Asunto-osakesijoittaminen Suomessa. Tarkastelussa Hämeenlinna, Joensuu, Rovaniemi ja Vaasa
Notice bibliographique
Résumé
Tutkimuksen tavoitteena oli tutkia asuntosijoittamista yleensä sekä asioita, jotka tekevät sijoitusasunnosta kannattavan. Työ on rajattu tutkimaan nimenomaan asunto-osakesijoittamista ja siihen on valittu neljä eri kaupunkia eri puolilta Suomea: etelästä Hämeenlinna, idästä Joensuu, pohjoisesta Rovaniemi ja lännestä Vaasa, joissa sijaitsevien myynnissä olevien asuntojen tietoja on käytetty laskelmissa hyödyksi. Kohdekaupungit on valittu sillä perusteella, että ne ovat asukasluvultaan keskenään suurin piirtein samankokoiset mikä helpottaa niiden vertailtavuutta keskenään. Työssä otetaan myös kantaa siihen, onko jokin näistä kaupungeista toisia kannattavampi sijoituskäyttöön.\n\nTyön teoreettisessa viitekehyksessä, luvussa kaksi, käsitellään lyhyesti erilaisia sijoitusmuotoja, joista laajimmin luonnollisesti asuntosijoittamista. Sen lisäksi luvussa kaksi perehdytään Suomen asuntomarkkinoihin, asuntojen hintoihin ja vuokriin sekä pohditaan hyvän sijoitusasunnon ominaisuuksia. Näiden tietojen hankintaan on käytetty aiheeseen liittyvää kirjallisuutta, asuntosijoittamisesta tehtyjä aiempia tutkimuksia sekä ajankohtaisia verottajan ohjeistuksia sekä lakia asuinhuoneiston vuokrauksesta. \n\nTyön empiirinen osuus, luku kolme, on tehty erilaisten laskelmien sekä tilastotieteessä usein käytettyjen testien avulla. Näin on saatu konkreettisia tuloksia kannattavuudesta. Keskeisin havainto tutkimuksessa oli, että harva asunto on sijoittajan näkökulmasta kannattava ja että kannattavuuteen vaikuttaa enemmän asunto kuin kaupunki, jossa se sijaitsee. Siksi on erityisen tärkeää tehdä erilaisia laskelmia ja taustatöitä ennen asunnon hankkimista sijoitusasunnoksi. Kuitenkin yleisesti ajateltuna ja verrattuna muihin sijoitusmuotoihin, asuntosijoittaminen on turvallinen ja kannattava tapa sijoittaa etenkin tämänhetkisellä korkotasolla, kun velkavivuttaminen on mahdollista isollakin osuudella asunnon hintaan nähden. Asuntosijoittamista pidetään myös eettisenä sijoitusmuotona, sillä siinä sijoituksellaan tarjoaa jollekin toiselle ihmiselle kodin.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,006 | 0,002 |
| Communication savante | 0,008 | 0,004 |
| Science ouverte | 0,001 | 0,006 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,071 | 0,021 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».