Työeläkemaksun vakauttaminen: Eläkejärjestelmän maksuperusteisuuden lisääminen
Bibliographic record
Abstract
Tutkielmassa tarkastellaan menetelmiä, joilla Suomen eläkejärjestelmään voitaisiin tuoda maksuperusteisuutta. Maksuperusteisuuden lisääminen Suomen eläkejärjestelmässä on perusteltua riskien jaon näkökannalta. Koska Suomen eläkejärjestelmään osallistuminen on pakollista, niin eläkejärjestelmä jakaa luontaisesti riskiä. Maksuperusteisuuden lisäämistä ja riskien jakoa tutkitaan kirjallisuuskatsauksen ja kahden periodin mallin avulla. Mallinnuksessa tutkitaan, miten maksuperusteisuuden lisääminen vaikuttaa eläkejärjestelmän rahoitukselliseen kestävyyteen, työntekijän tuloihin sekä eläke-etuuksiin. Kirjallisuuskatsauksessa tarkastellaan riskien jaon kannalta eläkejärjestelmän rakenteita, automaattisia sopeutumismekanismeja sekä muiden maiden eläkejärjestelmiä. Lisäksi tarkastellaan Suomen eläkejärjestelmän pääpiirteitä. Nykyisessä eläkejärjestelmässä vain eläkemaksu mukautuu järjestelmän rahoituspohjassa tapahtuviin muutoksiin. Pelkästään eläkemaksun mukautuminen ei kuitenkaan ole kestävää riskien jaon, sukupolvien välisen tulon-jaon sekä eläkejärjestelmän rahoituksen kannalta. Tässä tutkimuksessa käytetään osaksi Rantalan ja Vanteen (2023) pohjaa mallinnuksessa ja johdetaan sitä pidemmälle maksuperusteisuuden tuomiseksi Suomen eläkejärjestelmään. Menetelmällisesti tutkimuskysymystä lähestytään kahden periodin mallin avulla, joka koostuu eläkeläisistä ja työllisistä. Kahden periodin malliin tuodaan osaksi maksuperusteisuutta ja tutkitaan, miten eläke-etuudet voisivat joustaa sekä mitkä sen vaikutukset olisivat eläkejärjestelmän rahoitukselliselle kestävyydelle. Eläke-etuudet asetetaan joustamaan niin, että eläkkeet joustavat samassa suhteessa kuin työntekijöiden tulot ja niin että eläkkeet joustavat puolet siitä mitä työntekijöiden tulot joustavat.
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 | 0.002 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.002 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.027 | 0.004 |
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".