Suomen alueelliset tuloerot - mistä erot johtuvat?
Bibliographic record
Abstract
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.
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 | 0.001 |
| Bibliometrics | 0.000 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.003 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.072 | 0.025 |
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".