteestä. 15 s. WSP Finland Oy, Espoon kaupunki, Vantaan kaupunki, Helsingin kaupunki, Helsingin seudun liikenne. 27.5.2017. https://www.hsl.fi/sites/default/files/uploads/pyorailymetropoli_2017.pdf(Linkki johtaa ulkoiseen palveluun)
Romanillos, G., M. Zaltz Austwick, D. Ettema & J. De Kruijf (2016). Big Data and Cycling. Transport Reviews 36:1, 114–133. Strava Metro (2017). http://metro.strava.com/(Linkki johtaa ulkoiseen palveluun)
Zimmermann, M., T. Mai & E. Frejinger (2017). Bike route choice modeling using GPS data without choice sets of paths. Transportation Research Part C: Emerging Technologies 75, 183–196.