Alueiden välisten tuloerojen kehitys Suomessa 1995–2020 historiallisten syvärakenteiden näkökulmasta
Bibliographic record
Abstract
Tulojen alueellinen jakautuminen on samanaikaisesti pitkäaikainen sekä ajankohtainen alueellisiin hyvinvointieroihin liittyvä ilmiö. Tämä tutkielma tarkastelee tulojen alueellista jakautumista Suomessa kunnittain ajalla 1995–2020 kiinnittäen erityistä huomiota historiallisiin syvärakenteisiin alueellisten tuloerojen taustalla. Tutkielmassa käsitellään erityisesti Pähkinäsaaren rauhan rajan (1323) yhteyttä 2000-luvun alueellisiin tuloeroihin erilaisten tilastollisen menetelmien sekä graafisen analyysin avulla. Aineisto koostuu Suomen virallisen tilaston tulonjakotilastosta sekä muista erilaisia väestöindikaattoreita sisältävistä täydentävistä alueaikasarjoista. Tutkielman tulosten perusteella tulojen alueellinen jakautuminen vaikuttaa varsin pysyvältä ilmiöltä, jonka taustalla on useita historiallisia prosesseja ja rakenteita. Suomen jakolinjana aikaisemmassa tutkimuksessa usein mainittu Pähkinäsaaren rauhan raja ei kuitenkaan ole ainakaan pääasiallinen tulojen alueellinen jakolinja, vaikka tulotaso Pähkinäsaaren rauhan rajan pohjoispuolella onkin koko tutkimusajanjakson selvästi rajan eteläpuolta matalampi. Tulojen jakolinja seuraa pitkälti samaa linjaa sairastavuuden ja itäisen ja läntisen geeniperimän jakautumisten kanssa, itäisen Suomen ollessa lounaista Suomea ja Lappia matalatuloisempi alue. Lisäksi keskeinen merkitys tulojen alueellisessa jakautumisessa on kasvukeskuksilla, mutta niiden sijainti riippuu samoista tekijöistä kuin muukin väestön alueellinen jakautuminen. Näin ollen tutkielman keskeisenä tuloksena on historiallisista syvärakenteista erityisesti väestön alueelliseen sijoittumiseen ja jakautumiseen vaikuttaneiden tekijöiden vaikutus yhä 2000-luvun alueellisiin tuloeroihin.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.002 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.033 | 0.005 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".