Kansainvälisen ulkoistamisen ja teknologiakehityksen vaikutukset suhteellisiin palkkaeroihin
Bibliographic record
Abstract
TUTKIELMAN TAVOITTEET Tutkielmani tavoitteena on selvittää, kuinka kansainvälinen ulkoistaminen ja teknologiakehitys ovat vaikuttaneet eri koulutustasojen suhteellisiin palkkaeroihin Suomessa vuosina 1975 – 2005. LÄHDEAINEISTO Tutkielmani empiirisessä osassa käytin paneeliaineistoa 16 toimialalta Suomesta vuosilta 1975 - 2004. Aineistoni olen kerännyt Eu Klems tietokannasta ja se jakaantuu kolmeen koulutustasoon: korkeaan-, keski- ja alhaiseen tasoon. Empiirisen tutkimuksessa käytin lineaarista regressiomallia, joka pohjautuu Feenstran ja Hansonin (1999) tutkimuksessaan käyttämään malliin. TULOKSET Saamistani tuloksista kävi ilmi, etteivät kansainvälinen ulkoistaminen ja teknologiakehitys ole kasvattaneet suhteellisia palkkaeroja eri koulutustasojen omaavien työvoimien välillä. Teknologiakehitys on laskenut suhteellisia palkkaeroja sekä korkean- ja keskitason välillä että korkean- ja alhaisen tason välillä. Ulkoistamisella on ollut myös suhteellisia palkkaeroja laskeva vaikutus, mutta tähän liittyy tilastollista epävarmuutta. Tosin ulkoistamisella oli tilastollisesti merkitsevä vaikutus keskitason koulutuksen omaavan työvoiman palkkoihin. Tuloksista selvisi myös, että kansainvälisen ulkoistamisen ja teknologiakehityksen vaikutus keskitason työvoiman palkkojen keskimääräiseen vuosimuutokseen on kasvanut aineiston viimeisenä kymmenenä vuotena. Suomessa teknologiakehitys näyttäisi olleen enemmän työvoimaa tukevaa kuin taitointensiivistä teknologiakehitystä. Tämä selittäisi, miksi teknologian kehitys ei ole kasvattanut suhteellisia palkkaeroja Suomessa samalla tavoin kuin Yhdysvalloissa. Suomen kohonneella yleisellä koulutustasolla on mahdollinen vaikutus siihen, että suhteelliset palkkaerot eivät ole kasvaneet Suomessa.
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 | 0.003 | 0.003 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.002 | 0.003 |
| Science and technology studies | 0.004 | 0.002 |
| Scholarly communication | 0.007 | 0.003 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.001 | 0.003 |
| Insufficient payload (model declined to judge) | 0.035 | 0.009 |
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".