Asunto-osakesijoittaminen Suomessa. Tarkastelussa Hämeenlinna, Joensuu, Rovaniemi ja Vaasa
Bibliographic record
Abstract
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.
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 distilled prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.
Codex and Gemma teacher scores by category
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.002 | 0.000 |
| Meta-epidemiology (narrow) | 0.003 | 0.004 |
| Meta-epidemiology (broad) | 0.004 | 0.002 |
| Bibliometrics | 0.004 | 0.003 |
| Science and technology studies | 0.001 | 0.004 |
| Scholarly communication | 0.000 | 0.001 |
| Open science | 0.006 | 0.003 |
| Research integrity | 0.004 | 0.002 |
| Insufficient payload (model declined to judge) | 0.176 | 0.174 |
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; both teacher heads agree on what is shown here.
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".