Suomen alueelliset tuloerot - mistä erot johtuvat?
Notice bibliographique
Résumé
Tässä Pro gradu tutkielmassa tarkastellaan Suomen alueellisia tuloeroja ja pohditaan mistä alueelliset tuloerot johtuvat. Tutkielmassa syvennytään aluksi maakuntavertailun muodossa tarkemmin Uudenmaan, Vaasan, Lapin sekä Kainuun maakuntien eroavaisuuksiin. Maakuntavertailua seuraavassa kappalessa 6 tarkastellaan tuloerojen kehitystä 2000-luvun Suomessa (2000-2014) seutukunta tasolla. Tuloeroja tarkastellaan tutkielmassa pääosin tuotannon näkökulmasta.\n\nTutkielman tukena on käytetty useita tutkimuksia etenkin Suomen alueellisista tuloeroista. Tilastokeskuksen PX-Web tietokannoista kerätyt tiedot muodostavat kappaleen 4 maakuntavertailun sekä \nkappaleen 6 konvergenssitutkimuksen aineiston.\n\nTutkimuksen keskeisin havainto on, ettei alueellisille tuloeroille ole yhtä selittävää tekijää, vaan niiden taustalla vaikuttaa useita merkitseviä tekijöitä. Alueen toimialarakenne, tuottavuus, työllisyys sekä kiinteä ja henkinen pääoma ovat yhteydessä alueellisiin tuloeroihin. Keskeisimpänä vaikuttavana voimana alue erojen taustalla jyllää agglomeraatio eli kasautumisedut. Taloustieteellisessä tutkimuksessa alueellisten tuloerojen selittäjänä korostetaan etenkin inhimillisen pääoman kasautumisetuja. Tutkimuksessa havaittiin, ettei tuloerojen tarkastelu olisi mielekästä ilman historiallista aikajännettä, sillä niiden kehittyminen on pitkän ja monisyisen prosessin tulos.\n\n2000-luvulla Suomen köyhimmät seudut ovat kehittyneet nopeinta vauhtia. Useat vielä vuosituhannen vaihteessa rikkaimpien joukossa olleista seuduista ovat sen sijaan kehittyneet heikoimmin, mitä selittää osin seutujen yksipuolinen toimialarakenne, suhteellisen pieni koko ja suhdanneherkkyys. Talouskasvun muuttujien (joista etenkin korkeakoulutettujen sekä tutkimus- ja kehitystyön) keskittyminen yliopistoseuduille saattaa tulevaisuudessa kiihdyttää korkeakouluseutujen kasvua suhteessa muuhun maahan.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,004 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,001 |
| Intégrité de la recherche | 0,002 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,272 | 0,235 |
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; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».