ALUEELLISTEN PANOS-TUOTOSTAULUJEN JOHTAMINEN FLQ-MENETELMÄN AVULLA
Jyväskylän yliopisto Kauppakorkeakoulu
Pro gradu -tutkielma
2014
Tekijä: Teemu Tsupari Oppiaine: Taloustiede Ohjaaja: Hannu Tervo
Timo Tohmo
Tekijä
Teemu Tsupari Työn nimi
Alueellisten panos-tuotostaulujen johtaminen FLQ-menetelmän avulla
Oppiaine Taloustiede
Työn laji Pro gradu Aika
17.04.2014
Sivumäärä 60
Tämän tutkielman tavoitteena on johtaa Keski-Suomen maakunnan panos-tuotostaulut vuoden 2011 kansallisista tauluista FLQ-menetelmän avulla ja soveltaa saatuja kertoimia Jyväskylän voima Oy:n polttoaineiden hankintojen synnyttämien aluetaloudellisten vaikutusten selvittämisessä. Välittömien ja välillisten tuotantovaikutusten lisäksi tutkimuksessa on selvitetty polttoaineiden hankintojen synnyttämät työllisyysvaikutukset sekä kulutuskysynnäksi jäävät tulovaikutukset.
Suomessa Tilastokeskus on julkaissut alueelliset maakuntakohtaiset panos-tuotostaulut koskien vuosia 1995 ja 2002, joista jälkimmäinen jäi rahoitussyistä viimeiseksi julkaisuksi. Maakuntakohtaiset panos- tuotostaulut olisivat kuitenkin hyödyllisiä niin kunnille kuin yrityksillekin, joita kiinnostavat investointien aikaansaamat vaikutukset alueella. Alueelliset taulut voidaan kuitenkin selvittää hyödyntämällä sijaintiosamäärä-menetelmää, jossa apuna käytetään sekä maakunnan että kansallisia toimialakohtaisia työllisyys- tai tuotoslukuja. Maakunnan toimialakohtaisten sijaintaosamäärien ja uusimman kansallisen panos-tuotostaulun avulla saadaan johdettua maakunnan tätä hetkeä kuvaavat panos-tuotostaulut.
Aikaisemmat tutkimukset osoittavat, että Anthony T. Flegg:n kehittämä FLQ-menetelmä kykenee tuottamaan tarkat panoskerroinestimaatit, kun tavoitteena on johtaa alueelliset panoskertoimet sijaintiosamääriä hyödyntäen. Menetelmän haasteellisin vaihe on löytää tarkasteltavan alueen tuonnin herkkyyttä kuvaavaan parametrin optimaalinen arvo. Aiheeseen liittyvien aikaisempien tutkimuksien perusteella tutkimuksessa on päädytty käyttämään parametrin arvoa 0,25.
Panos-tuotostaulujen lisäksi tutkimuksessa on selvitetty Jyväskylän Voima Oy:n puun ja turpeen hankintojen synnyttämät aluetaloudelliset vaikutukset Keski-Suomen maakunnassa vuonna 2011.
Hankintojen synnyttämät tuotantovaikutukset on saatu selvitettyä aikaisemmin johdettujen panoskertoimien avulla. Yhtiön polttoaineiden hankinnat ovat yhteensä synnyttäneet maakuntaan noin 49,0 miljoonan euron välittömät sekä noin 2,8 miljoonan euron välilliset tuotantovaikutukset. Näin ollen hankintojen synnyttämät kokonaistuotantovaikutukset ovat noin 51,9 miljoonaa euroa, joka vastaa 382 henkilötyövuotta. Lisäksi polttoaineiden hankinnat ovat synnyttäneet maakuntaan noin 2,5 miljoonan euron suuruisen kulutuskysynnän kasvun.
Asiasanat
Panos-tuotostaulut, tuotantovaikutus, sijaintiosamäärä, FLQ-menetelmä Säilytyspaikka Jyväskylän yliopiston kauppakorkeakoulu
SISÄLLYS
1 JOHDANTO ... 6
2 TALOUDELLISTEN VAIKUTUSTEN ARVIOIMINEN ... 8
2.1 Yleistä ... 8
2.2 Välittömät-, välilliset- ja kokonaisvaikutukset ... 10
2.3 Aikaisempia tutkimuksia liittyen taloudellisten vaikutusten tutkimiseen ... 11
3 PANOS-TUOTOSANALYYSI ... 13
3.1 Yleistä ... 13
3.2 Panos-tuotostaulukko ... 14
3.3 Tuotantomalli ... 15
3.4 Panos-tuotostaulut Suomessa ... 16
3.4.1 Tilastokeskuksen toimialaluokitus ... 17
4 ALUEELLISTEN PANOS-TUOTOSTAULUJEN MUODOSTAMINEN ... 19
4.1 Taulujen muodostaminen ... 19
4.2 Sijaintiosamäärämenetelmä ... 20
4.3 Aikaisempia tutkimuksia liittyen alueellisten panos-tuotostaulujen johtamiseen ... 23
4.4 Aikaisempia tutkimuksia liittyen parametrin estimointiin ... 24
5 VUODEN 2011 KANSALLISISTA PANOS-TUOTOSTAULUISTA JOHDETUT KESKI-SUOMEN MAAKUNNAN PANOS-TUOTOSTAULUT ... 27
5.1 Suomen ja Keski-Suomen toimialakohtainen työllisyys ... 27
5.2 Keski-Suomen maakunnan toimialakohtaiset yksinkertaiset sijaintiosamäärät SLQ sekä ristikkäissijaintiosamäärät CILQ ... 29
5.3 Tuonnin herkkyyttä kuvaavan parametrin arvo ... 31
5.4 Keski-Suomen maakunnan toimialakohtaiset FLQ- ja panoskertoimet ... 33
5.5 FLQ:n avulla lasketut Keski-Suomen maakunnan panoskertoimet sekä Leontiefin käänteismatriisi ... 34
6 JYVÄSKYLÄN VOIMA OY:N PUUN JA TURPEEN HANKINTOJEN SYNNYTTÄMÄT ALUETALOUDELLISET VAIKUTUKSET KESKI-SUOMESSA ... 36
6.1 Keski-Suomen maakunta ... 36
6.2 Jyväskylän Energia Oy... 38
6.3 Tytäryhtiöiden polttoaineiden käyttö ... 39
6.4 Polttoaineiden hinnat vuonna 2011 ... 40
6.5 Välittömät tuotantovaikutukset ... 41
6.6 Välilliset ja kokonaistuotantovaikutukset ... 43
6.7 Työllisyysvaikutukset ... 45
6.8 Tulovaikutus ... 47
6.9 Eri menetelmillä lasketut tuotantovaikutukset ... 48
7 YHTEENVETO ... 50
LÄHTEET ... 53
LIITTEET ... 56
1 JOHDANTO
Panos-tuotosanalyysi on runsaasti käytetty metodi taloustieteen tutkimuksissa, erityisesti tutkittaessa taloudellisia vaikutuksia tietyn alueen sisällä. Suomessa Tilastokeskus julkaisee vuosittain koko kansantaloutta käsittelevät panos- tuotostaulut. Tämän lisäksi Tilastokeskus on julkaissut alueelliset maakuntakohtaiset panos-tuotostaulut koskien vuosia 1995 ja 2002.
Valitettavasti jälkinmäinen julkaisu jäi rahoitus syistä Tilastokeskuksen viimeiseksi alueelliseksi panos-tuotostutkimukseksi. Toimialojen väliset suhteet eivät todennäköisesti pysy samoina vuodesta toiseen ja näin ollen yli kymmenen vuotta vanhojen panos-tuotostaulujen käyttö tämän hetken tarkasteluissa tuottaa mahdollisesti harhaanjohtavia tuloksia.
Alueelliset taulut voidaan kuitenkin selvittää hyödyntämällä sijaintiosamäärä- (location quotients) menetelmää, jossa apuna käytetään sekä maakunnan että valtion toimialakohtaisia työllisyys- tai tuotoslukuja. Maakunnan toimialakohtaisten sijaintiosamäärien ja uusimman kansallisen panos- tuotostaulun avulla saadaan johdettua maakunnan tätä hetkeä kuvaavat panos- tuotostaulut. Sijaintiosamääriä hyödyntäviä menetelmiä on kehitelty jo useita vuosia. Empiiriset tarkastelut osoittavat kuitenkin, että Anthony T. Flegg:n kehittämä FLQ-menetelmä kykenee tuottamaan lähes virheettömiä kerroinestimaatteja.
Tämän tutkielman tavoitteena on johtaa Keski-Suomen panos-tuotostaulut vuoden 2011 kansallisista tauluista FLQ-menetelmän avulla ja soveltaa saatuja kertoimia Jyväskylän voima Oy:n polttoaineiden hankintojen synnyttämien aluetaloudellisten vaikutusten selvittämisessä.
Tutkimuskysymykset:
1. Selvittää Keski-Suomen maakunnan toimialakohtaiset panos- tuotoskertoimet FLQ-menetelmän avulla
2. Selvittää saatuja tuloksia apuna käyttäen Jyväskylän Voima Oy:n polttoaineiden hankintojen synnyttämät tulo- ja työllisyysvaikutukset maakunnassa vuonna 2011
Tutkielman seuraavassa luvussa esitellään yleisesti, kuinka eksogeenisia taloudellisia vaikutuksia voidaan arvioida. Tämän lisäksi luvussa esitellään muutamia aikaisempia aiheeseen liittyviä tutkimuksia sekä käsitellään taloudellisten vaikutusten rakennetta. Luvussa kolme paneudutaan tutkielmassa käsiteltävään panos-tuotosanalyysiin. Tämän jälkeen luvussa neljä esitellään, kuinka alueelliset panos-tuotostaulut voidaan muodostaa. Luvussa keskitytään lähinnä eri sijaintiosamäärä menetelmiin. Tämän lisäksi luvussa tarkastellaan aikaisempia tutkimuksia liittyen alueellisten panos-tuotostaulujen johtamiseen sijaintiosamäärien avulla.
Luku viisi pitää sisällään tutkielman empiirisen osuuden eli Keski-Suomen panoskertoimien johtamisen FLQ-menetelmän avulla. Luvussa tarkastellaan maakuntakohtaisten sekä kansallisten työllisyyslukujen avulla johdettuja yksinkertaisia sijaintiosamääriä SLQ sekä toimialojen välisiä sijaintiosamääriä CILQ. Näiden lisäksi luvussa tarkastellaan tuonnin herkkyyttä kuvaavan parametrin optimaalisen arvon estimointia koskien Keski-Suomen maakuntaa. Luvun lopuksi esitellään maakunnan uudet panoskertoimet sekä käytännön kannalta oleellinen käänteismatriisi.
Luvussa kuusi esitellään Keski-Suomen maakunnan taloudellista rakennetta ja Jyväskylän Voima Oy:tä sekä tämän polttoaineiden hankintoja. Lisäksi luvussa tarkastellaan Suomen polttoaineiden hintoja sekä arvioidaan näiden avulla yhtiön polttoaineiden hankintojen rahallinen arvo. Luvun lopuksi pyritään vastaamaan kysymykseen: kuinka suuret ovat Jyväskylän Voima Oy:n polttoaineiden hankintojen synnyttämät aluetaloudelliset vaikutukset Keski- Suomen maakunnassa vuonna 2011. Viimeinen luku seitsemän on tutkielman yhteenveto sisältäen tulosten arviointia.
2 TALOUDELLISTEN VAIKUTUSTEN ARVIOIMINEN
2.1 Yleistä
Tutkittaessa taloudellisia vaikutuksia on tavoitteena selvittää, mitkä ovat seuraukset, kun tiettyyn rajattuun talouteen syntyy jokin ärsyke, eli impakti.
Tutkimukset ovat tavallisesti määrällisiä sekä ex ante että ex post tutkimuksia, mikä tarkoittaa, että tarkastelu voi kohdistua sekä menneeseen että tulevaan aikaan (Davis, 1990). Taloudellisia vaikutuksia voidaan arvioida neljän eri indikaattorin avulla: 1) tuotoksen arvo, 2) BKT:n muutos, 3) työllisyys sekä 4) kotitalouksien tulot (Econsearch, 2014).
Taloudellisten vaikutusten tutkiminen (impact analysis) saatetaan sekoittaa usein taloudellisen arvottamisen kanssa (evaluation analysis). Taloudellinen arvottaminen tarkastelee nimensä mukaisesti impaktin arvoa, kun taas taloudellisten vaikutusten tutkiminen pyrkii selvittämään ärsykkeen aikaan saamia vaikutuksia. Lisäksi taloudellinen arvottaminen pitää usein sisällään taloudellisten hyötyjen ja kustannusten arviointia, jossa tavoitteena on taloudellinen tehokkuus (Davis, 1990).
Taloudellisia vaikutuksia tarkastelevat tutkimukset voidaan jaotella sekä dynaamisiin että staattisiin tutkimuksiin. Staattisissa tutkimuksissa tarkastellaan vaikutusten syntytapaa ja tarkastelun kohteena oleva ilmiö on jo olemassa. Staattinen tutkimus voidaan ajatella olevan tietyn ajan pysäytetty kuva taloudesta. Dynaamisissa tutkimuksissa aluetaloudellisia vaikutuksia tarkastellaan vaiheittain ajallisesti, eli tarkastelu suuntautuu yli ajan (Saari, 2008).
Pleeterin (1980) mukaan on olemassa kolme erilaista tapaa, joiden avulla voidaan tarkastella talouteen syntyvien vaikutuksien suuruutta: 1) yleinen
tasapainomalli (YTP), 2) ekonometriset mallit sekä 3) panos-tuotosmallit, joista jokaisesta on kehitetty useita kehittyneempiä sovelluksia. Mäki-Fräntin (2011) mukaan näiden kolmen menetelmän lisäksi taloudellisia vaikutuksia voidaan arvioida myös yrityksille ja kuluttajille tehtyjen kyselyiden avulla. Tämä menetelmä voi kuitenkin osoittautua hyvin työlääksi ja kalliiksi, minkä lisäksi usein tämänkaltaisten tutkimusten tulosten yleistettävyys on ollut melko huono.
Yleisen tasapainon mallit perustuvat mikro- ja makrotaloustieteen vakiintuneisiin oletuksiin kuluttajien hyödyn maksimoimisesta sekä tuottajien tuotantokustannuksien minimoimisesta. Mallien avulla voidaan ymmärtää talouden riippuvuussuhteet, jolloin pystytään arvioimaan jonkun muutokset aikaansaamat vaikutukset. Yleisen tasapainon mallit soveltuvat hyvin kansantalouden rakennemuutosten analysointiin. Useimmissa maissa on kehitelty YTP- malli vähintään kokonaistalouden tasoisena. Vähäisen aineiston vuoksi alueellisia YTP- malleja on kuitenkin vain vähän. (Törmä & Rutherford 2002). Yleisiin tasapainomalleihin linkittyvä Keynesiläinen tulokerroinanalyysi tutkii eksogeenisen muutoksen vaikutusta alueen kansantuloon. Mallissa vaikutuksen suuruus riippuu tulokertoimesta, jonka arvoon vaikuttaa merkittävästi paikallisesti tuotettujen hyödykkeiden rajakulutusalttius.
Tulokerroinanalyysissä voidaankin verrata paikallistaloutta kotitalouteen, jossa on yksi palkansaaja. (Pleeter, 1980.)
Yksi tapa arvioida alueelle syntyviä taloudellisia vaikutuksia on käyttää ekonometrisia malleja. Malleissa muodostetaan yhtälöryhmä, joka pyrkii kuvaamaan alueen talouden rakennetta sekä ennustamaan tämän aggregaatti suureita (Pleeter, 1980). Malleissa voidaan esimerkiksi muodostaa alueen tuotantofunktio, johon lisätään selittäjäksi käsiteltävä eksogeeninen vaikutus, jonka suuruus voidaan mitata joko siihen sitoutuneen pääoman määrällä tai sen tuottaman palveluvirran suuruudella. (Mäki-Fränti, 2011.)
Kolmas ja ehkä suosituin tapa arvioida taloudellisia vaikutuksia on panos- tuotosmalli, jossa tarkastellaan eksogeenisen impaktin vaikutuksia kokonaiskysyntään. Panos-tuotosmallissa kuten taloudellisten vaikutusten arvioimisessa yleensä on olennaista huomioida sekä välittömät että välilliset vaikutukset. Välittömät vaikutukset ovat eksogeenisia, joka tarkoittaa, että niiden suuruus määräytyy mallin ulkopuolelta. Välilliset vaikutukset puolestaan syntyvät kerrannaisvaikutuksien kautta. Näiden vaikutusten suuruuden arviointiin panos-tuotosanalyysi on erinomainen menetelmä. Panos- tuotosmallia on kuvattu lisää luvussa 3.
2.2 Välittömät-, välilliset- ja kokonaisvaikutukset
Tutkittaessa taloudellisia vaikutuksia tulee kokonaisvaikutuksien selvittämiseksi huomioida sekä välittömät että välilliset vaikutukset. Välittömät vaikutukset ovat vaikutuksia, jotka liittyvät suoraan aluetaloudessa tapahtuvaan muutokseen. Tutkittaessa esimerkiksi jonkun yrityksen investoinnin synnyttämiä aluetaloudellisia vaikutuksia, vastaa investoinnin suuruus välitöntä vaikutusta. Yrityksen ostot ja investoinnit saavat aikaan myös välillisiä tuotantovaikutuksia. Tuotoksensa valmistamiseen yritykset hankkivat välituotteensa toisilta yrityksiltä. Välituotetta valmistava yritys tarvitsee myös panoksia, joita se hankkii taas seuraavilta yrityksiltä. Tästä syntyy suppeneva ketju, joka synnyttää talouteen kerrannaisvaikutukset. (Vatanen, 2011.)
Kuviossa 1 on havainnollistettu kerrannaisvaikutusten syntyminen seuraavalla tavalla:
1. Välitön vaikutus: toimeksiantaja tilaa yritykseltä tuotteen
2. Suora kerrannaisvaikutus: Välituotteiden/panosten tilaaminen tavarantoimittajilta (T) sekä palkkojen ja pääomakorvausten maksu työntekijöille ja omistajille (P)
3. Epäsuora kerrannaisvaikutus: Tavarantoimittajat tilaavat panoksia omilta toimittajiltaan ( , )
KUVIO 1 Kerrannaisvaikutusten eteneminen (Vatanen 2011)
1. 2. 3.
Toimeksiantaja Yritys T
T
P
2.3 Aikaisempia tutkimuksia liittyen taloudellisten vaikutusten tutkimiseen
Storhammar & Mukkala (2011) ovat tarkastelleen paikallisten polttoaineiden tuotannon ja käytön aluetaloudellisia vaikutuksia Keski-Suomessa hyödyntäen panos-tuotosanalyysia. Tutkimuksen mukaan alueen 24,3 miljoonan euron turvetuotanto on synnyttänyt 34,7 miljoonan euron kokonaistuotantovaikutukset, jotka vastaavat 317 henkilötyövuotta. Tämän lisäksi turvetuotanto on synnyttänyt tulovaikutuksen, josta paikalliseen kulutukseen on jäänyt noin 6,4 miljoonaa euroa.
Vatanen (2011) on selvittänyt kansallispuiston investointien vaikutuksia paikallistalouteen artikkelissa Pallas-Yllästunturin kansallispuiston investointien vaikutukset Tunturi-Lapin paikallistalouteen. Tutkimuksessa hyödynnetään laajennettua panos-tuotosmallia, jossa kotitaloudet ja julkisyhteisöt ajatellaan endogeenisiksi. Tutkimuksen mukaan yhteensä 6,9 miljoonan euron investoinnit rakentamisen toimialalle synnyttivät 4,2 miljoonan euron kerrannaisvaikutukset. Näin ollen investointien kokonaisvaikutukset olivat 11,1 miljoonaa euroa, joka vastasi 93 henkilötyövuotta.
Saari (2006) on selvittänyt Pro gradu -tutkielmassaan Kainuun energiayhtiöiden toiminnan aluetaloudellisia vaikutuksia panos-tuotosmallin avulla.
Tutkielmassa todetaan energiayhtiöiden 17 miljoonan euron ostojen ja investointien synnyttävän aluetalouteen noin 8,5 miljoonan euron välilliset tuotantovaikutuksen. Tutkielmassa on otettu huomioon myös henkilökunnan kulutuskysynnän kautta syntyvä välitön tuotantovaikutus, joka vastaa 2,25 miljoonaa euroa. Työvuosiksi muutettuna kokonaistuotantovaikutus vastaa 404 henkilötyövuotta.
Zhang & Zhao (2007) ovat tarkastelleet Pekingin olympialaisiin liittyvien investointien aluetaloudellisia vaikutuksia tutkimuksessa Impact of Beijing Olympic-related Investments on Regional Economic Growth of China: Interregional Input-Output Approach. Tutkielmassa hyödynnettiin ns. IRIO- mallia (interregional input-output model), jonka avulla on analysoitu olympialaisiin liittyviä investointeja sekä niiden synnyttämiä kerrannaisvaikutuksia Pekingissä ja sen lähialueilla. Tutkimuksessa todetaan vuosien 2002–2007 aikana tehtyjen olympialaisiin liittyvien investointien kasvattavan vuosittaista alueellista BKT:ta Pekingissä 2,02 %:a, Pekingin reuna-alueilla 0,23 %:a sekä koko Kiinassa 0,09 %:a.
Törmä & Rutherford (2002) ovat tutkineet moottoritien rakentamisen ns.
toimintavaiheen aluetaloudellisia vaikutuksia julkaisussa Tornio-Kemi moottoritien rakentamisen ja toimintavaiheen aluetaloudelliset vaikutukset.
Analyysissä hyödynnettiin REGFIN- mallia, joka kuvaa taloudellisten
rahavirtojen kulkua maakuntien välillä, ottaen huomioon työttömyyden sekä muuttoliikkeen. REGFIN- malli noudattaa pääosin yleisen tasapainon mallien rakennetta. Mallisimulointien mukaan moottoritien rakentaminen aiheuttaa lyhyellä aikavälillä kysyntäsysäyksen, joka saa aikaan taloudellista kasvua ja hyvinvointia. Pitkällä aikavälillä liikenteeseen kohdistuva tehokkuussysäys saa myös aikaan talouskasvua.
3 PANOS-TUOTOSANALYYSI 3.1 Yleistä
Wassily Leontiefia (1905–1999) voidaan pitää panos-tuotosanalyysin varsinaisena kehittäjänä, vaikka tuotantotoimintojen riippuvuuksia ja hyödykkeiden kiertokulkua on tarkasteltu jo kauan ennen hänen syntymää.
Leontief oli kuitenkin ensimmäinen, joka yhdisti työssään teoreettisen ja empiirisen lähestymistavan antaen huomattavan sysäyksen ja perustan panos- tuotosmallien laatimiselle. Leontief sai Nobelin taloustieteen palkinnon vuonna 1973 koskien hänen työtään panos-tuotosanalyysin parissa. (Forssell 1985.) Panos-tuotosanalyysin Suomeen tuojana ja sen kehittäjänä voidaan pitää Oulun yliopiston professori Osmo Forssellia (Okko, 2001).
Panos-tuotosanalyysin lähtökohta on hyödykkeiden ja tulon kiertokulku taloudessa. Talouden toimijoiden käydessä kauppaa ostajan meno on myyjän tulo, jonka hän voi käyttää hyödykkeiden ostamiseen, joka puolestaan aiheuttaa tämän hyödykkeen myyjälle tulon. Tämän kiertokulun toistuminen synnyttää kerrannaisvaikutukset. Sama kiertokulku pätee myös toimialakohtaisesti, kun toimialat ostavat tuotoksensa valmistamiseksi panoksia eli välituotteita muilta toimialoilta. Välituotteiden lisäksi toimialat valmistavat myös lopputuotteita kulutus- tai investointikäyttöön. Toimialojen tuotos siis riippuu funktionaalisesti toimialojen lopputuotekysynnästä. (Vatanen, 2011)
Panos-tuotosanalyysin edellytyksinä ovat panos-tuotosmallit sekä niihin liittyvät aineistot. Panos-tuotosanalyysi tehdään panos-tuotosmenetelmän avulla, mikä on mahdollista, kun käytössä ovat taloudelliset riippuvuudet määrittävä panos-tuotosmalli ja tutkittavaa taloutta kuvaavat panos- tuotostaulukot. Panos-tuotostaulukko kuvaa toimialojen välisiä tuotevirtoja talouden sisällä tiettynä ajanjaksona, ylenssä koskien yhtä vuotta. Lopulta koko systeemin tekninen rakenne voidaan esittää toimialakohtaisten panoskerroin-
matriisin avulla. (Leontief, 1986)
Panos-tuotosmallin toimivuutta on kuitenkin kritisoitu sen staattisuuden vuoksi, sillä todellisuudessa eri toimialojen väliset suhteet eivät pysy samoina vuodesta toiseen. Näiden suhteiden muutoksiin vaikuttavat keskeisesti teknologinen kehitys sekä aluerakenteiden muutokset. Staattisuuden lisäsi panos-tuotosmallia on kritisoitu siitä, että malli ei ota huomioon panoksien reaalisten hintojen muutoksien kautta syntyvää substituutiovaikutusta. Malli olettaa, että toimialat käyttävät jatkuvasti samoja panoksia, vaikka näiden hinnat kasvaisivat verrattuna substituutti panoksiin. Todellisuudessa voisi olettaa, että toimialat siirtyisivät aina käyttämään suhteessa halvempaa panosta. (Davis, 1990).
Vatasen (2011) mukaan panos-tuotosmallin vahvuus on sen melko pieni aineistotarpeen määrä verrattuna dynaamisiin tai YTP- malleihin. Talouden rakenteiden ja eri toimintojen taloudellisten merkitysten jälkikäteisarvioinnissa kansan-, alue- ja paikallistalouksissa panos-tuotosanalyysi on edelleen toimiva ja kehittelyn kohteena oleva klassikko. Tänä päivänä teknologia, ennen kaikkea tietotekniikka on mahdollistanut sen, että panos-tuotosanalyysistä on tullut laajalti käytetty menetelmä alue- ja kansantalouksien tarkasteluissa, mutta lisäksi myös kansainvälisissä tarkasteluissa (Miller & Blair, 2009).
3.2 Panos-tuotostaulukko
Toimialojen kysynnän ja tarjonnan näkökulmasta panos-tuotostaulukon sarakkeet kuvaavat toimialojen menoja ja rivit toimialojen tuloja. X kuvaa toimialojen välituotevirtaa siten, että toimiala j ostaa tuotoksensa valmistamiseksi toimialan tuotosta verran. Toimiala j ostaa myös muita tuotannontekijöitä eli peruspanoksia kotitalouksilta ja muilta institutioilta
verran. Toimiala i myy tuotoksestaan loppukäyttöön verran.
TAULUKKO 1 Panos-tuotostaulukon yleinen muoto (Vatanen 2011)
X Y X
Z X
3.3 Tuotantomalli
Tuotantomallin laatiminen aloitetaan panos-tuotostaulun riviyhtälöstä:
= + ( = 1, . . . , ) (1)
Tässä panos-tuotostaulun määritelmäyhtälössä todetaan kunkin toimialan tuotanto yhtä suureksi kuin tuotoksen käyttö panoksina x tuotantotoiminnoissa ja lopputuotteina y. Seuraavaksi tulee selvittää toimialakohtaiset panoskertoimet. Panoskerroin # ilmaisee, kuinka paljon toimialalla j tarvitaan toimialan i tuotantoa yhden tuotosyksikön valmistamiseen.
# =$$%&
& (2)
Tästä voidaan ratkaista välituotteiden kysyntä (3), joka voidaan taas sijoittaa mallin taseyhtälöön (1).
= # × (3)
Kun tämä yhtälö sijoitetaan yhtälöön (1), saadaan:
x = # × + ( = 1, . . . , ) (4)
Tämä on matriisimuodossa:
x = Ax + y, missä x = , ⋮ ., = , ⋮ . , / = ,
# # ⋯
# # ⋯
#⋮ ⋮
# ⋯
⋯
##
#⋮ .
Mallin selitettävinä muuttujina ovat toimialojen kokonaistuotannot ja selittävinä muuttujina toimialojen lopputuotteiden kysyntä . Mallin parametreina ovat panoskertoimet, jotka ilmaisevat toimialojen välisiä riippuvuuksia. Mallissa selitetään toimialojen kokonaistuotanto lopputuotteiden kysynnän ja toimialojen tuotannon keskinäisten riippuvuuksien avulla. Toisin sanoen tuotantomallilla arvioidaan kuinka suuri on kunkin toimialan tuotannon määrä, jotta tietty lopputuotteiden kysyntä voidaan tyydyttää.(Forssell, 1985)
Tämän jälkeen panoskerroin matriisista A muodostetaan Leontiefin käänteismatriisi, joka ilmaisee toimialojen kokonaistuotannon ja lopputuotteiden kysynnän välisen riippuvuuden. Käänteismatriisi saadaan ratkaisemalla seuraavanlainen yhtälöryhmä:
12 − /4 = (5)
Tästä saadaan yleinen ratkaisu
= 12 − /45 (6)
tai
x = 6 ( = 1, . . . , )
kun
12 − /45 = 76 8 (7)
Leontiefin Käänteismatriisi 12 − /45 ilmaisee toimialojen kokonaistuotoksen ja lopputuotteiden kysynnän välisen riippuvuuden. Matriisin solu 6 ilmaisee kuinka paljon tuotantoa tarvitaan toimialalta i jotta toimialalta j voitaisiin saada yksi yksikkö lopputuotetta.
3.4 Panos-tuotostaulut Suomessa
Suomessa Tilastokeskus on julkaissut kansallisia panos-tuotostauluja vuosittain aina vuodesta 1995 lähtien. Tätä ennen tauluja on julkaistu epäsäännöllisesti alkaen vuodesta 1956. Kansalliset panos-tuotostaulut johdetaan vuosittaisista tarjonta- ja käyttötaulukoista. Tarjontataulukko pyrkii kuvaamaan tuoteryhmittäin kansantaloudessa käytettävien tavaroiden ja palveluiden tuotantoa eri toimialoilla sekä niiden tuontia. Käyttötaulukko taas pyrkii kuvaamaan tuoteryhmittäin tuotteiden käyttöä eri toimialojen välituotteina, loppukäyttönä sekä vientinä. Sekä tarjonta- että käyttötaulukoiden laadinnan lähtökohtana ovat kansantalouden vuositilinpidon ennakolliset tiedot.
(Tilastokeskus, 2009)
Tarjonta- ja käyttötaulukoiden laadinnassa tarjonta- ja käyttötiedot jaetaan tuotekohtaisesti ja mukaan lisätään joitakin Euroopan tilinpitojärjestelmän (EKT 1995) edellyttämiä luokituksia. Laadinnassa tietolähteinä käytetään kansantalouden tilinpidon lisäksi kuvattavan ilmiöalueen omia lähteitä, joita voivat olla esimerkiksi teollisuuden ja rakentamisen rakennetilastot,
vakuutusyhtiötilastot sekä kulutustutkimus. Näiden lisäksi laadinnassa voidaan hyödyntää useille ilmiöalueille yhteisiä lähteitä, kuten yritysrekisteriä, yritysten rakennetilastoaineistoa tai työvoimatutkimusta. Joidenkin tuotteiden osalta hyödynnetään tuotekohtaisia aineistoja, joita ovat muun muassa teollisuuden hyödyketilaston tuotanto-, raaka-aine- ja polttoainetilastot.
(Tilastokeskus 2007)
Suomessa Tilastokeskus on laatinut alueelliset panostuotostaulukot vuosille 2002 ja 1995. Nämä tutkimukset pitävät sisällään maakuntakohtaiset tarjonta- ja käyttötaulukot sekä panos-tuotostaulukot. Näiden avulla on pystytty muodostamaan myös maakuntakohtaiset panoskertoimet, työpanoskertoimet sekä käänteismatriisi, jonka avulla voidaan tutkia kuinka välilliset tuotantovaikutukset ovat jakautuneet toimialojen kesken. (Tilastokeskus, 2006) Alueellisten tarjonta- ja käyttötaulukoiden laatimisen perustana ovat alustavat alueelliset huoltotaseet. Taseessa kuvataan alueittaiset tarjonnat ja kysynnät seuraavilla tavoilla:
Suppea tarjonta = arvonlisäys + tuoteverot – tuotetukipalkkiot +tuonti
Suppea kysyntä = vienti + kulutusmenot + kiinteän pääoman bruttomuodostus + varastojen muutos
Alueellisen huoltotaseen sekä erilaisten tilastojen ja rekisterien avulla on voitu johtaa alueelliset tarjonta- ja käyttötaulut. Näiden johtamisessa on kuitenkin jouduttu soveltamaan runsaasti arvioita, kuten on toimittu välituotekäytön tuoteulottuvuuden osalta, joka on selvitetty käyttäen apuna koko maan vastaavia keskiarvo lukuja. Myös investoinnit ja varastojen muutokset on arvioitu maan keskiarvoluvuilla. Alueellisen panos-tuotostutkimuksen alueluokitus perustuu vuoden 2004 kunta- ja maakuntajakoon, joka pitää sisällään 20 maakuntaa. Alueluokitukseltaan Suomen alueellinen panos- tuotostutkimus vastaa EU:n NUTS-luokitusta NUTS 3–tasolla. (Tilastokeskus, 2006)
3.4.1 Tilastokeskuksen toimialaluokitus
Toimialaluokitusten avulla voidaan ryhmitellä samankaltaisia toimintoja eli aktiviteetteja. Suomessa Tilastokeskus tarjoaa useita eri toimialaluokitus vaihtoehtoja riippuen tilastosta sekä tarkasteluvuodesta. Toimialaluokitukset perustuvat usein Euroopan unionin asettamiin luokituksiin siten, että esimerkiksi Suomessa luokitus muodostuu viidestä hierarkkisesta tasosta, joista kirjaintaso kuvaa pääluokkia ja alemmat numerotasot näiden alaluokkia.
(Tilastokeskus, 2013)
Alueellisen panos-tuotos–tutkimuksen toimialajako perustuu TOL2002 /
NACE2002–luokitukseen. Alueellisessa panos-tuotos–tutkimuksessa on laskentatasolla 95 toimialaa ja julkistuksessa 30 toimialaa (Tilastokeskus, 2008).
TOL2002 rakennetta on kuvattu lisää liitteessä 1. Kansallisissa panostuotostilastoissa 2008–2011 käytetty toimialaluokitus TOL 2008 perustuu EU:n toimialaluokitus NACE Rev. 2:een. Se pitää sisällään 21 pääluokkaa sekä 88 2-numerotason luokkaa (Tilastokeskus, 2011). TOL 2008 rakennetta on kuvattu liitteessä 2.
Tämän tutkielman kannalta on oleellista ymmärtää eri tilastojen toimialaluokituksia ja sitä, miten erilaiset toimialajaot voidaan yhdenvertaistaa.
Toimialajaon muuttaminen voi tapahtua ainoastaan aggregoimalla, silloin kun informaatio on rajallista. Tästä syystä tarkasteluissa on lähdettävä liikkeelle käytettävästä tilastosta, jonka toimialajako on suppein. Tämän jälkeen muut tarkasteltavat tilastot voidaan aggregoida toimialajaoltaan vastaamaan suppeimman toimialajaon tilastoa.
4 ALUEELLISTEN PANOS-TUOTOSTAULUJEN MUODOSTAMINEN
4.1 Taulujen muodostaminen
Alueellisia panos-tuotostauluja voidaan käytännössä muodostaa kolmella tavalla: survey-menetelmällä, puoli-survey-menetelmällä (kutsutaan myös hybridi- tai osittais-survey-menetelmäksi) tai ei-survey-menetelmällä.
Menetelmien ero perustuu näiden riippuvuuteen kansallisista panos- tuotostauluista (Kowalewski, 2012). Tämä tutkielma käsittelee pääosin ei- survey-menetelmiä, joissa hyödynnetään alueen toimialakohtaisia sijaintiosamääriä. Näitä menetelmiä on kuvattu lisää seuraavassa alaluvussa.
Suoraviivaisin tapa muodostaa alueellisia panos-tuotostauluja on yksityiskohtainen survey-tutkimus, jonka avulla saadaan selvitettyä toimialojen väliset riippuvuussuhteet alueen sisällä. Tutkimuksessa toimialan jokaiselta yritykseltä selvitetään kuinka paljon nämä ovat käyttäneet muiden toimialojen välituotteita valmistaessaan yhden lopputuotteen. Vastaavanlaiset tutkimukset ovat kuitenkin usein kohtuuttoman kalliita ja aikaa vieviä. Tästä johtuen alueellisten survey-menetelmien rahoitusta on jouduttu leikkaamaan esimerkiksi Suomessa ja Saksassa. (Kowalewski, 2012).
Alueellisten panos-tuotostaulujen muodostaminen osittais-survey-menetelmillä on käytännössä ei-survey ja survey-menetelmien välimuoto, jossa hyödynnetään osittain mallin ulkopuolista lisätietoa. Tämä tieto voi olla esimerkiksi pienimuotoinen keskittyneempi survey-tutkimus alueen toimialojen riippuvuussuhteista tai joissakin tapauksissa asiantuntijan näkemys (Miller & Blair, 2009). Yksi suosituimmista osittais-survey-menetelmistä on RAS-menetelmä (bi-prortional matrix scaling algorithm), jonka melko vaativa laskentatekniikka kuitenkin sivuutetaan tässä tutkielmassa.
4.2 Sijaintiosamäärämenetelmä
Alueelliset kertoimet voidaan myös johtaa kansallisista kertoimista käyttäen apuna alueen toimialakohtaisia sijaintiosamääriä, jotka voidaan johtaa alueellisista ja kansallisista työllisyys- tai tuotantoluvuista (Flegg & Webber 2000). Sijaintiosamäärä kuvaa siis yksinkertaisesti toimialan paikallisen laajuuden suhdetta toimialan laajuuteen kansallisesti. Menetelmän hyödyntäminen panos-tuotostaulujen muodostamisessa on suhteellisen edullinen, joten on odotettavissa, että sen suosio tulee kasvamaan tulevaisuudessa.
Kappaleesta 3 tuttu yksinkertainen panos-tuotosmalli oli muotoa:
= / + = 12 − /45 ,
jossa toimialojen kokonaistuotanto on selitetty lopputuotteiden kysynnän ja toimialojen tuotannon keskinäisten riippuvuuksien avulla Kun tavoitteena on rakentaa alueellinen panos-tuotostaulu, on nyt keskeistä saada muunnettua kansallinen panoskerroinmatriisi / = 7# 8 alueelliseksi panoskerroinmatriisiksi 9 = 7: 8. Tässä käytetään apuna sijaintiosamäärä LQ termiä seuraavan kaavan kautta:
: = ; × # (8)
jossa alueellinen panoskerroinvektori : ilmaistaan alueellisen kaupankäyntikerroinvektorin ; ja kansallisen panoskerroinvektorin # tulon avulla. Termin ; voidaan ajatella kuvaavan toimialan i tuotoksen osuutta, jota käyttävät alueen sisällä toimivat yritykset. Nyt alueellinen kaupankäyntivektori voidaan korvata LQ termillä, jolloin alueellisen panoskerroinvektorin kaava on muotoa:
:> = ?@ × #<= (9)
Sijaintiosamäärän LQ (Location Quontients) tarkoituksena on kuvata toimialan paikallisen laajuuden suhdetta toimialan laajuuteen kansallisesti.
Sijaintiosamäärää voidaan tulkita siten, että mitä suurempi lukuarvo on, sitä vahvempi toimiala on paikallisesti. Jos sijaintiosamäärä on arvoltaan yksi, on toimiala paikallisesti yhtä vahva kuin koko alueella keskimäärin. Mikäli sijaintiosamäärä saa suuremman arvon kuin yksi, on toimialan keskittyminen alueellisesti suurempaa kuin kansallisesti. Mikäli sijaintiosamäärä on pienempi kuin yksi, on toimiala keskittynyt alueellisesti vähemmän kuin kansallisesti.
(Miller & Blair, 2009)
Kaksi eniten käytettyä sijaintiosamäärä-menetelmää ovat yksinkertainen sijaintiosamäärä SLQ (Simple Location Quontients) sekä ristikkäissijaintiosamäärä CILQ (Cross-industry Location Quontients). SLQ-
menetelmän kehittivät William A. Shaffer sekä Kong Chu vuonna 1969 (Kuhar, 2009). SLQ:n ja CILQ:n matemaattiset muodot ovat:
A?@ =FCBC%%/EBC/EFC (10) G2?@ =HIJHIJ%
& =BCBC%/FC%
&/FC& (11)
joissa 9K kuvaa toimialan i tarjontasektorin paikallista tuotantoa ja LK toimialan vastaavaa kansallista lukua. 9K kuvaa puolestaan j toimialan kysyntää alueella ja LK toimialan kansallista kysyntää. 9K on puolestaan alueen kokonaistuotanto ja LK kansallinen kokonaistuotanto. Kaavoissa pyritään kuvaamaan toimialojen suhteellisia volyymeja tuotantomäärien avulla, jolloin nämä on mahdollista korvata työllisyysluvuilla.
Kaavassa 10 todetaan siis SLQ yhtä suureksi kuin toimialan i suhteellinen paikallinen tuotanto suhteessa toimialan suhteelliseen kansalliseen tuotantoon.
Kaava 11 puolestaan osoittaa että, ristikkäissijaintiosamäärä CILQ kuvaa toimialojen suhteellisten laajuuksien välistä suhdetta eli toisin sanoen kahden toimialan yksikertaisten sijaintiosamäärien suhdetta. (Flegg & Webber, 2000) Mikäli toimialan i tuotos suhteessa kansalliseen tuotokseen on suurempi kuin toimialan j tuotoksen suhde kansalliseen tuotokseen (G2?@ > 14, saadaan toimialan j tarvitsemat panokset i alueen sisältä. Tästä voidaan tehdä päätelmä, että mikäli toimialan i tuotos suhteessa kansalliseen tuotokseen on pienempi kuin toimialan j tuotoksen suhde kansalliseen tuotokseen (G2?@ < 14, on osa toimialan j tarvitsemista panoksista i tuotu alueen ulkopuolelta. (Miller & Blair, 2009)
Roundin (1978) mukaan kaupankäyntikertoimen ; tulee olla funktio, joka pitää sisällään kolme muuttujaa: tarjontasektorin suhteellinen osuus, kysyntäsektorin suhteellinen osuus sekä alueen suhteellinen koko.
Sijaintiosamääristä CILQ menetelmä huomioi eksplisiittisesti sekä tarjonta- että kysyntäsektorin, mutta jättää huomioimatta alueen suhteellisen koon. SLQ menetelmän puolestaan huomio sekä tarjontasektorin, että alueen suhteellisen koon, mutta jättää huomiotta kysyntäsektorin. Sen sijaan Anthony T. Flegg:n kehittämä Flegg:n sijaintiosamäärä FLQ kykenee huomioimaan Roundin kaikki kolme ehtoa.
Flegg & Webber (1995) huomasivat, että SLQ:n ja CILQ:n hyödyntäminen panos-tuotostaulujen johtamisessa tuottaa liian suuria kertoimia, sillä mekanismi ei ota huomioon alueen sisällä tapahtuvaa kaupankäyntiä.
Ratkaisuksi ongelmaan Anthony T. Flegg kehitti FLQ menetelmän, jossa keskeisiksi apuvälineiksi otetaan yksinkertainen sijaintiosamäärä SLQ sekä
ristikkäissijaintiosamäärä CILQ. Lähtökohtana Fleggin menetelmälle toimi Roundin sijaintiosamäärä (Semilogarithmic Quotient), joka on esitetty seuraavassa alaluvussa. Formaalisti FLQ määritellään seuraavalla tavalla:
O?@ = G2?@ × P∗ kun ≠ S (12) O?@ = A?@ × P∗ kun = S (13)
joissa P∗ = TUVW 11 +EBCEFC4XY
Termi P∗ pitää sisällään kaksikantaisen logaritmifunktion alueellisen ja kansallisen tuotantovolyymin suhteesta, johon on lisäksi summattu luku yksi.
Lisäksi lauseessa on eksponenttina parametri , joka pyrkii kuvaamaan funktion konveksisuutta siten, että suurempi arvo kuvaa suurempaa tuontia alueiden välillä. Mikäli saa arvon nolla, on O?@ = G2?@ . Toisin sanoen kuvaa siis alueen tuonnin herkkyyttä. Tämä voidaan tulkita siten, että tuonti herkkyyden (parametrin ) laskiessa termin P∗ arvo kasvaa, jolloin myös sijaintiosamäärä FLQ kasvaa. Käytännössä tilanne on yksinkertaisempi: jos alueen tuonti laskee, toimijat hyödyntävät entistä enemmän alueen omia panoksia tuotannossaan, joka taas näkyy panoskertoimien kasvuna. Parametrin optimaalinen arvo FLQ-menetelmän soveltamisessa on synnyttänyt paljon keskustelua ja sitä voidaankin pitää menetelmän yhtenä suurimmista haasteista (Flegg&Webber 1997).
Alueellinen erikoistuminen voi johtaa kasvuun alueellisissa panoskertoimissa, jolloin nämä voivat olla kansallisia kertoimia suuremmat. Ratkaisuksi tähän Flegg & Webber kehittivät AFLQ (Augmented Flegg Location Quotient) menetelmän, jossa myös alueellinen erikoistuminen otetaan huomioon.
/O?@ = O?@ × P∗× 7log 11 + A?@ 48 (14)
jossa 7log 11 + A?@ 48 on ns. erikoistumistermi, joka tulee voimaan kun A?@ >1 eli silloin, kun toimialan j alueellinen tuotanto suhteessa alueen koko tuotantoon on suurempaa kuin toimialan kansallinen tuotanto on suhteessa koko tuotantoon. Alueen erikoistuminen pienentäisi siten myös toimialan tuontia alueelle. (Flegg Webber, 2000)
Ristikkäissijaintiosamäärä CILQ ei kyennyt huomioimaan alueen suhteellista kokoa. Tämä tarkoittaa, että menetelmässä oletetaan alueen tuonnin olevan sama riippumatta alueen koosta, vaikka todellisuudessa pienemmän alueen tuonti on suurempaa kuin suuren alueen. Tähän ongelmaan Round (1978) kehitti RLQ-menetelmän, joka huomio nyt myös alueen suhteellisen koon.
Roundin sijaintiosamäärä voidaan esittää muodossa:
9?@ =]^_`1 aHIJHIJ%
&4 (15)
jossa osoittajana on toimialan i yksikertainen sijaintiosamäärä ja nimittäjänä kaksikantaisen logaritmifunktion toimialan j yksikertainen sijaintiosamäärä, johon on lisäksi summattu luku yksi. Kaavasta 15 voidaan havaita yhtäläisyyksiä FLQ-menetelmän kanssa ja Flegg onkin modifioinut FLQ- menetelmän RLQ:n pohjalta. (Kuhar, 2009)
Empiirisesti on todettu, että SLQ ja CILQ tuottavat liian suuria kerroin estimaatteja, kun verrataan näitä survey-menetelmällä saatuihin kertoimiin.
Tämän tuloksen saivat Flegg & Webber vuonna 2000, tutkiessaan Skotlannin taulouden rakennetta. Samassa tarkastelussa todettiin FLQ menetelmän tuottavan lähes virheettömiä kerroinestimaatteja. Saman tuloksen ovat saaneet myös Flegg ja Tohmo tutkiessaan Suomen toimialakohtaisia tuotantokertoimia.
Sekä Flegg & Tohmo (2013) että Flegg & Webber (2000) ovat lisäksi osoittaneet että AFLQ-menetelmä ei kykene lisäämään kerroin estimaattejen tarkkuutta verrattuna FLQ-menetelmään.
4.3 Aikaisempia tutkimuksia liittyen alueellisten panos-tuotostaulujen johtamiseen
Anthony T Flegg ja Timo Tohmo (2013) ovat soveltaneet FLQ menetelmää tutkimuksessa Regional Input-Output Tables and FLQ Formula: A Case Study of Finland. Tutkimuksen Case osuus tarkasteli Suomen maakuntia ja näiden taloudellisia rakenteita panos-tuotosanalyysin näkökulmasta. Eri menetelmien toimivuutta arvioitiin vertaamalla näitä vuoden 1995 Tilastokeskuksen survey- menetelmällä saatuihin panos-tuotos-tauluihin. Tuloksista kävi ilmi että FLQ menetelmä tuottaa selvästi tarkempia kerroinestimaatteja kuin SLQ- tai CILQ- menetelmä.
Flegg & Webber (2000) ovat tarkastelleet alueellista erikoistumista ja FLQ- menetelmän toimivuutta Skotlannissa. Työssä keskityttiin erityisesti McCann &
Dewhurst (1998) väittämään, jonka mukaan alueellinen erikoistuminen aiheuttaisi alueellisten panos-tuotoskertoimien kasvun, jota FLQ-menetelmä ei huomioisi. Flegg & Webber (2000) eivät kuitenkaan voineet osoittaa väittämää oikeaksi sillä tutkimuksen tuloksien perusteella FLQ-menetelmällä saadut kertoimet eivät poikkea merkittävästi vuoden 1989 Skotlannin survey-tauluista.
Tulokset osoittivat myös, että alueellisen erikoistumisen huomioiminen (AFLQ) ei paranna kerroinestimaatteja tarkkuutta. Lisäksi tulokset osoittivat myös, että FLQ-menetelmä tuottaa tarkempia kerroinestimaatteja kuin SLQ tai CILQ menetelmät.
Tohmo (2004) on tarkastellut eri sijaintiosamäärämenetelmien avulla johdettuja
panoskertoimia koskien Keski-Pohjanmaan maakuntaa. Myös tässä tutkielmassa eri menetelmällä tuotettuja kertoimia on verrattu survey- menetelmällä tuotettuihin maakunnan kertoimiin. Tutkimuksen tuloksista käy ilmi kuinka sekä SLQ että CILQ tuottavat keskimäärin lähes 50% survey- menetelmää suurempia kertoimia, kun tarkastellaan Keski-Pohjanmaan maakuntaa. Sen sijaan FLQ-menetelmällä tuotetut kertoimet poikkesivat survey-kertoimista ainoastaan 0,4%, joten maakunnan osalta FLQ-menetelmää voidaan pitää tarkimpana estimoitaessa panoskertoimia.
4.4 Aikaisempia tutkimuksia liittyen parametrin estimointiin
Flegg:n ja Tohmon (2013) mukaan tuonnin herkkyyttä kuvaavan parametrin optimaalinen arvo olisi välillä 0,25 - 0,3 Suomen maakunnissa, kun verrataan sijaintiosamäärien avulla saatuja panoskertoimia survey-menetelmän kertoimiin. Tilannetta on havainnollistettu taulukossa 2, jossa tarkastelun kohteena ovat Suomen 20 maakunnan yhteenlaskettujen panoskertoimien keskiarvot. Taulukossa on verrattu eri sijaintiosamäärä menetelmien avulla saatujen panoskertoimien keskivirhettä µ verrattuna survey-menetelmällä saatuihin kertoimiin. Käytännössä µ mittaa survey- ja ei survey-menetelmillä saatujen kertoimien suhteellista keskihajontaa seuraavan kaavan kautta:
μ = c dde ∑ 1gh − g 4/g= (16)
, jossa g kuvaa survey-menetelmällä saatua toimialan j tuotoskerrointa, gh= vastaavaa ei-survey-menetelmällä saatua kerrointa ja toimialojen lukumäärää.
Taulukko 2 osoittaa, kuinka sekä suhteellinen keskihajonta µ että keskihajonta SD ovat pienimmillään FLQ-menetelmän parametrin ollessa 0,25. Lisäksi taulukosta voidaan nähdä kuinka FLQ-menetelmä tuottaa selvästi tarkempia kerroinestimaatteja kuin SLQ tai CILQ menetelmät.
TAULUKKO 2 Eri menetelmien tarkkuus (Flegg & Tohmo 2013)
Menetelmä µ SD
SLQ 14,7 0,1167
CILQ 15,0 0,1061
FLQ (δ=0,15) 5,7 0,0763
FLQ (δ=0,20) 2,6 0,0682
FLQ (δ=0,25) 0,4* 0,0673*
FLQ (δ=0,30) -1,9 0,068
Taulukossa 2 tarkasteltiin koko Suomea kuvaavia kertoimia siten, että µ kuvasi maakuntien kertoimien keskiarvoa. Tässä tutkimuksessa on kuitenkin keskeistä selvittää parametrin optimaalinen arvo koskien ainoastaan yhtä maakuntaa, Keski-Suomea. Taulukossa 3 on kuvattu survey- ja FLQ-menetelmällä saatujen
kertoimien välistä keskihajontaa µ maakunnittain siten, että parametri saa kuusi eri arvoa väliltä 0,15 – 0,4. Taulukosta voidaan nähdä, että Keski-Suomen maakunnan osalta parametrin optimiarvo on 0,25, jolloin keksihajonta µ on pienin. Taulukosta voidaan myös havaita, että parametrin arvo 0,25 tuottaa tarkimmat kerroinestimaatit suurelle osalle maakunnista, vaikka esimerkiksi Ahvenanmaa ( = 0,15) ja Uusimaa ( = 0,40) poikkeavat tästä selkeästi.
TAULUKKO 3 Survey- ja FLQ-menetelmällä saatujen panoskertoimien välinen keskihajonta maakunnittain (Flegg & Tohmo 2013)
Kowalewski (2012) on soveltanut FLQ-menetelmää koskien Baden- Wurttembergin osavaltiota. Tutkielmassa on kiinnitetty erityistä huomiota parametrin arvon valintaan. Tutkimuksen tulokset osoittavat, että Baden- Wurttembergin osavaltiota koskevan parametrin optimaalinen arvo on välillä 0,11 – 0,17. Aikaisempiin tutkimuksiin verrattuna arvo on melko pieni johtuen pääosin alueen toimijoiden vähäisestä riippuvuudesta alueen ulkopuolelta tuleviin panoksiin eli tuontituotteisiin. Kowalewski toteaakin Baden-
δ
0,15 0,2 0,25 0,3 0,35 0,4
Ahvenanmaa -1,5 -4,29 -6,71 -8,72 -10,4 -11,8
Keski-Pohjanmaa 2,74 -0,11 -2,8 -5,18 -7,29 -9,24
Kainuu 2,16 -0,86 -3,4 -5,6 -7,45 -9,01
Etelä-Savo 4,79 2,01 -0,34 -2,42 -4,2 -5,76
Itä-Uusimaa 12,78 9,81 6,97 4,56 2,38 0,44
Pohjois-Karjala 5,94 2,51 -0,47 -3,02 -5,23 -7,15
Etelä-Pohjanmaa 1,52 -0,98 -3,13 -4,96 -6,59 -8,12
Kanta-Häme 6,8 3,99 1,49 -0,76 -3,18 -5,32
Etelä-Karjala 5,72 2,95 0,43 -1,79 -3,69 -5,31
Päijät-Häme 4,93 2,06 -0,45 -2,75 -4,81 -6,64
Pohjanmaa 6,62 2,85 -0,56 -3,52 -6,08 -8,23
Lappi 2,59 0,38 -1,59 -3,64 -5,61 -7,39
Pohjois-Savo 6,11 2,79 -0,45 -3,38 -5,87 -8,05
Kymenlaakso 7,62 4,98 2,47 0,24 -1,74 -3,53
Keski-Suomi 6,17 3,42 1,02 -1,29 -3,57 -5,6
Satakunta 10,3 7,09 4,27 1,75 -0,56 -2,67
Pohjois-Pohjanmaa 5,71 3,02 0,61 -1,6 -3,65 -5,6
Pirkanmaa 12,19 3,17 5,82 3,13 0,72 -1,44
Varsinais-Suomi 7,53 4,87 2,46 0,3 -1,72 -3,59
Uusimaa 3,6 2,84 2,07 1,28 0,5 -0,26
Ei painotettu keskiarvo 5,72 2,62 0,39 -1,87 -3,9 -5,71
Painotettu keskiarvo 5,95 3,23 1,59 -0,3 -2,05 -3,63
Wurttembergin olevan samankaltainen alue kuin Ahvenanmaa, jonka parametrin arvo oli Tohmon mukaan 0,15. Tämän lisäksi molempia alueita voidaan luonnehtia suhteellisen vähän erikoistuneiksi verrattuna valtion muihin alueisiin (Kowalewski, 2012).
Kowalewskin (2012) mukaan aluetta koskevalla parametrilla ei tulisi olla ainoastaan yhtä arvoa, vaan sen tulisi vaihdella eri toimialojen välillä.
Tutkielmasta käy ilmi, että esimerkiksi terästeollisuudelle ≥ 0,3, kun taas vastaava arvo elintarviketeollisuudelle olisi ≤ 0,1. Parametrin alaindeksi kuvaa sitä kuinka on nyt toimialaspesifi, jolloin sen arvo riippuu myös toimialasta j.
Flegg ym. (1995) ovat tarkastelleen sijaintiosamäärien hyödyntämistä tutkimuksessa On the Appropriate Use of Location Quotients In Generating Regional Input-Output Tables. Tutkimuksessa on tarkastelu parametrin sijasta parametria β, joka kuvaa myös tuonnin herkkyyttää FLQ-menetelmässä.
Tutkijoiden mukaan parametrin tulisi olla arvoltaan vähintään 0,45, jotta kertoimista ei tulisi liian suuria. Flegg ym korostavat, että parametrin arvoa tulisi muuttaa, mikäli on havaittavissa selkeitä teknologia eroavaisuuksia alueellisen ja kansallisen tuotannon välillä.
5 VUODEN 2011 KANSALLISISTA PANOS-
TUOTOSTAULUISTA JOHDETUT KESKI-SUOMEN MAAKUNNAN PANOS-TUOTOSTAULUT
5.1 Suomen ja Keski-Suomen toimialakohtainen työllisyys
Taulukossa 4 on esitetty Tilastokeskuksen (2011) julkaisemat koko maata ja Keski-Suomen maakuntaa koskevat toimialakohtaiset työllisyysluvut.
Taulukossa työllisyyden mittarina on käytetty toimialalla työssäkäyviä henkilöitä. Taulukosta voidaan nähdä, kuinka terveys- ja sosiaalipalvelut (376 180) sekä teollisuus (334 387) ovat olleen Suomen kaksi suurinta työllistävää toimialaa vuonna 2011. Myös tukku- ja vähittäiskauppa on työllistänyt huomattavan määrän henkilöitä (282 191) ollen maan kolmanneksi suurin toimiala, kun tarkastellaan työssäkäyviä. Taulukon alin rivi osoittaa, että vuonna 2011 Suomessa oli yhteensä 2 354 422 työssäkäyvää.
Taulukon viimeisessä sarakkeessa on kuvattu Tilastokeskuksen (2011) julkaisemat Keski-Suomen maakuntaa koskevat toimialakohtaiset työllisyysluvut. Taulukko käsittää kaikki alueella työssäkäyvät huolimatta näiden asuinpaikasta. Alueella työssäkäyvät muodostavat ns. työllisen päiväväestön, jota voidaan käyttää alueen työpaikkojen määrän mittarina (Tilastokeskus 2006). Taulukon toimialajako noudattaa TOL 2008–luokitusta siten, että päätoimialoja on 22, joista toimiala U Kansainvälisten organisaatioiden ja toimielinten toiminta voidaan jättää tarkastelun ulkopuolelle, sillä maakunnassa ei ole yhtään työssäkäyvää tällä toimialalla.
Taulukon 4 mukaan vuonna 2011 Keski-Suomen maakunnan suurin työllistäjä oli terveys- ja sosiaalipalvelut, joka piti sisällään noin 19 tuhatta työssäkäyvää.
Toiseksi suurin toimiala oli teollisuus, joka työllisti melkein 18 tuhatta henkilöä.
Suurin osa näistä henkilöistä työskentelee metsäteollisuus sektorilla sillä, Keski-
Suomen maakunta on vahvasti erikoistunut metsäteollisuuteen. Yhteensä Keski-Suomessa oli vuonna 2011 työllisiä miltei 110 000 henkilö.
TAULUKKO 4 Suomen ja Keski-Suomen toimialakohtainen työllisyys vuonna 2011 (Tilastokeskus, 2011)
Toimiala Työssäkäyvät koko maa
Työssäkäyvät Keski-Suomi
A Maatalous, metsätalous ja kalatalous 82571 4773
B Kaivostoiminta ja louhinta 5623 255
C Teollisuus 334387 17600
D Sähkö-, kaasu- ja lämpöhuolto 12674 420
E Vesihuolto, viemäri- ja jätevesihuolto 10308 480
F Rakentaminen 156511 7496
G Tukku- ja vähittäiskauppa 282191 11194
H Kuljetus ja varastointi 140478 4837
I Majoitus- ja ravitsemistoiminta 83031 3804
J Informaatio ja viestintä 88284 3568
K Rahoitus- ja vakuutustoiminta 47027 1094
L Kiinteistöalan toiminta 21238 1022
M Ammatillinen, tieteellinen toiminta 132389 5297
N Hallinto- ja tukipalvelutoiminta 149163 6477
O Julkinen hallinto ja maanpuolustus 121023 5897
P Koulutus 168751 9941
Q Terveys- ja sosiaalipalvelut 376180 18888
R Taiteet, viihde ja virkistys 41290 1714
S Muu palvelutoiminta 69281 3089
T Kotitalouksien toiminta työnantajina 189 68
U Kansainvälisten organisaatioiden toiminta 430 0
X Toimiala tuntematon 31403 1655
Yhteensä 2354422 109569
5.2 Keski-Suomen maakunnan toimialakohtaiset yksinkertaiset sijaintiosamäärät SLQ sekä ristikkäissijaintiosamäärät CILQ
Taulukossa 5 on esitetty Keski-Suomen maakunnan toimialakohtaiset yksinkertaiset sijaintiosamäärät. Sijaintiosamäärät on saatu selvitettyä luvussa neljä esitetyn kaavan 10 avulla käyttäen hyväksi aikaisemmin esiteltyjä kansallisia sekä maakuntakohtaisia työllisyyslukuja. Taulukosta voidaan nähdä, kuinka Keski-Suomen toimialakohtaiset yksinkertaiset sijaintiosamäärät saavat enimmäkseen arvoja välillä 0,7 - 1,2. Rahoitus- ja vakuutustoiminnan osalta SLQ saa arvon 0,5, joka on koko taulukon pienin arvo. Tämä voidaan tulkita, että rahoitus- ja vakuutussektorin laajuus maakunnassa on puolet pienempää kuin koko maassa keskimäärin. Sen sijaan kotitalouksien toiminta työnantajina saa SLQ arvon 7,7, joka poikkeaa huomattavasti muista arvoista.
Tämä taas voidaan tulkita siten, että kotitalouksien toiminta työnantajina on huomattavasti keskittyneenpää Keski-Suomen maakunnassa kuin koko maassa.
Maa-, metsä- ja kalatalouden osalta SLQ saa arvon 1,2, johtuen pitkälti alueen vahvasta keskittymisestä metsätalouteen. Lisäksi maakunta on vahvasti keskittynyt koulutukseen, minkä osoittaa sektorin SLQ arvo 1,3.
TAULUKKO 5 Keski-Suomen toimialakohtaiset SLQ-kertoimet
Toimiala SLQ
A Maatalous, metsätalous ja kalatalous 1,242111261
B Kaivostoiminta ja louhinta 0,974470522
C Teollisuus 1,130992935
D Sähkö-, kaasu- ja lämpöhuolto, jäähdytysliiketoiminta 0,712085589 E Vesihuolto, viemäri- ja jätevesihuolto, jätehuolto ja muu ympäristön puhtaanapito 1,000606769
F Rakentaminen 1,029156262
G Tukku- ja vähittäiskauppa; moottoriajoneuvojen ja moottoripyörien korjaus 0,852390799
H Kuljetus ja varastointi 0,73988527
I Majoitus- ja ravitsemistoiminta 0,984457221
J Informaatio ja viestintä 0,868439268
K Rahoitus- ja vakuutustoiminta 0,499881031
L Kiinteistöalan toiminta 1,034031785
M Ammatillinen, tieteellinen ja tekninen toiminta 0,859754941
N Hallinto- ja tukipalvelutoiminta 0,933059624
O Julkinen hallinto ja maanpuolustus; pakollinen sosiaalivakuutus 1,047031681
P Koulutus 1,265844409
Q Terveys- ja sosiaalipalvelut 1,078914131
R Taiteet, viihde ja virkistys 0,891995255
S Muu palvelutoiminta 0,958076902
T Kotitalouksien toiminta työnantajina 7,731143203
X Toimiala tuntematon 1,132461557
Taulukkoon 6 on koottu ristikkäissijaintiosamäärät eli CILQ:t, jotka on saatu laskettua edellä olevien SLQ lukujen ja kaavan 11 avulla. Mikäli sijaintiosamääriä käytettäisiin suoraan uusien alueellisten panoskertoimien laskemiseen, tulisi yli yhden suuruiset arvot pyöristää arvoiksi yksi. Näin ei kuitenkaan toimita nyt, sillä tässä tutkielmassa CILQ- ja SLQ-luvut toimivat ainoastaan apuvälineenä johdettaessa FLQ-kertoimia.
CILQ-kertoimien tulkinta on hieman haastavampi kuin esimerkiksi SLQ- kertoimien. Esimerkiksi toimiala B kaivostoiminta ja louhinta on maakunnassa täysin omavarainen panoksen F rakentaminen suhteen, sillä näiden välisen CILQ-kertoimen arvo on 1,06, joka puolestaan on suurempi kuin yksi. Sen sijaan maakunnan teollisuus näyttäisi hankkivan noin puolet rahoitus- ja vakuutustoiminnasta maakunnan ulkopuolelta, sillä näiden välinen CILQ- kerroin on ainoastaan 0,44, joka on reilusti alle yhden. Taulukon perusteella maakunnan rahoitus- ja vakuutustoiminta panoksena on suurelta osin tuonti palvelu sillä yksikään toimiala ei hanki tätä panosta täysin omasta maakunnasta. Maakunta on kuitenkin lähes täysin omavarainen panoksien P koulutus ja A maa-, metsä- ja kalatalous suhteen, sillä näiden CILQ-kertoimet ovat lähes aina suurempia kuin yksi. CILQ-taulukon diagonaali koostuu luonnollisesti lukuarvoista yksi, sillä kyseessä on toimialan omien SLQ- kertoimien osamäärä.
TAULUKKO 6 Keski-Suomen toimialakohtaiset CILQ-kertoimet
A B C D E F G H I J K L M N O P Q R S T X
A Maatalous, metsätalous ja kalatalous 1,00 1,27 1,10 1,74 1,24 1,21 1,46 1,68 1,26 1,43 2,48 1,20 1,44 1,33 1,19 0,98 1,15 1,39 1,30 0,16 1,10 B Kaivostoiminta ja louhinta 0,78 1,00 0,86 1,37 0,97 0,95 1,14 1,32 0,99 1,12 1,95 0,94 1,13 1,04 0,93 0,77 0,90 1,09 1,02 0,13 0,86 C Teollisuus 0,91 1,16 1,00 1,59 1,13 1,10 1,33 1,53 1,15 1,30 2,26 1,09 1,32 1,21 1,08 0,89 1,05 1,27 1,18 0,15 1,00 D Sähkö-, kaasu- ja lämpöhuolto 0,57 0,73 0,63 1,00 0,71 0,69 0,84 0,96 0,72 0,82 1,42 0,69 0,83 0,76 0,68 0,56 0,66 0,80 0,74 0,09 0,63 E Vesihuolto, viemäri- ja jätevesihuolto ym 0,81 1,03 0,88 1,41 1,00 0,97 1,17 1,35 1,02 1,15 2,00 0,97 1,16 1,07 0,96 0,79 0,93 1,12 1,04 0,13 0,88 F Rakentaminen 0,83 1,06 0,91 1,45 1,03 1,00 1,21 1,39 1,05 1,19 2,06 1,00 1,20 1,10 0,98 0,81 0,95 1,15 1,07 0,13 0,91 G Tukku- ja vähittäiskauppa 0,69 0,87 0,75 1,20 0,85 0,83 1,00 1,15 0,87 0,98 1,71 0,82 0,99 0,91 0,81 0,67 0,79 0,96 0,89 0,11 0,75 H Kuljetus ja varastointi 0,60 0,76 0,65 1,04 0,74 0,72 0,87 1,00 0,75 0,85 1,48 0,72 0,86 0,79 0,71 0,58 0,69 0,83 0,77 0,10 0,65 I Majoitus- ja ravitsemistoiminta 0,79 1,01 0,87 1,38 0,98 0,96 1,15 1,33 1,00 1,13 1,97 0,95 1,15 1,06 0,94 0,78 0,91 1,10 1,03 0,13 0,87 J Informaatio ja viestintä 0,70 0,89 0,77 1,22 0,87 0,84 1,02 1,17 0,88 1,00 1,74 0,84 1,01 0,93 0,83 0,69 0,80 0,97 0,91 0,11 0,77 K Rahoitus- ja vakuutustoiminta 0,40 0,51 0,44 0,70 0,50 0,49 0,59 0,68 0,51 0,58 1,00 0,48 0,58 0,54 0,48 0,39 0,46 0,56 0,52 0,06 0,44 L Kiinteistöalan toiminta 0,83 1,06 0,91 1,45 1,03 1,00 1,21 1,40 1,05 1,19 2,07 1,00 1,20 1,11 0,99 0,82 0,96 1,16 1,08 0,13 0,91 M Ammatillinen, tieteellinen ja tekninen toiminta 0,69 0,88 0,76 1,21 0,86 0,84 1,01 1,16 0,87 0,99 1,72 0,83 1,00 0,92 0,82 0,68 0,80 0,96 0,90 0,11 0,76 N Hallinto- ja tukipalvelutoiminta 0,75 0,96 0,82 1,31 0,93 0,91 1,09 1,26 0,95 1,07 1,87 0,90 1,09 1,00 0,89 0,74 0,86 1,05 0,97 0,12 0,82 O Julkinen hallinto ja maanpuolustus 0,84 1,07 0,93 1,47 1,05 1,02 1,23 1,42 1,06 1,21 2,09 1,01 1,22 1,12 1,00 0,83 0,97 1,17 1,09 0,14 0,92 P Koulutus 1,02 1,30 1,12 1,78 1,27 1,23 1,49 1,71 1,29 1,46 2,53 1,22 1,47 1,36 1,21 1,00 1,17 1,42 1,32 0,16 1,12 Q Terveys- ja sosiaalipalvelut 0,87 1,11 0,95 1,52 1,08 1,05 1,27 1,46 1,10 1,24 2,16 1,04 1,25 1,16 1,03 0,85 1,00 1,21 1,13 0,14 0,95 R Taiteet, viihde ja virkistys 0,72 0,92 0,79 1,25 0,89 0,87 1,05 1,21 0,91 1,03 1,78 0,86 1,04 0,96 0,85 0,70 0,83 1,00 0,93 0,12 0,79 S Muu palvelutoiminta 0,77 0,98 0,85 1,35 0,96 0,93 1,12 1,29 0,97 1,10 1,92 0,93 1,11 1,03 0,92 0,76 0,89 1,07 1,00 0,12 0,85 T Kotitalouksien toiminta työnantajina 6,22 7,93 6,84 10,86 7,73 7,51 9,07 10,45 7,85 8,90 15,47 7,48 8,99 8,29 7,38 6,11 7,17 8,67 8,07 1,00 6,83 X Toimiala tuntematon 0,91 1,16 1,00 1,59 1,13 1,10 1,33 1,53 1,15 1,30 2,27 1,10 1,32 1,21 1,08 0,89 1,05 1,27 1,18 0,15 1,00
5.3 Tuonnin herkkyyttä kuvaavan parametrin arvo
Kun toimialakohtaiset yksinkertaiset sijaintiosamäärät sekä ristikkäissijaintiosamäärät on saatu selvitettyä, on FLQ kaavasta ratkaisematta ainoastaan tuonnin herkkyyttä kuvaava parametri . Kuten jo aikaisemmin on todettu parametrin optimaalisen arvon löytäminen on yksi haastavimmista vaiheista johdettaessa alueellisia panos-tuotostauluja FLQ-menetelmän avulla.
Luvussa neljä tarkasteltiin aikaisempia tutkimuksia liittyen parametrin estimointiin. Tohmon tutkimuksien perusteella parametrin optimaalinen arvo Keski-Suomen maakunnan osalta olisi 0,25. Tohmon tutkimuksissa on kuitenkin tarkasteltu vuotta 1995, joten uudempi tarkastelu on perusteltua.
Taulukossa 7 on esitetty tuloksia liittyen parametrin optimaalisen arvon estimointiin, jossa tarkoituksena on verrata FLQ-menetelmän ja survey- menetelmän avulla saatuja panoskertoimia. Ennen varsinaista estimointia tulee kuitenkin aggregoida toimialoja, sillä eri tilastojen toimialajaot eivät tässä tapauksessa vastaa toisiaan. Tarvittavia tilastoja verrattaessa nähdään kuinka Keski-Suomea koskeva vuoden 2002 survey-pohjainen panoskerroinmatriisi pitää sisällään 28 toimialaa. Tämä on tarkasteltavista tilastoista toimialajaoltaan suppein, joten muiden tilastojen toimialajako tulee aggregoida vastaamaan tätä.
Lisäksi alueellisessa surveytilastossa on toimiala K7021 Asuntojen omistus ja vuokraus, jolle ei löydy vastaavuutta ja jonka kertoimet ovat lähes kaikki nollia.
Jotta tilastot saadaan vertailukelpoisiksi, tulee tämä toimiala poistaa tarkastelusta kokonaan. Lisäksi toimialan P Kotitalouspalvelut panoskertoimet ovat sekä alueellisessa että kansallisessa taulukossa nollia, joten tämä toimiala voidaan jättää tarkastelun ulkopuolelle. Näin ollen lopullinen toimialajako koskien parametrin estimointia pitää sisällään 26 toimialaa.
FLQ-kertoimia johdettaessa tulee aluksi ratkaista alueen toimialakohtaiset SLQ- ja CILQ-kertoimet, joiden johtamiseen tarvitaan aluekohtaiset ja valtakunnalliset tuotantoluvut. Vuotta 2002 koskevat koko maan toimialakohtaiset tuotantoluvut sisältävät kuitenkin 59 toimialaa, joten nämä tulee aggregoida vastamaan alueellisen surveytilaston toimialajakoa.
Aggregointi tapahtuu yksinkertaisesti summaamalla tarkasteltavien toimialojen tuotosluvut yhteen. Esimerkiksi toimialoista Elintarvikkeiden ja juomien valmistus sekä Tupakkatuotteiden valmistus syntyy yksi toimiala:
Elintarvikkeiden, juomien ja tupakan valmistus.
FLQ-kertoimia johdettaessa tulee myös tarkastella kansallista panoskerroinmatriisia, joka myös sisältää 59 toimialaa koskien vuotta 2002.
Panoskertoimia ei kuitenkaan voida summata yhteen, vaan avuksi tarvitaan tarkasteluvuoden panostuotostaulukon kotimainen tuotosmatriisi. Nyt nämä tuotosmääriä kuvaavat luvut voidaan summata aikaisempaan tapaan siten, että toimialajako vastaa alueellisen surveytilaston toimialajakoa.
Toimialakohtaisista tuotosluvuista saadaan panoskertoimia luvun 3.3 kaavan 2
avulla, eli jakamalla sektorin käyttämä panos sen kokonaistuotoksella.
Taulukkoon 7 on koottu vuoden 2002 survey- ja ei survey-menetelmällä saatujen panoskertoimien väliset keskihajonnat μ. Vuoden 2002 survey- pohjaiset panoskertoimet on saatu suoraan Tilastokeskuksen panos-tuotos tietokannoista. Ei-survey-menetelmällä johdetut kertoimet on laskettu käyttäen apuna saman vuoden kansallisia sekä Keski-Suomen maakunnan tuotantolukuja. Näiden avulla on pystytty selvittämään toimialakohtaiset FLQ- kertoimet, joita apuna käyttäen alueen panoskertoimet parametrin eri arvoilla. Eri menetelmillä saatujen panoskertoimien väliset suhteelliset keskihajonnat on selvitetty käyttäen 11:tä eri parametrin arvoa.
Suhteellinen keskihajonta μ on laskettu kaavan 16 osoittamalla tavalla. Muut keskihajonnat ovat laskettu seuraavilla tavoilla:
μ = c dde ∑ 1gh − g 4/1g − 14= (17)
μl = m∑ 1&∑h&n5&`&4` (18)
μo = c e ∑ |gh − g |/g= (19)
Taulukko 7 Parametrin δ estimointi
FLQ μ μ μl μo
δ =0,15 3941,727 4,616647* 39,3135* 55,84369
δ =0,20 3460,667 7,112105 42,63654 52,61085
δ =0,25 2999,097 9,472728 46,55607 49,62726
δ =0,30 2544,724 11,80138 50,21741 46,83478
δ =0,35 2104,172 14,02253 54,09707 44,26494
δ =0,40 1653,223 16,03826 58,19263 41,60921
δ =0,50 840,3689 19,66847 66,82436 37,24605
δ =0,60 45,59794* 22,52244 74,18314 32,93444
δ =0,70 -574,295 24,73899 80,14457 29,79728
δ =0,80 -1045,97 26,42514 84,806 27,64786
δ =0,90 -1403,51 27,7247 88,41012 26,35204*
Taulukon mukaan μ1saa pienimmän arvonsa parametrin arvolla 0,60. Hajonnat μ2 ja μ3 ovat puolestaan pienimmillään parametrin arvolla 0,15. Sen sijaan hajonta μ4 minimoituu parametrin ollessa 0,9. Tulokset osoittavat, että parametrille ei olisi olemassa yhtä ainoaa optimaalista arvoa. On kuitenkin todennäköisempää, että vuoden 2002 alueellisissa survey-tutkimuksen panoskertoimet ovat osittain harhaanjohtavia. Tämä ilmenee siten, että taulukon 7 suhteelliset keskihajonnat μ1 ovat huomattavasti suurempia kuin aikaisemmin esitetyt taulukon 2
keskihajonnat, joissa tarkastelun kohteena oli vuoden 1995 survey-tutkimuksen panoskertoimet. Lisäksi osa suhteellisista erotuksista (gh − g 4/g= poikkeaa huomattavasti erotuksien keskiarvosta. Parametrin arvolla 0,25 suhteellisten erotuksien keskiarvo on 1,1534 ja mediaaniarvo -0,3481. Erotuksista valtaosa on itseisarvoltaan pienempi kuin yksi, mutta silti kolmen erotuksen arvo on suurempi kuin 100. Näin suuret poikkeamat indikoivat mahdollisesta tilastovirheestä, sillä poikkeavat erotukset pysyvät suurena, vaikka parametrin arvoa muutetaan. Myös Flegg & Tohmo (2013) ovat osoittaneet vuoden 2002 alueellisen survey-tutkimuksen sisältävän systemaattista virhettä, joka ilmenee harhaisina kertoimina.
Parametrin optimaalisen arvon löytäminen vuoden 2002 surveyn avulla on erittäin haasteellista, johtuen survey-tutkimuksen sisältämistä virheistä. Koska Suomesta ei ole saatavilla uudempaa alueellista survey-tutkimusta, voidaan parametrin optimaalisen arvon valitsemisessa hyödyntää aikaisempia tutkimuksia, joissa on hyödynnetty vuoden 1995 survey- tutkimusta. Flegg &
Tohmo (2013) ovat saaneet parametrin optimaaliseksi arvoksi ( = 0,254 tutkiessaan sekä Keski-Suomen maakuntaa että koko Suomen maakuntien keskiarvoa. Näin ollen voimme tehdä oletuksen, että Keski-Suomea koskeva yksittäinen parametrin arvo on 0,25.
5.4 Keski-Suomen maakunnan toimialakohtaiset FLQ- ja panoskertoimet
Taulukossa 8 on esitetty Keski-Suomen maakunnan toimialakohtaiset FLQ- kertoimet parametrin arvolla 0,25. Saaduissa tuloksissa on käytetty apuna aikaisemmin selvitettyjä maakunnan SLQ sekä CILQ arvoja, joiden avulla FLQ- kertoimet on saatu selvittyä kappaleessa neljä esitettyjen kaavojen 9 ja 10 avulla.
Taulukossa arvoltaan yli yhden suuruiset kertoimet on pyöristetty luvuiksi yksi. Lisäksi toimiala U Kansainvälisten organisaatioiden toiminta on jätetty tarkastelusta pois, sillä sen jokainen FLQ arvo on nolla.
