Kansainvälisen ulkoistamisen ja teknologiakehityksen vaikutukset suhteellisiin palkkaeroihin
Notice bibliographique
Résumé
TUTKIELMAN TAVOITTEET Tutkielmani tavoitteena on selvittää, kuinka kansainvälinen ulkoistaminen ja teknologiakehitys ovat vaikuttaneet eri koulutustasojen suhteellisiin palkkaeroihin Suomessa vuosina 1975 – 2005. LÄHDEAINEISTO Tutkielmani empiirisessä osassa käytin paneeliaineistoa 16 toimialalta Suomesta vuosilta 1975 - 2004. Aineistoni olen kerännyt Eu Klems tietokannasta ja se jakaantuu kolmeen koulutustasoon: korkeaan-, keski- ja alhaiseen tasoon. Empiirisen tutkimuksessa käytin lineaarista regressiomallia, joka pohjautuu Feenstran ja Hansonin (1999) tutkimuksessaan käyttämään malliin. TULOKSET Saamistani tuloksista kävi ilmi, etteivät kansainvälinen ulkoistaminen ja teknologiakehitys ole kasvattaneet suhteellisia palkkaeroja eri koulutustasojen omaavien työvoimien välillä. Teknologiakehitys on laskenut suhteellisia palkkaeroja sekä korkean- ja keskitason välillä että korkean- ja alhaisen tason välillä. Ulkoistamisella on ollut myös suhteellisia palkkaeroja laskeva vaikutus, mutta tähän liittyy tilastollista epävarmuutta. Tosin ulkoistamisella oli tilastollisesti merkitsevä vaikutus keskitason koulutuksen omaavan työvoiman palkkoihin. Tuloksista selvisi myös, että kansainvälisen ulkoistamisen ja teknologiakehityksen vaikutus keskitason työvoiman palkkojen keskimääräiseen vuosimuutokseen on kasvanut aineiston viimeisenä kymmenenä vuotena. Suomessa teknologiakehitys näyttäisi olleen enemmän työvoimaa tukevaa kuin taitointensiivistä teknologiakehitystä. Tämä selittäisi, miksi teknologian kehitys ei ole kasvattanut suhteellisia palkkaeroja Suomessa samalla tavoin kuin Yhdysvalloissa. Suomen kohonneella yleisellä koulutustasolla on mahdollinen vaikutus siihen, että suhteelliset palkkaerot eivät ole kasvaneet Suomessa.
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 | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,005 |
| Méta-épidémiologie (sens large) | 0,004 | 0,002 |
| Bibliométrie | 0,007 | 0,006 |
| Études des sciences et des technologies | 0,002 | 0,004 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,008 | 0,003 |
| Intégrité de la recherche | 0,007 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,055 | 0,134 |
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 ».