Maahanmuuton työmarkkinavaikutukset Euroopassa
Bibliographic record
Abstract
Tämä tutkielma tutkii maahanmuuton työmarkkinavaikutuksia Euroopassa etenkin koulutetun työvoiman osalta. Teoreettiset mallit selvittävät muutoksia sekä kantaväestön että aikaisempien maahanmuuttajien palkoissa ja työllisyydessä, johon vaikuttaa investointikäyttäytyminen. Empiirikatsaus tarkastelee koulutettua maahanmuuttoa, jota Suomessa on vähän tutkittu.\n\nValtaosa maahanmuuttoa koskevasta empiirisestä tutkimuksesta tulee siihen tulokseen, että maahanmuutolla ei ole pelättyjä negatiivisia vaikutuksia kantaväestön työmarkkina- asemaan, vaan vaikutukset vaihtelevat lähes olemattomista vaikutuksista pieniin positiivisiin vaikutuksiin. Koulutettujen maahanmuuton osalta maahanmuuttajia usein alennetaan, varsinkin saapumisvaiheessa, työtehtäviin, jotka eivät vastaa heidän koulutustaan. Alkuvaiheessa he kilpailevat työmarkkinoilla lähinnä aikaisempien maahanmuuttajien kanssa.\n\nSuomeen suuntautunutta nuorten parhaassa työiässä olevien maahanmuuttoa tarkastellaan vuodelta 2012 käyttäen hyväksi Euroopan Komission Eurostat-tilastoja. OECD-maista tulleiden 25–44-vuotiaiden osuus koko muuttoliikkeestä oli 16,84 prosenttia. Oletettavasti nuorten parhaassa työiässä olevien joukossa on eniten osaavia, korkeasti koulutettuja ja Suomen työmarkkinoille soveltuvia maahanmuuttajia. OECD- maista tullutta muuttoliikettä estimoidaan OLS-regressiolla. Suomen ja ulkomaan elintasoeron kasvulla ja aikaisemmalla maahanmuutolla oli maahanmuuttoa lisäävä vaikutus. Maastamuutto lähtömaasta väheni, jos valtiolla oli paljon henkistä pääomaa (tutkimus- ja kehitystoimintaa, T&K).
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 | 0.002 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.009 | 0.004 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.086 | 0.019 |
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".