Tiukan budjettikontrollin, ympäristön epävarmuuden ja dynaamisuuden vaikutus julkisten organisaatioiden budjettipoikkeamiin - Kyselytutkimus Suomen kunnille
Bibliographic record
Abstract
Tutkielmassa tarkastellaan tiukan budjettikontrollin, ympäristön epävarmuuden ja dynaamisuuden vaikutusta Suomen kuntien budjettipoikkeamiin. Tarkoituksena on selvittää Suomen kuntien talousarvioihin vaikuttavia tekijöitä. Oletuksena tiukan budjettikontrollin nähdään vaikuttavan positiivisesti budjettipoikkeamiin, kun kunnat kohtaavat ulkoista painetta. Budjettipoikkeamat ovat merkittävä osa yrityksien suorituskyvyn arviointia varsinkin julkisella sektorilla. Julkisen sektorin yrityksille on tärkeää, ettei budjettia ylitetä tai aliteta. Tämä tutkielma seuraa Johanssonin ja Siverbon (2014) tekemää tutkimusta Ruotsin kunnille, joka liittyy merkittävän budjettiturbulenssin aikana käytetyn tiukan budjettikontrollin vaikutuksista budjettipoikkeamiin.\n\nJohdanto kappaleessa esitellään tutkielmaa sekä avataan tutkielman rakennetta, rajauksia ja tavoitteita. Teoriaosiossa käsitellään budjetointia, johdon ohjausjärjestelmiä, julkisen sektorin laskentatoimea, koettua ympäristön epävarmuutta ja dynaamisuutta, joiden pohjalta luotiin hypoteesit tutkielman empiiristä osaa varten. Tutkimus toteutettiin kvantitatiivisena kyselytutkimuksena. Tutkielman kyselylomake lähetettiin 311 Suomen kunnalle Webropol-työkalun avulla. Vastauksia kyselyyn saatiin yhteensä 69, joista suurin osa oli asukasluvultaan alle 5000 hengen kuntia. Tilastollisena menetelmänä käytettiin PLS-menetelmää, joka soveltuu pienten aineistojen analysointiin. Tuloksien analysointi toteutettiin SmartPLS-ohjelmalla. \n\nTutkimustuloksien mukaan tiukalla budjettikontrollilla ei havaittu olevan merkittäviä vaikutuksia Suomen kuntien talousarvioiden poikkeamiin. Tulokset osoittivat myös, että koetulla ympäristön epävarmuudella havaittiin olevan positiivisia vaikutuksia talousarvioiden poikkeamien kasvuun. Ympäristön dynaamisuuden korkean asteen ennustamisen vaikutus budjettipoikkeamiin havaittiin myös tilastollisesti merkitsemättömänä.
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 | 0.001 | 0.000 |
| Meta-epidemiology (narrow) | 0.001 | 0.001 |
| Meta-epidemiology (broad) | 0.002 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.000 | 0.000 |
| Open science | 0.003 | 0.001 |
| Research integrity | 0.001 | 0.001 |
| Insufficient payload (model declined to judge) | 0.721 | 0.018 |
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".