Työttömyysturva korona pandemian aikana Taloustieteen pro gradu -tutkielma Laatija: Hertta Vilo Ohjaaja: Janne Tukiainen 6.6.2021 Turku Turun yliopiston laatujärjestelmän mukaisesti tämän julkaisun alkuperäisyys on tarkastettu Turnitin OriginalityCheck -järjestelmällä. Pro gradu -tutkielma Oppiaine: Taloustiede Tekijä: Hertta Vilo Otsikko: Työttömyysturva korona pandemian aikana Ohjaaja: Janne Tukiainen Sivumäärä: 66 sivua Päivämäärä: 6.6.2021 Työmarkkinoiden toimintaa säätelee julkiset instituutiot. Työmarkkinat voidaan jakaa kolmeen lohkoon työlainsäädäntö, työttömyysturva ja työvoimapolitiikka. Tämä tutkielma keskittyy työttömyysturvan toimintaan. Suomen työttömyysturva on kaksijakoinen. Se koostuu perusturvasta ja vakuutusperiaatteella toimivasta ansioturvasta. Ansioturva on jokaiselle palkansaajalle vapaaehtoinen ja työttömyysturvavakuutuksen piiriin pääsee työttömyyskassaan liittymällä. Työttömyysturvalaissa säädetään ehdot työttömyysetuuden saamiselle. Kaksi pääehtoa on jäsenyys- ja työssäoloehto. Jäsenyysehto täyttyy, kun henkilön on ollut työttömyyskassan jäsen vähintään 26 viikkoa. Työssäoloehto täyttyy, kun jäsen on tehnyt töitä jäsenyysajalla 26 viikkoa, josta työtunteja on vähintään 18 tuntua per viikko. Korona pandemia sai aikaan valtavan jäsenpiikin työttömyyskassoissa alkuvuodesta 2020. Pandemian johdosta ihmisiä lomautettiin isoissa määrin ja monelle tuli eteen työttömyysuhka. Pandemian vuoksi myös työttömyysturvalakiin tehtiin lyhytkestoisia muutoksia. Nämä helpotukset pyrkivät edesauttamaan ihmisiä pääsemään nopeammin ansiosidonnaisen päivärahan piiriin. Suomessa työttömyysvakuutusmaksu on pakollinen, mutta työttömyyskassaan kuuluminen vapaaehtoista. Työttömyyskassan ulkopuolella olevat tai työttömyyskassan jäsenet, jotka eivät täytä yllä mainittuja ehtoja, hakevat peruspäivärahaa Kansaneläkelaitokselta. Perusturvaan kuuluva peruspäiväraha on kaikille samansuuruinen. Korona pandemian johdosta työttömien työnhakijoiden määrä moninkertaistui ja ihmiset hakivat suurissa määrin työttömyyspäivärahaa. Ihmisten halu päästä ansiosidonnaisen päivärahan piiriin, näkyi suurena jäsenpiikkinä työttömyyskassassa. Mielenkiinto tutkimuksen toteuttamiseen syntyi vertailemalla työttömyyspäivärahan maksun toteutumista ja jäsenten liittymisajankohdan välistä yhteyttä. Tässä tutkielmassa selvittämään ansiopäivärahan maksun toteutumisen todennäköisyyksiä. Vertailun kohteena on jäsenen liittymisajankohta. Aineisto on jaettu jäsenen liittymispäivän mukaan kahteen luokkaan, ennen pandemiaa liittyneet ja pandemian aikana liittyneet. Tutkimuksessa lähdetään liikkeelle oletuksesta, että pandemian aikana liittyneet olivat myös suuremmalla todennäköisyydellä päivärahan saajina kuin ennen pandemiaa liittyneet. Tutkielmassa selvitetään liittymisajankohdan ja mahdollisen maksun saamisen yhteyttä. Aineistoa mallinnetaan kahden eri regressioanalyysin avulla. Lineaarinen regressioanalyysi kertoo muuttujien välisestä yhteydestä ja logistinen regressioanalyysi kertoo selitettävän muuttujan tapahtumisen todennäköisyydestä. Aineistossa niin selitettävä kuin selittävä muuttuja ovat kategorisia ja kaksiluokkaisia. Sen vuoksi logistinen regressioanalyysi sopii aineiston mallinnukseen. Avainsanat: Työttömyysturva, Työttömyys, Työmarkkinat, Korona pandemia Sisällys 1 JOHDANTO .................................................................................................................................... 7 1.1 TUTKIELMAN KOHDE JA TUTKIMUSKYSYMYKSET ...................................................................................... 8 2 TEORIA ........................................................................................................................................ 10 2.1 TYÖMARKKINAT SUOMESSA ............................................................................................................. 10 2.1.1 Työmarkkinat kriisissä ........................................................................................................... 12 2.2 TYÖTTÖMYYDEN TEORIAT ................................................................................................................. 13 2.3 TYÖTTÖMYYS................................................................................................................................. 14 2.4 LOMAUTUS ................................................................................................................................... 17 2.5 SUOMEN TYÖTTÖMYYSTURVA ........................................................................................................... 18 2.6 TYÖTTÖMYYSTURVAN HISTORIA SUOMESSA ......................................................................................... 21 2.6.1 Työttömyysturvan rakenne tänä päivänä ............................................................................. 24 2.6.2 Työttömyysturvan viimeisimmät muutokset ........................................................................ 27 2.7 TYÖTTÖMYYSKASSOJEN TEHTÄVÄT ..................................................................................................... 29 2.8 PAKOLLINEN VAI VAPAAEHTOINEN TYÖTTÖMYYSVAKUUTUS ..................................................................... 32 3 AINEISTON JA TUTKIMUSMENETELMÄT ...................................................................................... 35 3.1 AINEISTO ...................................................................................................................................... 35 4 TUTKIMUSMENETELMÄ .............................................................................................................. 43 4.1 LINEAARINEN REGRESSIOANALYYSI ..................................................................................................... 43 4.2 LOGISTINEN REGRESSIOANALYYSI ....................................................................................................... 45 4.3 TUTKIMUS .................................................................................................................................... 46 4.4 TUTKIMUSTULOKSET ....................................................................................................................... 48 4.4.1 Lineaarisen regressioalanyysin tulokset ................................................................................ 48 4.4.2 Logistisen regression tulokset ............................................................................................... 52 5 YHTEENVETO JA JOHTOPÄÄTÖKSET ............................................................................................ 59 6 LÄHTEET ...................................................................................................................................... 63 KUVIOLUETTELO KUVA 1, TYÖTTÖMIEN TYÖNHAKIJOIDEN MÄÄRÄT 17 KUVA 2, TYÖTTÖMYYSTURVAN KULKUKAAVIO 26 KUVA 3, LOMAUTETUILLE MAKSETUT PÄIVÄRAHAT 28 KUVA 4, TYÖTTÖMYYSKASSOJEN LUKUMÄÄRÄ 30 KUVA 5, TYÖTTÖMYYSKASSOIHIN SAAPUNEET HAKEMUKSET 31 KUVA 6, UUDET JÄSENET AJALTA 1.1.2019-31.12.2020 36 KUVA 7, UUDET JÄSENET 1.1.2019-29.2.2020 37 KUVA 8, UUSIEN JÄSENTEN SUKUPUOLIJAKAUMA ENNEN PANDEMIAA 38 KUVA 9, UUSIEN JÄSENTEN SUKUPUOLIJAKAUMA PANDEMIAN AIKANA 38 KUVA 10, 1.1.2019-29.2.2020 LIITTYNEIDEN JÄSENTEN IKÄJAKAUMA 39 KUVA 11, 1.3.2020-31.12.2020 LIITTYNEIDEN JÄSENTEN IKÄJAKAUMA 39 KUVA 12, 1.1.2019-29.2.2020 MAKSETTUJEN ETUUKSIEN SUKUPUOLIJAKAUMA 40 KUVA 13,1.3.2020-31.12.2020 MAKSETTUJEN ETUUKSIEN SUKUPUOLIJAKAUMA 41 KUVA 14, 1.1.2019-29.2.2020 MAKSETTUJEN ETUUKSIEN IKÄJAKAUMA 42 KUVA 15, 1.3.2020-31.12.2020 MAKSETTUJEN ETUUKSIEN IKÄJAKAUMA 42 TAULUKKOLUETTELO TAULUKKO 1, PNS REGRESSIOANALYYSI JA KESKIVIRHEIDEN KLUSTEROINTI ............................................ 49 TAULUKKO 2, PNS REGRESSIO IÄN MUKAAN ............................................................................................. 50 TAULUKKO 3, PNS REGRESSIO SUKUPUOLEN MUKAAN ............................................................................. 51 TAULUKKO 4, LOGISTINEN REGRESSIO ....................................................................................................... 53 TAULUKKO 5, LOGISTINEN REGRESSIO IÄN MUKAAN ................................................................................ 55 TAULUKKO 6, LOGISTINEN REGRESSIO SUKUPUOLEN MUKAAN ............................................................... 57 1 Johdanto Yksi hyvinvointivaltion keskeinen kriteeri on toimiva sosiaaliturva. Suomessa asuvalle työttömälle henkilölle peruspäivärahan myöntää Kansaneläkelaitos. Henkilö voi vapaaehtoisesti parantaa asemaansa työttömyysjaksolla, vakuuttamalla itsensä työttömyyden varalta. Jotta työtön työnhakija voi saada tuloihin rinnastettavaa ansiosidonnaista päivärahaa, on henkilön kuuluttavaa työttömyyskassaan. Työttömyyskassan jäsenyys tarkoittaa vapaaehtoista työttömyysvakuutusta. Työttömyyskassaan voi liittyä itsenäisesti tai ammattiliiton kautta. Työttömyyskassan jäsen voi tietyt ehdot täyttäneenä saada työttömyys- tai muun vastaavan jakson aikana palkkatasoon sidottua ansiopäivärahaa. Se auttaa henkilöä ylläpitämään saavutettua elintasoa myös työttömyysjakson aikana. Tässä tutkielmassa kartoitetaan ihmisten ennakointia työttömyyden varalle. Työttömyysvakuutuksen hankkiminen Suomessa ei ole pakollista. Työntekijän vastuulla on arvioida oma riskinsä jäädä työttömäksi ja tämän perusteella päättää vakuutuksen ottamisesta. Ammattiliiton jäsenmäärät ovat olleet laskussa vuodesta 2015 lähtien, toisin kuin työttömyyskassojen, joiden suosio on kasvussa. 2019 ammattiliiton jäseniä oli 67 prosenttia palkansaajista, kun taas vuonna 2015 vastaava luku oli 74 prosenttia. Pelkän työttömyyskassan jäseniä olivat 19 prosenttia palkansaajista vuonna 2019. Samana vuonna ammattiliiton ja työttömyyskassan ulkopuolella olivat vain 14 prosenttia palkansaajista. (Kyreläinen, 2019.) Epävakautta työmarkkinoihin aiheuttaa alati muuttuvat suhdannevaihtelut ja taloutta heiluttavat ulkopuoliset shokit. Shokkien vaikutuksen suuruutta on hankalaa arvioida, joten varautuminen ennalta arvaamattomiin muutoksiin on tärkeää. Uusin työmarkkinoita heiluttanut shokki oli korona pandemia (COVID-19). Virus sai alkunsa Aasiasta ja 11.3.2020 maailman terveysjärjestö WHO julisti koronavirus taudin maailmanlaajuiseksi pandemiaksi (Duodecim Terveyskirjasto, 2021). Tästä seurasi suuria toimenpiteitä taudin leviämisen estämiseksi. 16.3.2020 hallitus totesi yhteistoiminnassa tasavallan presidentin kanssa poikkeusolot Suomeen koronavirus tilanteen vuoksi. Tästä eteenpäin hallitus linjasi rajuja toimenpiteitä yhteiskunnan rajaamiselle, jotka suoraan ja välillisesti vaikuttivat Suomen työmarkkinoihin (Valtioneuvosto, 2020). Pandemia aiheutti paljon epävakautta työmarkkinoilla. Epävakaus esiintyi lomautuksina sekä työsuhteiden purkamisina. Tutkielmassa selvitetään Suomalaisten palkansaajien ennakointia työttömyyden varalle. Tutkielman toteutuksessa hyödynnetään työttömyyskassan jäsendataa, jonka perusteella tehdään johtopäätöksiä työttömyysjakson toteutumisen todennäköisyyksistä. Tutkielmassa selvitetään lomautuksen toteutumisen todennäköisyyttä verrattuna henkilön työttömyyskassaan liittymisen ajankohtaa. Onko mahdollisesti havaittavissa yhteys lomautuksen toteutuksen ja henkilön työttömyyskassaan liittymisajankohdan kanssa. Mielenkiinto tutkimuksen toteuttamiseen alkoi maailmanlaajuisen pandemian vaikutuksista työmarkkinoihin. Korona pandemia vaikutti laaja-alaisesti koko maailman työmarkkinoihin, mutta tässä tutkielmassa tarkastellaan vain Suomeen kohdistunutta vaikutusta. Mielenkiinnon kohteena on ihmisen käyttäytyminen taloudellisen uhan vallitessa. Tutkielman empiirinen osuus pohjautuu Yleisen Työttömyyskassan YTK:n jäsentietoihin. 1.1 Tutkielman kohde ja tutkimuskysymykset Tutkielman kohdejoukkona toimii suomalaiset palkansaajat ja heidän varautumisensa työttömyyden varalle. Käytän tutkimuksen empiriassa Yleisen Työttömyyskassan YTK:n jäsentietoja. Käytössä oleva aineisto sisältää jäsenten liittymispäivät ja tiedon työttömyysetuuden maksamisesta. Aineistossa on useita havaintoyksiköitä, joten se kuvaa hyvin tutkielman kohdejoukkoa. Aineisto sisältää yli 73 000 havaintoa ja tieto ajoittuu vuosille 2019–2020. Aineistossa on mukana vain henkilöt, joiden jäsenyys on voimassa. Tutkielman ulkopuolelle jäävät vuosina 2019 ja 2020 työttömyyskassasta eronneet. Aineisto ei sisällä mitään jäsentä identifioivaa tieota. Aineistoa käsitellään sovittujen käytänteiden mukaan. Ansiosidonnaisen päivärahan maksamiselle on monia syitä, kuten muun muassa lomautus, työttömyys, vuorotteluvapaa, pitkittynyt sairausloma tai työ- ja elinkeinotoimiston myöntämä koulutukseen pohjautuva tuki. Tutkielmassa maksettuja päivärahoja käytetään yhtenä kokonaisuutena. Aineistosta ei erotella maksuperuste kategorioita toisistaan. Tutkielman tulokset ovat luotettavia, sillä suurin osa ansiosidonnaisen päivärahan saajista ovat lomautettuja ja työttömiä. Ansiosidonnaisen päivärahan maksut ovat yhtenä massana ja oletetaan työttömiksi ja lomautetuiksi, on tämä otettava huomioon tulosten tulkinnassa. Aineistossa esiintyvät palkansaajat eivät ole sidottuja tiettyyn alaan tai koulutustasoon, siksi se antaa kattavan kuvan suomalaisista palkansaajasta. Pohdin myös kuvaajien kautta ikä- ja sukupuolijakaumia uusien jäsenten ja päivärahan maksujen välillä. Kysymykset, joihin halutaan vastata tämän tutkielman pohjalta ovat seuraavat. Ovatko 1.3.2020 jälkeen liittyneet työttömyyskassan jäsenet kohdanneet suuremmalla todennäköisyydellä lomautuksen, kuin ennen pandemiaa liittyneet? työttömyyskassan jäsenpiikki syy sille, että ihmiset eivät ole ennen kokeneet tarvetta työttömyysturvalle? Voidaanko tästä aloittaa keskustelu yleisen ansioturvan merkittävyydestä? Työttömyysvakuutusmaksu pidätetään aina palkasta ennen palkan maksua. Jokainen palkansaaja maksaa työttömyysvakuutusmaksuja. Vain henkilöt, jotka ovat työttömyyskassan jäseniä, pääsevät hyötymään niistä, ansiosidonnaisen päivärahan muodossa. Niin ansiopäiväraha kuin peruspäiväraha rahoitetaan suurilta osin valtion tulella. Valtio kerää palkkasaajilta ja työnantajilta työttömyysvakuutusmaksuja. Henkilöt, jotka eivät ole työttömyyskassan jäseniä, eivät pääse ansiosidonnaisen päivärahan piiriin työttömyyden aikana. Ongelmaksi nousee, miten ihmiset jättävät käyttämättä mahdollisuuden ja informaation, mikä on heille tarjottu. Eli voidaanko puhua huomioimattomuudesta? Maksettu etuus vaikuttaa palkansaajien käytettävissä oleviin tuloihin, mutta eivät pääse hyötymään siitä työttömyyden realisoituessa. Voidaanko siis tutkimusongelmana pitää epätäydellistä informaatiota? 2 Teoria 2.1 Työmarkkinat Suomessa Työmarkkinat ei ole käsitteenä yksiselitteinen. Työmarkkinat voidaan nähdä markkinapaikkana, jossa tapahtuu vaihdantaa työnantajan ja työntekijän välillä. Työmarkkinoita voidaan luonnehtia myös työmarkkinajärjestöjen toimintana, jossa palkansaajien ja työnantajien velvoitteita ja oikeuksia valvotaan. Työmarkkinoiden tulkinnan skaala on laaja, joten siitä voidaan nostaa esille kolme työmarkkinoita ohjaavaa elintä. Ne ovat työlainsäädäntö, työttömyysturva ja työvoimapolitiikka. (Gallie ja Paugam, 2000, 4–12.) Tässä tutkielmassa työmarkkinoita käsittellään työttömyysturvan näkökulmasta. Suomen kaltaisessa hyvinvointivaltiossa on useita instituutioita. Ne vaikuttavat ratkaisevasti myös Suomen työmarkkinoihin. Instituutiot ja niiden toimielimet muovaavat työmarkkinoita joko suoraan tai välillisesti. Merkittäviä instituutioita työmarkkinoiden osalta on esimerkiksi kollektiiviset sopimukset, työntekijöiden ja työnantajien etujärjestöt, sosiaalipoliittiset järjestelmät ja työvoimapolitiikka. Suomen instituutionaaliset rakenteet ohjaavat muun muassa työntekijän ja työnantajan välisiä suhteita. Työsuhteiden sopimusten säännöt ja periaatteet, irtisanoutumisen ehdot, työsuhteen purkuun liittyvät edellytykset. Niin työnantajan kuin työntekijän velvoitteet ja oikeudet työsuhteen aikana. Esimerkiksi, minkälaisia sosiaalisia etuuksia työnantajat voivat taata työntekijöilleen. Kun henkilön status työmarkkinoilla muuttuu, hän kohtaa voimassa olevat säädökset ja hänen tilanteeseensa vaikuttavat instituutiot. Esimerkiksi henkilön jäätyä lomautetuksi hän ottaa yhteyttä työttömyysturvasta vastaaviin viranomaisiin. Viranomaistahon määrittää se, onko lomautettu henkilö työttömyyskassan jäsen vai hakeeko hän korvausta Kansaneläkelaitokselta. Institutionaaliset käytännöt yhteiskunnassa ovat entistä keskeisempiä politiikan toteuttamisessa ja tekijöitä, jotka vaikuttavat yhä enemmän yksilöiden elämään. Instituutioiden olemassaolo ja toimintaperiaatteet voidaan tulkita myös modernin hyvinvointivaltion olemusta määrittäviksi piirteiksi. Institutionaalisen näkökulman etuna pidetään sen hahmottamiskykyä, minkälaisten ehtojen vallitessa yksilöt, yritykset ja ryhmät tekevät päätöksiä. Institutionaalinen näkökulma avaa mahdollisuuden tarkastella niiden työmarkkinoita laajempana institutionaalisina rakenteina. Työmarkkinainstituutiot ovat historiallisen kehityksen tulosta ja muokkautuvat yhteiskunnan olosuhteiden mukaan. (Koistinen, 2014.) Hyvänä esimerkkinä instituutioiden jatkuvasta muokkaamisesta toimii pandemian johdosta päivitetty työttömyysturvalaki. Valtiovalta asetti pandemian alussa poikkeuslakeja, jotka helpottivat työttömäksi tai lomautetuksi joutuneen henkilön asemaa. Muutokset helpottivat jäsentä pääsemään ansiosidonnaisen työttömyysturvan piiriin nopeammin. Työttömyysturvalaissa säädetään ehdot työttömyysetuuden saamiselle. Kaksi pääehtoa on jäsenyys- ja työssäoloehto. Jäsenyysehto tarkoittaa sitä, että henkilön on ollut oltava työttömyyskassan jäsen vähintään 26 kokonaista viikkoa. Työssäoloehto tarkoittaa sitä, että jäsen on tehnyt töitä jäsenyysajalla 26 viikkoa. Jokainen työviikko, joka sisältää yli 18 tuntua työtä lasketaan työssäoloehtoa kerryttäväksi. Ennen näiden ehtojen täyttymistä henkilö ei ole oikeutettu saamaan ansiosidonnaista päivärahaa työttömyyskassasta, vaan voi hakea peruspäivärahaa Kansaneläkelaitokselta. Näitä ehtoja muutettiin poikkeuksellisesti korona pandemian johdosta. Aikaisemman viikkomäärän ehdot lyhentyivät 26 viikosta 13 viikkoon. Tämä asetus koskee vain henkilöitä kenen työssäoloehto ei muuten täyty ja tätä poikkeuslakia voidaan soveltaa vain, jos jäsenellä on yksi työssäoloehtoa kerryttävä viikko 1.3.2020 jälkeen. Tämä asetus oli alustavasti voimassa 31.12.2020 asti, jatkoa poikkeuslaille ei tullut. (TYJ, 2020b.) Tämä poikkeuslaki muutos helpotti jäsentä pääsemään nopeammin ansiosidonnaisen päivärahan piiriin. Työmarkkinoiden toimivuuteen vaikuttavat työvoiman kysynnän ja tarjonnan yhteensopivuus. Tasapainoon vaikuttaa ratkaisevasti työvoiman tarjonnan määrä, työvoiman osaamisaste ja näiden yhteensopivuus työn kysynnän kanssa. Työmarkkinainstituutiot muokkautuvat alati vaihtuviin olosuhteisiin. Yksittäinen työmarkkinainstituution muutos voi parantaa hetkellisesti työmarkkinoiden toimintaa. Koska työmarkkinoihin vaikuttavat monet eri instituutiot, on vaikea arvioida yksittäisen uudistuksen vaikutusta työmarkkinoihin. Tehdyllä muutoksilla voi olla niin odotettuja kuin odottamattomiakin vaikutuksia työmarkkinoihin. Vaikutukset voivat olla niin myönteisiä kuin kielteisiäkin. Institutionaalisuuden vuoksi työmarkkinat ovat harvoin täysin tasapainossa. Siksi työmarkkinoita luonnehditaan useimmin dynaamisena prosessina kuin stabiilina tilana. Yllä mainittujen vaikuttavien tekijöiden lisäksi työmarkkinoihin vaikuttavat väestön määrä ja rakenne. Suomessa työmarkkinoiden toimivuuteen vaikuttavat väestörakenteen muutokset. Näistä merkittävimpiä ovat jo kauan jatkunut väestön ikääntyminen ja alhainen syntyvyys. (Aspund, 2009.) Tilastokeskus kertoi tilanteen pysähtyneen 2020 vuonna ensimmäisen kerran yhdeksään vuoteen. Tilastokeskuksen väestönmuutos tietojen mukaan vuonna 2020 syntyi 850 lasta enemmän kuin vuonna 2019. (SVT, 2021.) 2.1.1 Työmarkkinat kriisissä Taloudellinen kriisi vaikuttaa talouden eri osa-alueisiin eri tavoin. Työmarkkinat kohtaavat taloudellisen kriisin yleensä viiveellä. Työmarkkinat eivät kriisin alussa ota kovaa iskua, mutta vaikutus voi yleensä näkyä vielä vuosien päästä. Voidaan ajatella, että kriisit testaavat työmarkkinoiden rakenteita. Miten työttömyysturvan järjestely, lomautusjärjestelmä ja työmarkkinajärjestöjen kyky sopia joustoista kriisin sattuessa toimii? Kun työmarkkinat kokevat kriisin, siitä jää jälki tulevaisuuden yhteiskuntapolitiikkaan. Huonosti toimivan instituution ongelmakohdat tulevat usein esiin talouden horjuessa. Eri sektoreissa kriisi näkyy eri ajankohtina. Laman tai taloudellisen kriisin ensihavainnot näyttäytyvät bruttokansantuotteessa jyrkkänä laskuna. Työmarkkinat eivät reagoi taloudelliseen kriisiin välittömästi. Bruttokansantuote elää enemmän talouden suhdanteiden mukaan ja on herkempi vaihteluille, kun taas työmarkkinat seuraavat bruttokansatuotetta hieman viiveellä. Tämä johtuu siitä, että yritykset eivät heti lähde irtisanomaan koulutettua henkilöstöään, vaan käyttävät pehmeämpiä keinoja kriisin selättämiseen. Tämä selittää edellä kerrottua tilannetta, miksi kriisi heijastuu työmarkkinoille viiveellä verrattuna bruttokansantuotteeseen. Bruttokansatuote reagoi siis kriisiin äkillisesti, mutta myös toipuu nopeammin, toisin kuin työmarkkinat. Työmarkkinat elpyvät paljon hitaammin kriisistä, joka aiheuttaa pitkälle aikavälille ongelmia. (Tridico, 2013.) Tätä hidasta palautumista takaisin tasapainoon kutsutaan työmarkkinoiden hystereesi-ilmiöksi. Työmarkkinoiden hystereesi on ilmiö, jossa työttömyys nousee ja palautuu sieltä todella hitaasti, takaisin aikaisempaan tasapainoon palaaminen kesää pidempään (Työ- ja elinkeinoministeriö, 2019). Tyypillistä on, että yritykset ovat arkoja kriisin jälkeen palkkaamaan uutta henkilöstöä, joten tämä pidentää työmarkkinoiden paluuta vallitsevaan tasapainoon ennen kriisiä. (Tridico, 2013.) Korona pandemia on ollut hyvin poikkeuksellinen aikaisempiin talouden kriiseihin nähden. Valtiovallan päättämät sulkutilat ovat vaikuttaneet normaalia nopeammin työmarkkinoihin. Esimerkiksi ravintoloiden sulku toimenpiteet pakottivat yritykset luopumaan henkilökunnasta välittömästi kriisin alussa. Tämä aiheutti sen, että suuri määrä ihmisiä joutui lopettamaan työnsä ilman varautumista. Kuten edellä todettiin, henkilökunnan lomauttaminen tai irtisanominen on yrityksen viimeisiä keinoja selviytyä kriisistä. (Valtioneuvosto, 2020). Korona pandemiasta teki poikkeuksellisen se, että yritys ei saanut itse päättää toimia kriisin selättämiseksi, vaan valtiovalta saneli toimintaehdot yrityksille. 2.2 Työttömyyden teoriat Toimivien työmarkkinoiden perusoletuksena on, että halukkaille löytyy työtä. Taloustieteen työttömyysteoria olettaa, että työttömyys on vapaaehtoista. Perusteoriassa kaikki työtä haluavat saisivat töitä vallitsevalla palkka tasolla. Kun tarkastellaan työttömyyttä palkkajäykkyyden kannata, voidaan kumota väite työttömyys vapaaehtoisena valintana. Työttömyydenteorioita on useita ja ne tarkastelevat työttömyyttä ongelmana eri näkökulmista. Eri teoriat pyrkivät selittämään, miksi työttömyyttä esiintyy ja kiistelevät työttömyyteen johtavista tekijöistä. (Koistinen, 2014.) Klassinen työttömyyden teoria selittää työttömyyttä kysynnän ja tarjonnan epätasapainolla. Tämän teorian mukaan palkka on joustava tekijä ja tasoittaa syntyneen epätasapainon. Koska palkat ovat jäykät ja eivät tasoitu työn kysynnän ja tarjonnan mukaan tuloksena on työttömyys. Teorian mukaan tasapainoa korkeammat palkat eivät itsessään ole työttömyyden syy vaan syy löytyy tekijöistä, jotka estävät palkkojen sopeutumisen. Työmarkkinoilla tämän kaltaisia tekijöitä ovat muun muassa työehtosopimusten rajoittamat palkkaehdot, jotka estävät palkan loputtoman joustamisen. (Pohjola, 2012.) Klassisen työttömyys teorian heikkous piilee siinä, että se ei esitä vastausta epätasapainon syylle (Smith, 2003). Keynesiläinen koulukunta selittää ongelmaa tahattomana työttömyytenä, joka on seurausta työn heikosta kysynnästä (Pohjola, 2012). Keynesiläisen teorian mukaan työttömyyden poistamisen avaimena on kokonaiskysynnän lisääminen. Teoriassa annetaan vastaus hyödykkeiden kysynnän lisäyksellä, joka johtaa työn kysynnän lisäykseen. Tämän seurauksena työttömien määrä laskee. Keynesiläinen teoria syntyi J. M. Keynesin klassisen teorian kyseenalaistamisella. Hän ei hyväksynyt selitystä, jonka klassinen teoria tarjosi. Keynesiläisen teorian mukaan tasapaino löydetään kokonaiskysyntää lisäämällä ja hyväksytään reaalipalkkojen aleneminen. Lopputuloksena on työttömyyden katoaminen ja reaalipalkkojen laskeminen niin alas, että kaikki työllistyvät. (Koistinen, 2014.) Keynesiläinen teoria muutti käsitystä työttömyydestä yhteiskunnallisena ongelmana. Työttömyyttä ruvettiin ratkomaan raha- ja finanssipolitiikan keinoin. Työttömyys nähtiin kokonaiskysynnän puutteesta johtuvana seurauksena ja yksilön näkökulmasta työttömyys oli tahatonta. (Pohjola, 2012.) Työttömyyden moderniteoria tuo yhteen kaksi edellä esiteltyä teoriaa. Ajatellaan, että pitkällä aikavälillä työttömyys on vapaaehtoista. Hyvä työttömyysturva vaikuttaa myös vapaaehtoiseen työttömyyteen. Työttömänä on paremmat oltavat ja aikaa etsiä omia toiveitaan täyttävää työpaikkaa (Pohjola, 2012). Puhutaan myös työttömyyden luonnollisesta tasosta, tällä tarkoitetaan tasapainoja, joka vallitsee suhdanteista riippumatta. Tähän vaikuttavia tekijöitä työttömyysturvaan tehdyt muutokset tai muut tekijät, jotka vaikuttavat työmarkkinoiden toimintaan. Lyhyen aikavälin työttömyys nähdään tahattomana ja syy työttömyydelle ajatellaan koituvan suhdannevaihteluista. Palkat ovat kiinteät, joten ne eivät jousta suhdanteiden mukaan vaan jousto tapahtuu työn kysynnän vähentämisenä. Vasta pitkällä aikavälillä palkat tasoittuvat uuteen tasapainoon, jos vallitseva tilanne on pysyvä. (Koistinen, 2014.) Monetaristinen näkökulma kritisoi kysynnän lisäämistä työttömyyden alentamiseksi. Työttömät ennakoivat kysynnän kasvun aiheuttaman hintojen muutoksen ja tiedostavat että inflaatio ei nosta reaalipalkkaa. Kokonaiskysynnän kasvu lisää työllisyyttä, mutta työttömyys tasapainottuu luonnolliselle tasolleen inflaation nousun myötä. Työttömyyden vähentämisen ratkaisuna nähdään lisäämällä työllistämisen kannustimia, kuten esimerkiksi verotusta keventämällä. (Smith, 2003.) Koronapandemian aikana työttömyys johtui työn kysynnän radikaalista vähenemisestä. Tällöin yritykset lomauttivat työntekijöitään (Valtioneuvosto, 2020). 2.3 Työttömyys Työttömyydellä tarkoitetaan ilman työtä olevien henkilöiden osuutta työvoimasta. Työvoimalla tarkoitetaan työikäisten kokonaismäärää. Työttömyysaste on työttömien prosentuaalinen osuus koko työvoimasta. Työvoimalla tarkoitetaan kaikkia niitä 15–74- vuotiaita henkilöitä, jotka ovat aktiivisesti työmarkkinoiden käytettävissä. Työttömyysasteella pyritään kertomaan työttömyyden määrää tietyllä ajanjaksolla. (Pohjola, 2012.) Työttömyysastetta määritellään eri organisaatioiden toimesta. Kela, TE-toimisto, Tilastokeskus ja eri työttömyyskassat keräävät tietoja työttömyysasteen laskemiselle. Tilastokeskuksen tuottaman vuotuisen työvoimatutkimuksen yhteydessä laskettu työttömyysaste on kansanvälisesti vertailukelpoinen tunnusluku. Tilastokeskuksen työvoimatutkimuksen mukaan Suomen työttömyysaste joulukuussa 2020 oli 7,8 %. (Findikaattori, 2020.) Työ- ja elinkeinotoimiston keräämän tiedon mukaan vastaava työttömyysaste oli 13,6 %. Tunnusluvissa on eroja, koska luku on laskettu eri aineiston mukaan. Työ- ja elinkeinotoimiston tunnusluvussa on mukana kaikki työttömäksi työnhakijaksi ilmoittautuneet henkilöt. Kaikki työttömäksi työnhakijaksi ilmoittautuneet henkilöt eivät ole täysin tytöttömiä. Henkilö, joka on osa- aika työssä voi olla ilmoittautunut työttömäksi työnhakijaksi. Osa-aikatyön rinnalle on mahdollista hakea soviteltua päivärahaa työttömyyskassasta tai Kansaneläkelaitokselta. Aina jos henkilö saa työttömyyskorvausta hänen on oltava Työ- ja elinkeinotoimistossa ilmoittautuneena työttömäksi työnhakijaksi. Voidaan huomata, että TE-toimiston ilmoittamassa työttömyysaseessa on mukana myös osa-aikatyöntekijät, jotka ovat töissä. Tämän takia työttömyysasteen luotettavuus riippuu pitkälti siitä, ketä lasketaan työttömäksi. Tästä syystä Tilastokeskuksen laskemaa tunnuslukua pidetään luotettavampana. (Kuusela, 2021.) Työttömyyttä voidaan jaotella työttömyyden keston ja työttömyyteen johtaneen syyn mukaan. Kitkatyöttömyys tarkoittaa työttömyysjaksoa, joka aiheutuu työpaikan vaihdosta. Tämä työttömyysjakso on yleensä lyhyt eikä horjuta henkilön taloutta. Rakennetyöttömyys on yhteiskunnan muuttumisen myötä aiheutunut työttömyys. Kilpailutilanteen muutos tai alati muuttuva työnkuva tiputtaa työntekijät pois muuttuvassa työympäristössä. (Begg ym, 2008.) Yksi työttömyyden muoto on suhdannetyöttömyys, joka johtuu työn kysynnän vaihtelusta. Suhdanne työttömyys on lyhytaikaista ja jaksottaista (Pohjola, 2012). Kun työttömyysjakso on kestänyt yhtäjaksoisesti kaksi vuotta, työtöntä henkilöä kutsutaan pitkäaikaistyöttömäksi. Pitkäaikaistyöttömyys nähdään rakenteellisena pitkän aikavälin yhteiskunnan ongelmana. 1990-luvun lama nosti pitkäaikaistyöttömyyttä pysyvästi, jonka jälkeen pitkäaikaistyöttömien määrä ei ole laskenut 1980 luvun ja sitä aikaisemman ajanjakson tasolle. Kokonaistyöttömyys on vaihdellut ajan saatossa. Kokonaistyöttömyyteen lasketaan mukaan pitkäaikaistyöttömät ja suhdannevaihteluista aiheutuva työttömyys. (Koistinen, 2014.) Työttömyyden tasapainon hallinta on vakaan talouden kannalta yksi avaintekijä. Suuri työttömyys merkitsee tuotannollisten voimavarojen vajaata käyttöä. Se lisää työttömyyskorvauksien kautta julkisia menoja ja työttömyydestä johtuvia tuloverojen vähenemistä. Työttömyyden on todettu aiheuttavan taloudellisten huolien kautta myös psyykkisiä ongelmia, varsinkin työttömyyden jatkuessa pitkään. Työttömyyden kustannukset ovat pitkässä juoksussa merkittävät ja kasvattaa väestön sisäistä yhteiskunnallista eroavaisuutta. Työttömyyden negatiiviset vaikutukset näkyvät vasta vuosien kuluttua ja työttömyyden kierteestä on vaikea päästä pois. Ammattitaidottomat, nuoret ja ikääntyneet omaavat suuremman riskin joutua työttömäksi. Työttömyyttä esiintyy poikkeuksetta eri yhteyskunnissa, eikä täystyöllisyys ei ole mahdollinen tasapainotila. (Pohjola, 2012.) Työ- ja elinkeinoministeriö (2020) julkaisee vuosittain työmarkkinoita koskevan ennusteen. Ennuste näyttää, että koronakriisin epävarmuus näkyy taloudessa ja työmarkkinoilla vielä vuoden 2021 lopulla. Riski työmarkkinoiden pitkäaikaiseen taantumaan on mahdollinen. Ennustetaan, että 2022 vuoden työllisyysaste olisi 71,6 prosenttia eli huomattavasti matalampi kuin ennen pandemiaa. Voidaan siis olettaa, että osa vaikutuksista ovat pitkäaikaisia ja työllisyyden elpyminen on hidasta. Tämä näkyy suoraan yritysten epävarmuudesta palkata uutta työvoimaa, heti kriisin jälkeen. Työllisten määrän ennustetaan laskevan, vuonna 2022 oletetaan, että työllisiä on 60 000 vähemmän, kuin ennen pandemiaa. Työmarkkinaennuste tarkastelee myös työn tarjonnan muutoksia. Suomen työikäisen väestön määrän ennustetaan kääntyvän merkittävään laskuun 2021, mutta vilkas nuorten maahanmuutto korjaa tilannetta ja lisää työn tarjontaa. Pitkäaikaistyöttömyyden ennustetaan kasvavan runsaasti seuraavien vuosien aikana pandemian aiheuttaneen lomautusaallon seurauksena. Työttömiä työnhakijoita, johon kuuluu lomautetut ja työttömät, ennustetaan olevan 342 000 vuonna 2020, mikä on 101 000 enemmän kuin vuonna 2019. Tämä selittyy suurelta osin pandemian aiheuttamien lomautusten ja irtisanomisten määrällä. Pitkäaikaistyöttömiä ennustetaan olevan 75 000 henkilöä, tämän luvun ennustetaan nousevan 113 000 vuonna 2022. (Alatalo ym, 2020.) Lähde: Työ- ja elinkeinoministeriö, 2020. Kuva 1, Työttömien työnhakijoiden määrät Kuva 1 on otettu työ ja elinkeinoministeriön julkaisemasta raportista. Kuva näyttää hyvin korona pandemian aiheuttaman muutoksen työttömissä työnhakijoissa. Maaliskuun alussa on työttömien työnhakijoiden määrä kasvanut suoraviivaisesti. Määrä saavuttanut huippunsa huhtikuussa ja pysynyt samalla tasolla melkein kesäkuun alkuun. Tämän jälkeen työttömien työnhakijoiden määrä on kääntynyt laskuun. Mutta lasku tapahtuu huomattavasti maltillisemmin kuin maaliskuun nousu. Tässä näemme, työmarkkinat kriisissä, mainitun työmarkkinoiden hystereesi-ilmiön. Työmarkkinat toipuvat hitaasti koetusta kriisistä ja tasoittuminen ennen kriisiä olevaan tasapainoon tapahtuu viiveellä. 2.4 Lomautus Lomautus on työsopimuslain 5:1§:n mukaan työnantajan päätökseen tai työnantajan aloitteesta tehtävään sopimukseen perustuvaa työnteon ja palkanmaksun väliaikainen keskeyttäminen työsuhteen pysyessä muutoin voimassa. Lomautuksen kesto riippuu tapauksesta. Lomautus voi olla muodoltaan kokoaikainen tai osittainen. Osittainen lomautus tarkoittaa, että työntekijän työtunteja vähennetään, kun taas kokoaikainen lomautus tarkoittaa, että työntekijän työvelvoite lopetetaan kokonaan. Työsopimuslain perustelujen mukaan lomauttamisen tulee olla aina luonteeltaan väliaikainen toimenpide. Jos työmäärä vähentyy pysyvästi, oikea menettely on vähentää työvoimaa irtisanomalla henkilöstöä. Lomauttaminen on tarkoitettu vakituisen työntekijän työmäärän säätelyyn. Määräaikaisessa työsuhteessa olevaa henkilöä ei saa lomauttaa. Ellei määräaikaisuuden syynä ole sijaisuus ja sijaistettavaa henkilöä lomautettaisi. (Saarinen, 2016.) Poikkeuksellisesti 2020 korona pandemian johdosta, työsopimuslaki määräsi poikkeusluvalla, että työnantaja voi lomauttaa myös määräaikaisia työntekijöitä (Työsopimuslaki 55/220). Lomautuksen toteuttamisen perusteet ovat tarkoin määritetty työsopimuslaissa. Lomauttamiselle on kaksi perustetta. Työnantajalla on taloudellinen tai tuotannollinen peruste työsopimuksen irtisanomiseen tai työnantajan edellytykset tarjota työtä ovat vähentyneet tila-päisesti, eikä työnantajalla ole tarjota muuta sopivaa työtä tai tarpeita vastaavaa koulutusta. Työnantaja on velvoitettu kertomaan lomautukseen johtaneet syyt ja ilmoittamaan asiasta työntekijälle viimeistään 14 vuorokautta ennen lomautuksen alkua. Työnantaja on myös velvoitettu arvioimaan lomautuksen mahdollinen pituus, vallitsevan olosuhteen puitteissa. Lomauttaminen realisoituu usein odottamattomien talouden horjumisen seurakusena. Kun yrityksen liikevaihto romahtaa, henkilöstön lomauttaminen on nopea helpotus kiinteille kustannuksille. Työsuhde säilyy, mutta henkilöstökustannukset vähenevät. (Saarinen, 2016.) Työnantajat lomauttivat massoittain työntekijöitä vuoden pandemian seurakusena. Iso joukko yrityksiä lomautti lähes koko henkilöstön, hallituksen sulkurajoitusten vuoksi. Nämä lomautuksen tai työttömyyden kohdanneet henkilöt ovat tutkielmassa kiinnostuksen kohteena. Lomautetulla henkilöllä on saman arvoisesti oikeus työttömyysetuuteen kuin työttömällä henkilöllä. Jotta voi saada työttömyyskorvausta lomautuksen ajalta, lomautetun henkilön on ilmoittauduttava työ- ja elinkeinotoimistoon työttömäksi työnhakijaksi. (Kuusela, 2021.) 2.5 Suomen työttömyysturva Työttömyysturvajärjestelmän tavoite on turvata työttömän toimeentulo ja pitää huolta työmarkkinoiden toiminnan tehokkuudesta. Työttömyyspäivärahaa on kahdenlaista, ansiosidonnainen päiväraha ja peruspäiväraha. Ansiosidonnainen päiväraha perustuu vapaaehtoiseen työttömyysvakuutukseen. Suomessa työntekijän tulee itsenäisesti liittyä työttömyyskassaan, jotta hänellä voi olla oikeus ansiosidonnaiseen päivärahaan. Työttömyyskassaan kuuluminen ei ole pakollista Suomessa. Peruspäiväraha on kaikille samansuuruinen ja Kansaneläkelaitos vastaa etuuden toimeenpanosta. (Latvala, 2008.) Työttömyyskassat ja Kansaneläkelaitos maksava työttömyysetuuksia lain nojalla. Työttömyysturvaa koskeva lainsäädäntö on kirjattu työttömyysturvalakiin (TTL, 1290/2002). Työttömyysturvalaki säätelee Kansaneläkelaitoksen ja työttömyyskassojen maksamia työttömyysetuuksia. Työttömyysturva pyrkii tuomaan taloudellisen turvan työttömälle tai lomautetulle henkilölle. Työttömyyskorvauksen viranomaistahon määrittelee se, onko henkilö työttömyyskassan jäsen ja täyttyvätkö tietyt ehdot ansiosidonnaisen päivärahan maksamiselle. Riippumatta työttömyysetuuden maksajasta, henkilön tulee ilmoittautua työ- ja elinkeinotoimistoon työttömäksi työnhakijaksi, jotta työttömyysetuutta voidaan maksaa. Työ- ja elinkeinotoimisto tutkii henkilön työvoimapoliittiset esteet. Niitä on muun muassa, opiskelu, täyspäiväinen yrittäjyys tai irtisanoutuminen ilman syytä. Työ- ja elinkeinotoimisto antaa esteettömän lausunnon, jos henkilö on oikeutettu työttömyysetuuteen. Ilman esteetöntä lausuntoa työtön tai lomautettu ei voi saada työttömyyspäivärahaa. Työ- ja elinkeinotoimisto tutkii laajalti työttömän työnhakijan taustaa ja antaa lausunnon sen perusteella. Tutkielmassa ei avata enempää työ- ja elinkeinotoimiston toimintaperiaatteita. Tämän tutkielman kannalta vain esteettömän lausunnon antaminen on kiinnostuksen kohteena ja muut työvoimapoliittiset periaatteet menevät tämän tutkielman rajauksen ulkopuolelle. Työttömyyskassan jäsen hakee työttömyysturvan työttömyyskassasta, ja muut työttömät työnhakijat o ovat hakevat peruspäivärahaa Kansaneläkelaitokselta. (Latvala, 2008.) Avataan ensin työttömyyskassan jäsenen ehtoja työttömyysetuuden saamiselle. Ansiosidonnaisen työttömyysturvan maksamiselle on monia ehtoja, muta ne eivät kuitenkaan ole oleellisia tämän tutkimuksen kannalta. Ehdot työttömyysetuuden maksamiselle ovat monivaiheiset, joten ne rajataan tämän tutkielman kannalta mielekkäiksi. Tässä tutkielmassa kerrotaan työ- ja elinkeinotoimiston antamasta esteettömästä lausunnosta, jäsenyysehdosta ja työssäoloehdosta. Työttömyysturvalaki määrittää ehdot ansiosidonnaisen päivärahan maksamiselle. Ehdot eivät ole suoraviivaiset. On monia poikkeustapauksia, jolloin työttömyyskassan jäsen ei ole oikeutettu ansiosidonnaiseen päivärahaan. Ainoastaan jäsenyys- ja työssäoloehto ovat tarpeellisia ehtoja avata, tämän tutkielman ymmärtämisen edellyttämiseksi. Joten tutkielman ulkopuolelle jää osa työttömyysetuuden maksamiselle olevista ehdoista. Jäsenehto täyttyy, kun henkilö on ollut työttömyyskassanjäsen 26 viikkoa. Työssäoloehto täyttyy, jos henkilöllä on työviikkoja vähintään 26 kappaletta. Työviikkojen tulee olla jäsenyysajan sisäpuolella ja työtunteja on oltava vähintään 18 tuntia per viikko. Ilman näiden ehtojen täyttymistä, henkilöllä ei ole oikeutta ansiosidonnaiseen päivärahaan vaan hakee hän työttömyyskorvauksen Kansaneläkelaitokselta. Työttömyysturvan näkökulmasta lomautettu ja työtön henkilö ovat oikeutettuja samoihin työttömyysetuuksiin. (Mattila, 2017.) Lomautettua työntekijää koskee samat etuudet kuin työtöntä. Lomautetun toimeentulon turvaa pääasiallisesti työttömyyspäiväraha. Tätä maksetaan joko työttömyyskassasta, ansiopäivärahana, tai Kasaneläkelaitokselta, peruspäivärahana (Saarinen, 2016.) Tästä lähtien tutkielmassa puhutaan työttömistä, tarkoittaen kuitenkin niin työttömiä kuin lomautettuja. Ansiosidonnaisen päivärahan rahoittaa valtio, työnantajat, työntekijät ja työttömyyskassat. Kaikki palkansaajat ja työnantajat maksavat työttömyysvakuutusmaksuja, jotka ohjautuvat suoraan työttömyysvakuutusrahastolle, jonka kautta raha liikkuu työttömyyskassoihin kattamaan työttömyysturvan menoja. Työttömyyskassat rahoittavat etuusmaksuja vuosittaisilla jäsenmaksuilla. Suomalaisista palkansaajista noin 85 prosenttia kuuluu työttömyyskassaan. Näin ollen 15 prosenttia palkansaajista maksaa vakuutusmaksuja, mutta eivät pääse hyötymään tämän vakuutuksen turvasta. Osa vakuutuksen maksajista eivät saa vastinetta maksulle. Työttömyyskassaan liittyminen on vapaaehtoista. Työttömyyskassojen menojen rahoittavan vakuutusmaksun maksaminen on pakollista. Maksajia ovat siis kaikki työssäkäyvät ja edunsaajia vain työttömyyskassaan kuuluvat. (Mattila, 2017.) Työttömyysturvan kesto riippuu työttömän työnhakijan aikaisemmasta työhistoriasta. Jos työhistoriaa on alle kolme vuotta, työttömyyskorvausta voidaan maksaa 300 päivältä. Kun työhistoriaa on kertynyt yli 3 vuotta, työttömyyspäivärahaa voidaan maksaa 400 päivältä. Pisin aika työttömyyskorvauksen myönnölle on 500 päivää. Tällöin henkilön on oltava 58 vuotta ja työkokemusta kertynyt vähintään 5 vuotta. Nämä enimmäismaksu määrät koskevat peruspäivärahaa tai ansiosidonnaista päivärahaa. (Havakka, 2017.) Keskimääräinen työttömyysjakson pituus vuonna 2017 oli noin 27 viikkoa. Naisten luku oli 25 viikkoa, kun taas miesten vastaava oli 29 viikkoa. 30 % edellä mainituista työttömistä oli pitkäaikaistyöttömiä. Myös pitkäaikaistyöttömistä suurempi osa oli miehiä. (Työ- ja elinkeinoministeriö, 2019.) Kyyrä ja Ollikainen (2008) ovat tutkineet ihmisten liikkuvuutta työttömyysturvan ja työn välillä. He ovat havainneet, että työttömyysturvasta poistumisen syy on todennäköisemmin työttömän poistuminen kokonaan työvoiman piiristä, kuin hyväksyä työ matalapalkkaiselta toimialalta. Erityisesti tämän kohtaa eläkeikää lähestyvät työttömyysturvan piirissä olevat henkilöt. Työllisyysohjelmiin osallistuminen saattaa myös johtua tarpeesta pitkittää työttömyysturvan kestoa, eikä kannustusta työllistyä uudelleen. On havaittu, että uuden työn hakemisen aktiivisuus nousee, kun työttömyysturvan maksettavat päivät vähenevät. Pidempi työttömyysturva ei kannusta ihmistä työllistymään ja tämä aiheuttaa työttömyysjakson pitenemisen. Työttömyysjakson pidentyessä henkilöllä voi esiintyä motivaatiohaasteita ja mahdollisia terveysongelmia, jotka estävät työllistymisen. Työttömyysturvan korottamisella nähdään olevan suora vaikutus työttömyysjakson kestoon. Prosentin korotus työttömyysturvassa näkyy 1–1,4 % nousuna työttömyysjakson kestossa. Suomessa haluttiin kannustaa työn vastaanottamiseen, joten vuonna 2014 säädettiin työttömyysturvalakiin pykälä, joka salli henkilön tienata 300 euroa kuukauden aikana ilman, että se vaikuttaa työttömyysetuuden suuruuteen. Tästä ei olla nähty vielä suoraa vaikutusta kokoaikaisen työn vastaanottamiseen. Osa-aikaisen työn vastaanottaminen on näkynyt tilastoissa kannustavampana. (Kyyrä ym, 2017.) 2.6 Työttömyysturvan historia Suomessa Suomen työttömyysturva on yhdistelmä perusturvaa ja vakuutusperiaatteella toimivaa ansioturvaa (Mattila, 2017). Työttömyysvakuutusjärjestelmät on suunniteltu lieventämään työttömäksi joutuneiden taloudellista ahdinkoa. 1960-luvulla säädettiin lait työnvälityksestä ja pakollisesta työttömyysvakuutusjärjestelmästä. Tästä lähtien työttömyysedun saamiseksi edellytettiin työttömäksi työnhakijaksi rekisteröitymistä työ- ja elinkeinotoimistoon. Tämän myötä niin sanottu piilotyöttömyys tuli näkyviin. On hyvä kuitenkin muistaa, että vakuutusjärjestelmä syntyi työttömyyden takia, eikä toisinpäin. (Pohjola, 2012.) Sana ”työttömyys” ilmestyi virallisiin asiakirjoihin 1700-luvulla. Työttömyys ilmiönä yleistyi 1800-luvulla, kun tavaratuotanto siirtyi kodeista ja maatiloista kaupunkeihin. Teollisuuden alkuvaiheessa työttömyys oli piilevää, koska maatalous toimi puskurina, jonne palattiin palkkatyön päätyttyä. Teollistumisen edetessä ihmisten omavaraisuus taso laski, hankintoihin tarvittiin vaihdannan välineitä, jota saatiin palkkatyöstä. Ammatillinen erikoistuminen johti siihen, että työväki ei pystynyt palaamaan enää maanviljelyn pariin, koska taito oli hukassa. Kaupunkilaistunut työväestö kohtasi uuden elämänvaiheen, työttömyyden. Työnantajat ja työntekijät alkoivat järjestäytyä poliittisesti omiin etujärjestöihinsä jo 1800-luvun lopulla. (Kuusi, 1931.) Eino Kuusi luetteli vuonna 1914 ilmestyneessä väitöskirjassaan kolme keskeisintä työttömyyden seurausta. Yhteiskunnan kannalta on tappiollista jättää työvoiman hyöty käyttämättä. Työttömien kulutus- ja veronmaksukyky heikkenevät ja samalla kuntien köyhänhoitokustannukset kasvavat. Toisena hän nostaa esiin siveellisen rappion, säännöllinen työ pitää ihmisen hyvällä tiellä. Pitkäaikaisen työttömyyden seuraus on toimettomuus ja työnteon vältteleminen. Kolmanneksi Kuusi nostaa esiin ihmisten katkeruuden. Työttömät eivät koe itse aiheuttavansa kyseistä tilannetta ja pahimmassa tapauksessa saattaa johtaa työväenjoukkojen villiintymiseen. Suomalainen työttömyysturvajärjestelmä on kokonaisuus, joka koostuu monista politiikan segmenteistä. Vakuutuksen järjestäminen on hyvin tärkeä osa tätä kokonaisuutta. Työttömyysturvaa on kehitetty aika ajoin, kulloisenkin yhteiskunnallisen tilanteen ja tarpeiden perusteella. Keskustelu työttömyyskassojen roolista syntyi, kun työttömyys alkoi yleistyä. Vuonna 1908 nousi ensimmäiset keskustelut työttömyysvakuutuksesta, jo silloin pohdit-tiin pakollista työttömyysvakuutusta. Se ei kuitenkaan sopinut heikosti kehittyneen Suomen linjaan ja työttömyyttä pidettiin paikallisena ja kausiluonteisena. (Bergholm, 2007). Työttömyysvakuutuksen suunnittelu aloitettiin Suomessa jo 1900 ensimmäisellä vuosikymmenellä ja kassajärjestelmää koskeva asetus tuli voimaan jo vuonna 1917. (Pekkarinen, 2015.) Tästä lähtien pakollista työttömyysturvaa on pidetty pitkän ajan tavoitteena ja on noussut tasaisinväliajoin keskusteluun. Vuonna 1917 pakollisen työttömyysturvan toteuttaminen oli mahdotonta, koska Suomen palkkatyöläisiä ei osattu asettaa samalle viivalle ja työtehtäviä ei osattu suhteuttaa toisiinsa. Suomen työväestö nähtiin liian hajanaisena yhteiselle työttömyysturvalle. Teollisuudentyöntekijöitä oli vain murto-osa tähän päivään verrattuna, maaseudun työttömyyttä ei tunnistettu sekä kaupunkien työttömyys johtui vuodenajoista ja oli jokavuotista (Kuusi,1931.) Gent- järjestelmä nosti arvostusta ja sama työttömyysvakuutusjärjestelmä on meillä käytössä tänäkin päivänä (Bergholm, 2007). Vuonna 1917 kassojen jäsenmäärät olivat hyvin pieniä ja valtion tuki työttömyyskassoille oli vähäistä. Vasemmisto yritti aika ajoin nostaa keskustelua pakollisesta työttömyysvakuutuksesta, mutta keskustelut olivat tuloksettomia. Toisen maailmansodan jälkeen Suomen työttömyysturva oli rikkonainen ja työttömyyskassaan kuului vajaa 10 prosenttia palkansaajista. Julkinen valta ei vieläkään tukenut työttömyyskassoja, vaan työttömyysturva maksut olivat pääosin kassojen jäsenmaksujen varassa. (Pekkarinen, 2015.) 1930-luvun lamasta johtuva työttömyyden kasvu, aiheutti työttömyyskassoissa maksuvaikeuksia koko Euroopan alueella. Työttömyyskassan jäsenmaksu ja julkisen vallan pieni apu, eivät riittäneet kattamaan työttömyyskorvausten suurta tulvaa. Vapaaehtoinen työttömyysturva osoitti heti heikkoutensa ja tämä johti useiden Euroopan maiden siirtymistä pakolliseen työttömyysvakuutukseen. Pohjoismaat olivat poikkeus ja ottivat käyttöön nykyäänkin tunnetun Gentin järjestelmän. Työttömyysvakuutusjärjestelmä sai nimensä sen syntymäkaupungin mukaan Belgian Gentissä. Gentin järjestelmässä mukana ovat Suomen lisäksi Islanti, Ruotsi ja Tanska, muu Eurooppa on pääosin pakollisen ansioturvan piirissä. (Pekkarinen, 2015.) Gentin järjestelmä tarjosi niin sanotun kultaisen keskitien pakollisen vakuuttamisen ja yksityisen vakuuttamisen välillä. Ihmiset saivat itse päättää vakuutuksen ottamisesta, mutta julkinen valta keräsi varoja ansiosidonnaisen maksamiseen. (Edebalk, 1996.) 1930- luvun lama nosti uudelleen keskusteluun pakollisen työttömyysturvan myös Suomessa. Keskustelut etenivät eduskuntaan asti, mutta liian suuret erimielisyydet ajoivat ratkaisun umpikujaan. Maalaistyöväestön rakennetyöttömyyttä ja kasvussa olevaa palkkatyöväestöä ei saatu soviteltua saman työttömyysvakuutuksen piiriin. Suomessa lamasta aiheutuneen työttömyyteen reagoitiin korottamalla työttömyyskassojen avustuksia ja valtiton tukea. Vapaaehtoiset työttömyyskassat pystyivät tarjoamaan jäsenilleen paremmat ehdot kuin pakollinen työttömyysvakuutus. Työnantajalle vapaaehtoinen kassajärjestelmä oli edullisempi kuin pakollinen vakuutus. Edellä mainituitten syitten takia lainsäädäntö, työttömyyskassojen yhteistyön ja lisääntyneiden työttömyyskassojen lukumäärä on rakentunut vaihtoehtoinen tilanne pakolliselle työttömyysturvalle. Nämä päätökset vievät järjestelmää koko ajan kauemmas 1917 vuoden pitkänaikavälin tavoitteesta, pakollisesta ansioturvasta. (Pekkarinen, 2015.) Vielä 1950-luvulla tilanne oli sama. Vaikka valtion tuki työttömyyskassoille nousi asteittain, rahoittivat kassat toimintaansa jäsenmaksuilla. Työttömyyttä pidettiin ensisijaisesti maaseudun ja talviajan ongelmana, josta julkinen valta huolehti velvoittamalla työttömiä osallistumaan keikkatöihin muun muassa metsätöihin ja tienrakennukseen korvaukseksi työttömyysetuudesta. Valtion tarjoamaa keikkatyötä kutsuttiin ”lapiolinjaksi”. (Kangas, 2018.) Vapaaehtoisen ja pakollisen työttömyysvakuutuksen välinen kiista on vanha ja sen voidaan nähdä nousevan esille erityisesti talouden taantuman vaiheissa, kun työttömyys nousee ja taloudellinen epävakaus on kasvussa (Pekkarinen, 2015). Nykyinen rakenteeltaan kaksijakoinen työttömyysturvajärjestelmä syntyi 1960-luvulla. Kaksijakoisen siinä tekee sen, että perusturvasta vastaa Kansaneläkelaitos ja ansioturvasta työttömyyskassa. Perusturvaan on oikeus kaikilla työttömillä suomessa asuvilla henkilöillä, mutta ansiosidonnainen päiväraha vaatii kassajäsenyyden. (Pekkarinen, 2015.) Vuoden 1984 työttömyysturvauudistus erotti Kansaneläkelaitoksen maksaman peruspäivärahan ja työttömyysvakuutuksen ansiopäivärahan toisistaan. Ansiosidonnainen päiväraha liitettiin henkilön aikaisempaan tulotasoon ja etuuden edellyttämiseksi tuli työttömyyskassajäsenyys. Tämän muutoksen seurauksena ammatillisesta järjestäytymisestä tuli enemmän itsestäänselvyys. Ammattiliittoon liittymisestä tuli kansallisvelvoitetta muistuttava toiminta. Tällöin työttömyysvakuutusmarkkinat olivat ammattiliittojen täydessä hallussa, työttömyyskassa liitettiin ammattiliittoon ja ehto ansiosidonnaisen saamiseen koettiin ammattiliiton jäseneksi liittymisenä. Ammattiliiton jäsenenä henkilö kuului automaattisesti myös työttömyyskassaan. Työttömyyskassan jäsenyys ei vaatinut liittymistä ammattiliittoon, mutta harva palkansaaja koki tämän vaihtoehdoksi. 2.6.1 Työttömyysturvan rakenne tänä päivänä Suomessa työttömyysvakuutusmaksu on pakollinen, mutta kassaan kuuluminen vapaaehtoista. Oikeus ansiosidonnaiseen työttömyysetuuteen edellyttää työttömyyskassan jäsenyyden. Työttömyyskassan ulkopuolella olevat hakevat peruspäivärahaa Kansaneläkelaitokselta. Perusturvaan kuuluva peruspäiväraha on kaikille samansuuruinen, 33,66 euroa päivältä. (Pekkarinen, 2015.) Suomen työttömyysturva voidaan jakaa kolmeen etuuden luokkaan: työmarkkinatuki, peruspäiväraha ja ansiosidonnainen päiväraha. Kaksi ensimmäistä on Kansaneläkelaitoksen piirissä ja ansiosidonnaisen päivärahan maksaa työttömyyskassa. Työmarkkinatuki ja peruspäiväraha ovat suuruudeltaan vakiot ja ansiosidonnainen riippuu henkilön palkkatuloista. Suomessa työskentelevä henkilö voi olla vain yhden työttömyyskassan jäsen, hän voi liittyä työttömyyskassaan vain, jos hänellä on voimassa oleva työsuhde. Työttömänä ei voi liittyä työttömyyskassan. Liittyessään uuteen tytöttömyyskassaan toinen jäsenyys on katkaistava. Jotta henkilöllä on oikeus työttömyyskassan etuuksiin, hänen on maksettava vuotuinen jäsenmaksu. (Latvala, 2008.) Kun työttömyyskassan jäsen jää työttömäksi, työttömyyskassa tarkastaa ehdot ansiosidonnaisen päivärahan maksamiselle. Jäsenen on täytynyt olla työttömyyskassan jäsen vähintään 26 viikkoa ja kerryttänyt työssäoloehtoa yhtä pitkältä ajalta. Työssäoloehtoa kerryttävät kaikki työviikot, jossa työtunteja on vähintään 18 tuntia viikossa. Mikäli jäsen ei täytä molempia ehtoja häneltä evätään oikeus ansiosidonnaiseen työttömyysetuuteen. Kaikkiin työttömyysetuuksiin maksetaan lapsikorotusta alle 18-vuotiaasta lapsesta. Lapsikorotuksen summat ovat kaikissa etuusluokissa samansuuruiset. Yhdestä lapsesta maksetaan 4,65 euroa päivässä, kahdesta lapsesta yhteensä 6,82 euroa päivässä ja kolmesta tai useammasta lapsesta maksetaan yhteensä 8,79 euroa päivässä. (Latvala, 2008.) Työttömäksi joutunut työntekijä, jolla eivät täyty yllä mainitut ehdot tai ei ole ollut työttömyyskassan jäsen saa työttömyyskorvauksen Kansaneläkelaitokselta. Peruspäivärahaa voidaan maksaa työttömälle, jos hän asuu Suomessa, on 17–64-vuotias, on ilmoittautunut työ- ja elinkeinotoimistoon työttömäksi työnhakijaksi ja täyttää työssäoloehdon. Jos työssäoloehto ei täyty maksaa Kansaneläkelaitos työttömälle työmarkkinatukea. Peruspäivärahan ja työmarkkinatuen ero on, että peruspäivärahalle, niin kuin ansiosidonnaiselle päivärahalle, asetetaan enimmäismaksuaika, työmarkkinatuelle ei asetetta päivärajaa. Sekä ansio- että peruspäivärahaa voidaan maksaa enintään 500 päivää, riippuen henkilön aikaisemmasta työhistoriasta. (Havakka ym, 2017.) Kuva 2, Työttömyysturvan kulkukaavio Kuva 2 havainnollistaa työttömän työnhakijan etuuden polkua. Kuvasta on jätetty ulkopuolelle useita etuuden maksun edellyttämiselle olevia ehtoja. Ehtojen ulkopuolelle jättäminen tekee työttömyysturvajärjestelmästä yksinkertaisemman ja helpomman ymmärtää. Pelkän kuvion perusteella ei voida antaa hyväksyntää työttömyysetuuden maksamiselle. On monia ehtoja, joiden täytyy toteutua ennen etuuden saamista. Tärkeä ehto työttömyyskorvauksen maksamiselle on hyväksyttävä lausunto työ- ja elinkeino toimistosta. Lausunnon saamiseksi henkilön on ilmoittauduttava työttömäksi työnhakijaksi ja työ- ja elinkeinotoimisto selvittävä henkilön oikeuden saada työttömyysetuutta. Esteetön lausunto tarvitaan, riippumatta ollaanko henkilölle maksamassa työmarkkinatukea, peruspäivärahaa tai ansiosidonnaista päivärahaa. Jos henkilö unohtaa ilmoittautua työttömäksi työnhakijaksi hän voi jäädä täysin ilman työttömyyskorvausta. Tämä ehto on vain yksi useista ehdoista etuuden maksamiselle. Työmarkkinatukea maksetaan työttömälle henkilölle, joka ei työttömäksi tullessaan ole täyttänyt työssäoloehtoa tai hänelle on maksettu enimmäismäärä työttömyyspäivärahaa. Työmarkkinatuen kestoa ei ole rajoitettu, toisin kuin peruspäivärahan ja ansiosidonnaisen päivärahan. (Havakka ym, 2017.) 2.6.2 Työttömyysturvan viimeisimmät muutokset Suomessa työttömyysturvaa on muokattu säännöllisesti tarpeen ja talouden tilanteen muuttumisen mukaan. Työssäoloehdon pituutta on lyhennetty useaan kertaan vuodesta 2000 lähtien. Vuonna 2003 työssäoloehtoviikkojen määrä muuttui 43 viikosta 34 viikkoon ja 2014 se laski yhä 26 viikkoon. Nyt etuuden piiriin pääsi yhä lyhyemmällä työhistorialla. Tämä paransi työttömyyden aikaista tulotasoa ja työtön ei joutunut välittömään ahdinkoon työn loppuessa. Ansiosidonnaisen päivärahan suuruutta nostettiin neljällä prosentilla vuonna 2002. Vuonna 2003 hyväksyttiin laki, joka oikeutti 20 vuoden työuran tehneelle korkeamman työttömyyspäivärahan 150 ensimmäiselle päivälle. Vuonna 2005 tuohon samaan luokkaan pääsi muita työttömäksi joutuneita. Lisäksi aktivointisuunnitelmaan osallistuneet työttömät saivat oikeuden korotettuun ansiosidonnaiseen, mutta korkeitaan 185 päiväksi. Nämä molemmat rajat nostettiin 200 päivään vuonna 2010 ja siellä etuuden taso on pysynyt. (Kyyrä ym, 2017.) Keskustelu pakollisesta työttömyysturvasta nousee esiin aika ajoin. Viimeksi talouspolitiikan arvioneuvosto nosti pakollisen työttömyysturvan esiin vuoden 2016 raportissaan. Korjauksia työttömyysturvan kehitykseen tehdään jatkuvasti, koska pitkään kestänyt työttömyys on haitallista niin yksilölle kuin yhteiskunnalle. Työttömyysturvan heikkoudet ovat usein keskustelun aiheena ja syystäkin. Työttömyydestä johtuvat ongelmat ovat nähty jo varhaisessa vaiheessa. Työttömyyden tyyli ja muodot vaihtelevat muuttuvan maailmantilanteen mukaan. Työmarkkinoiden toimivuuden kannalta, työttömien määrän sääntely on avainasemassa. Työttömyysturvan toimivuus on kriittinen osa henkilön uudelleen työllistämisessä. Työttömyysturvan tulee olla muutosaltis ja joustava, koska työmarkkinat ovat hyvin suhdanneherkkiä ja niiden palautuminen on hidasta. (Aspund, 2009.) Vuoden 2019 maailmanlaajuinen pandemia rantautui Suomeen alkuvuodesta 2020. Tämä aiheutti suuria muutoksia työllisyydessä, vielä emme pysty näkemään kuinka kauaskantoisia vaikutukset ovat. Tilanne oli kuitenkin niin poikkeuksellinen, että työttömyysetuuden saamiselle säädettiin uusia poikkeuslakeja. Pandemian poikkeuslait säädettiin helpottamaan työntekijöiden irtisanomisia ja lomautuksia. Normaali tilanteessa työnantaja on velvoitettu kertomaan työntekijälle lomautuksesta vähintään 14 päivää ennen lomautuksen toteutumista, tämä vähennettiin viiteen päivään. Jos työntekijä on tilanteeseen suostuvainen, lomautus voidaan asettaa voimaan myös ilman aikaisemmin mainittua varoitusaikaa. Toisena merkittävänä muutoksena voidaan pitää määräaikaisen työntekijän lomauttamista, ilman että määräajalle palkattu henkilö on vakituisen työntekijän sijainen. Tässä voidaan vedota tuotannollisiin ja taloudellisiin syihin, jotta ihminen voidaan lomauttaa. Tämä ei kuitenkaan koske valtion työpaikkoja. (Työsuojelu, 2020.) Pandemia on aiheuttanut suuria muutoksia työllisyysasteessa. Valtiovalta on asettanut poikkeuslakeja, jotka helpottavat työttömäksi joutuneen henkilön asemaa. Työttömyysturvalaissa määrätään jäsenyys ja työssäoloehdoiksi 26 viikkoa, ennen kuin henkilö on oikeutettu työttömyyskassan maksamaan ansiosidonnaiseen päivärahaan. Nämä ehdot ovat lyhennetty poikkeuksellisesti 13 viikkoon. Tämä asetus koskee henkilöitä kenen työssäoloehto ei muuten täyty. Tätä poikkeuslakia voidaan soveltaa, jos jäsenellä on yksi työssäoloehtoa kerryttävä viikko 1.3.2020 jälkeen. Tämä asetus oli alustavasti voimassa 31.12.2020 asti. Muita muutoksia oli muun muassa, ansiopäivärahan suojaosuus korotettiin 300 eurosta 500 euroon, työttömyyskorvauksen omavastuu ajalta voidaan maksaa poikkeuksellisesti päivärahaa ja ansiopäivärahan enimmäismaksuaika ei kulu ajalla 1.7.2020-31.12.2020. (TYJ, 2020b.) Lähde: Työttömyyskassojen Yhteisjärjestö, TYJ Kuva 3, Lomautetuille maksetut päivärahat Työttömyyskassojen Yhteisjärjestö, TYJ, kerää ja tiedottaa kaikkien Suomen työttömyyskassojen toiminnasta. Yllä oleva taulukko on tehty TYJ:n keräämän tiedon 4 000 24 000 44 000 64 000 84 000 104 000 124 000 Lomautetuille maksetut ansiopäivärahat 2018 2019 2020 2021 perustella. Kuva 3 kertoo maksettujen ansiopäivärahojen kokoluokkaa lomautettujen osalta. Y-akselilla oleva määrä kertoo, onko päivärahahakemuksen perustella maksettu henkilölle päivärahaa. Vuodet 2018 ja 2019 ovat samankaltaisia. Vuonna 2020 työttömien työnhakijoiden määrä kohosi moninkertaiseksi ja on säilyttänyt korkean tason vielä vuonna 2021. Kuva 3 ei ota kantaa maksujen rahalliseen suuruuteen. Se havainnollistaa koronapandemian aiheuttamaa lomautus aaltoa. Työn empiria osuudessa käydään kuvaajien avulla läpi tutkielmassa käytettävää aineistoa. Aineisto sisältää työttömyyskassan jäsentietoja. Maaliskuussa 2020 on nähtävissä suuri jäsenpiikki, uusissa työttömyyskassan jäsenissä. Kun yhdistämme sen tiedon yllä mainittuun työssäoloehdon lyhentämiseen, voimme olettaa, että poikkeuslailla oli suuri vaikutus henkilöiden ansiosidonnaisen päivärahan piiriin pääsemiseen. 2.7 Työttömyyskassojen tehtävät Työttömyyskassan tehtävänä on työttömyysturvalain toimeenpano. Työttömyyskassan tärkein tehtävä on järjestää jäsenilleen laissa määrätyt etuudet. Etuuksia, joita työttömyyskassa voi maksaa ovat ansiopäiväraha, vuorottelukorvaus ja liikkuvuusavustus, tässä tutkimuksessa huomiomme kiinnittyy ainoastaan ansiopäivärahaan. (TYJ, 2020c). Jätän tutkimuksen ulkopuolelle vuorottelukorvauksen ja liikkuvuusavustuksen. Ne eivät ole oleellisia tämän tutkielman kannalta. Työttömyyskassojen toimintaa säätelevät lait ja etuuksien maksaminen on julkinen tehtävä. Keskeiset lait, jotka kassojen toimintaa rajaa ovat työttömyysturvalaki ja työttömyyskassalaki. Hallintolaki ja julkisuuslaki sisältävät myös työttömyyskassojen toiminnan periaatteita. Työttömyyskassan jäsenyydestä on yksinkertaisesti kysymys vakuudesta työttömyyden varalle. Työttömyyskassan jäsenyys ja oikeus ansiopäivärahaan, eivät velvoita ammattiliiton tai muun yhteisön jäsenyyttä. (TYJ, 2020c). Työttömyyskassojen toiminta määritellään työttömyyskassalaissa. Tässä suora lainaus finlex.fi sivustolta kassojen tehtävästä ja toimialueesta. ” Työttömyyskassa on keskinäisen vastuun perusteella toimiva yhteisö, jonka jäseninä on joko palkkatyöntekijöitä (palkansaajakassa) tai yrittäjiä (yrittäjäkassa). Työttömyyskassan tarkoituksena on työttömyysturvalaissa (1290/2002) tarkoitetun ansioturvan ja siihen liittyvien ylläpitokorvausten järjestäminen jäsenilleen. (22.12.2009/1190). Työttömyyskassan toiminta-alueena on koko maa. Työttömyyskassa ei saa harjoittaa muuta kuin tässä laissa tarkoitettua toimintaa. Se ei myöskään saa olla sellaisessa yhteydessä muunlaista toimintaa harjoittavaan yhdistykseen, järjestöön tai muuhun yhteenliittymään, jossa kassan itsenäisyys tulisi rajoitetuksi.” Työttömyyskassojen toimintaa valvoo Finanssivalvonta. Se tarkastelee työttömyysturvan toimeenpanoa, kassojen menettelytapoja, taloudellista asemaa ja riskienhallintamenetelmiä (TYJ, 2020c). Alla olevissa taulukoissa on osviittaa finanssivalvonnan kassoista keräämästä informaatiosta. Kuva 4, Työttömyyskassojen lukumäärä Lähde: Työttömyyskassojen Yhteisjärjestö Kuva 4 on myös tehty TYJ:n keräämän tietojen perusteella. Kuvaajassa on selvästi nähtävissä laskeva trendi työttömyyskassojen lukumäärän perusteella. Tätä selittävät useat työttömyyskassafuusiot. Työttömyyskassojen on ennustettu yhdistyvän jatkossakin. Työttömyyskassojen Yhteisjärjestö tiedotti tulevista vuoden 2021 kassafuusioita. Myynnin ja markkinoinnin työttömyyskassa on yhdistynyt Korkeakoulutettujen työttömyyskassaan KOKO:oon, Posti- ja logistiikka-alan työttömyyskassa yhdistyi Kuljetusalojen kassaan sekä Julkis- ja yksityisalojen työttömyyskassa JYTK ja Työttömyyskassa Statia fuusioitui JATTK-työttömyyskassan kanssa. (TYJ, news 2020). Voimme siis päätellä, että kassojen toiminnan yhdistyminen on nousussa oleva trendi. 67 66 51 50 49 48 43 42 42 40 40 37 36 36 36 34 32 32 32 30 29 28 28 26 26 25 21 0 10 20 30 40 50 60 70 80 Työttömyyskassojen lukumäärä vuosina 1995-2021 Vuonna 2020 työttömyyskassoja Suomessa on yhteensä 25. Yrittäjille on oma kassa ja loput 24 työttömyyskassaa ovat palkansaajien kassoja. Suomen suurin työttömyyskassa on Yleinen Työttömyyskassa YTK. Yleinen Työttömyyskassa YTK on alaan sitoutumaton, joten se voi selittää osittain työttömyyskassan jäsenmäärää. Muiden työttömyyskassojen jäsenehtona on jokin ala tai koulutustausta, tämä rajaa jäsenten määrää. Jokainen työttömyyskassa perii jäsenmaksun, se voi olla joko kiinteä euromäärä tai jäsenen vuosituloihin sidottu prosenttiosuus. (TYJ,2020a.) Palkansaajien työttömyyskassan menoista vastaa valtio, työnantajat, työntekijät ja kassojen jäsenet. Valtio rahoittaa ansiosidonnaisen päivärahan perusosan, joka oli 33,66 euroa päivältä vuonna 2020. Mainittu summa muuttuu vuosittain ja vastaa Kansaneläkelaitoksen maksaa peruspäivärahaa suuruudeltaan. Ansiosidonnainen koostuu perusosasta ja ansio- osasta. Ansio-osa rahoitetaan työnantajan ja työntekijän maksamilla työttömyysvakuutusmaksuilla ja jäsenten jäsenmaksuilla. Työttömyyskassan jäsenmaksut kattavat vain viisi prosenttia etuusmenoista. (TYJ, 2020a.) Lähde: Työttömyyskassojen Yhteisjärjestö Kuva 5, Työttömyyskassoihin saapuneet hakemukset Kuva 5 kertoo kaikkiin Suomen työttömyyskassoihin saapuneet hakemukset. Kuvaan on koottu Finanssivalvonnan sivuilta vuosittaiset tiedot päivärahahakemusten saapumisesta. Kuvassa verrataan aikaa enne korona pandemiaa ja kuvaajan punainen jana kuvastaa koronapandemian aikana saapuneiden hakemusten määrät. Toukokuu 2020 on kaksinkertainen verrattuna vuodentaikaiseen samaan ajankohtaan. Korkein hakemus piikki on ollut touko-kesäkuussa 2020. Hakemusten määrät ovat laskeneet 100 000 120 000 140 000 160 000 180 000 200 000 220 000 240 000 260 000 280 000 300 000 Päivärahahakemukset yhteensä 2019 2020 2021 mutta lasku on pysähtynyt huomattavasti korkeammalle tasolle kuin se vuonna 2019 oli. Sama korkealla pysyvä trendi näkyy jatkuvan vuoden 2021 alussa. 2.8 Pakollinen vai vapaaehtoinen työttömyysvakuutus Taloustieteessä vakuutus määritellään niin, että taloudellinen toimija on valmis maksamaan toiselle rahamääräisen summan vähentääkseen maksajan taloudellista riskiä. Vakuutuksen hankkija siirtää oman taloudellisen riskin joko osittain tai kokonaan vakuuttajalle eli taholle, joka myöntää vakuutuksen. Työttömyysturva vakuutuksen tarkoitus on turvata työttömän työnhakijan taloudellinen mahdollisuus hakea töitä ja parantaa hakijan mahdollisuutta palata tai päästä takaisin työmarkkinoille, korvaamalla työttömyydestä aiheutuvat taloudelliset menetykset. (Rantala ja Kivisaari, 2020.) Työllisyyspolitiikan tärkeimpiä tavoitteita on työllisyysasteen parantaminen. Hallitus asettaa mahdollisen työllisyystavoitteen ja asettaa raamit, miten tavoitteisiin on mahdollista päästä. Työllisyyden kasvu on itsessään positiivinen asia, koska parantaa työttömien työllisyysmahdollisuuksia. Se vauhdittaa myös talouskasvua ja vaikuttaa positiivisesti myös muiden tavoitteiden saavuttamiseen. Välilliset seuraukset ovat suuret, se lisää valtion verotuloja ja vähentää työttömyyteen liittyviä kuluja, mikä itsessään vähentää julkisentalouden alijäämää ja parantaa sen kestävyyttä. Valtioneuvosto raportoi työllisyyden kulmakiviä vuositasolla. Vuoden 2016 raportissa nousi tavoitteeksi lyhentää työttömyysjakson kestoa. Tähän vaikutettiin muuttamalla työttömyyspäivärahan enimmäismaksuaikaa. (VATT, 2017.) Niin kuin aiemmin opimme, enimmäismaksuaikaan vaikuttaa henkilön työhistoria. Työttömyyspäivärahaa voidaan myöntää kerralla 300, 400 tai 500 päivää. (Työ- ja elinkeinoministeriö, 2019.) Keskusteluun nousee työttömyysturvan tiukennus ehdotuksia. Viimeisin oli työ- ja elinkeinoministerin, Jari Lindströmin, kannanotto työttömyysjakson lyhentämiseksi. Hallitus pyrki kohentamaan työllistyttyä uudistamalla työttömyysturvaa ja puuttumalla kannustinloukkuihin. Uudistukset tiukensivat työttömän velvollisuutta ottaa avoin työ vastaan ja lisäsivät alueellista liikkuvuutta. Parannuksia tehtiin myös sivutoimiseksi yrittäjäksi ryhtymisen helpottamisella. (Helsingin Sanomat, 2016). Työttömyysvakuutus on ollut kriittisen keskustelun piirissä pitkään, niin taloudellisesti kuin poliittisesti. Sysitä sen kiistanalaisuudelle sanotaan olevan sen negatiivinen vaikutus työmarkkinoihin, työttömyyteen sekä sen vaikutus palkkojen joustamattomuuteen (Carroll, 1999.) Hanna Wass (2020) toteutti tutkimuksen, joka käsittelee 16–29-vuotiaiden näkemystä työmarkkinapolitiikasta. Raportti tarkastelee 16–29-vuotiaiden nuorten käsityksiä paikallisen sopimisen laajentamisesta, palkankorotusten joustosta ja työaikojen pidentämisestä sekä työttömyyskassojen jäsenyyden muuttamista pakolliseksi. Tutkimuksessa havaittiin, että 36 % kyselyyn vastanneista kannattivat pakollista työttömyyskassajäsenyyttä. Tätä tulosta puoltaa se, että nuorien osuus työttömyyskassajäsenistössä on kasvanut huomattavasti viime vuosiin verrattuna. Tämä voidaan nähdä vaikutuksena siitä, että pandemia ja siitä johtuvat lomautukset ovat lisänneet motivaatiota turvautua työttömyysvakuutuksen kanssa mahdollisilta työttömyysjaksoilta. Iso osa kyselyyn vastaajista ei osannut ottaa kantaa työttömyysvakuutuksen pakollisuuteen, tämä voi kertoa järjestelmän ymmärtämisen hankaluudesta. Tutkimuksessa käy myös ilmi nuorten mielipiteen paikalliseen sopimiseen työsuhdeasioissa. Puolet vastaajista arvostavat joustavuutta ja paikallisten sopimisen kaltaista yksilöllisiä ratkaisuja ja ovat valmiita joustamaan palkankorotuksista. Heillä on myös vahva käsitys työn tuottavuuden ratkaisuille, ja se ei ole joustaminen pidempiin työaikoihin. Tässä on suuri kahtiajako näkyvissä Wassin (2020) tutkimuksen mukaan, noin puolet yhä kannattavat yleisiä työehtosopimuksia, mutta työajan pidentämisessä ollaan samaa mieltä. Puoltavia kommentteja pakolliselle vakuutukselle perustellaan markkinoiden epäonnistumisella epätäydellisen informaation tilanteessa. Epätäydellinen informaatio tarkoittaa sitä, että kaikilla ei ole käytössä tarvittavaa informaatiota tilanteen ratkaisua varten ja tämä synnyttää markkinoiden epäonnistumisen. Henkilö ei omaa tai ei ole kykenevä hyödyntämään käytettävissä olevaa informaatiota. (Pohjola, 2012.) Voisi ajatella, että rationaalinen talouden toimija liittyisi työttömyyskassaan vakuuttaakseen itsensä työttömyyden varalta. Kuitenkin on joukko palkansaajia, jotka eivät kuulu työttömyyskassaan. Kielteiset kannustinvaikutukset on otettava huomioon puhuttaessa pakollisesta työttömyysturvasta. Vakuutusriskiin oleellisesti liittyvä ilmiö on moraalikato. Tämä ilmiö johtuu osittain epäsymmetrisestä informaatiosta. Ihmisen moraalikato (eng. moral hazard) voidaan nähdä pitkittävän tytöttömyyden kestoa. Moraalikadolla tarkoitetaan henkilön vapautta riskin haitoista. Kun henkilö ei ole itse vastuussa riskin aiheuttamasta haitasta niin voidaan nähdä eroja käyttäytymisessä. Henkilö ei joudu vastaamaan tekojensa kaikista seurauksista ja voi toimia epärationaalisesti. (Pohjola, 2012.) Moraalikatoa esiintyy silloin, kun vakuutuksen ottaja voi sidotun vakuutussopimuksen perusteella vaikuttaa omaan riskiinsä, ilman että vakuuttaja huomioi tätä. Voidaan sanoa, että moraalikato esittää erityyppisisä vakuutusjärjestelmän hyväksikäyttämiä menettelyjä. Tarkoittaa sitä, että henkilö käyttäytyy eri tavalla eri riskin vallitessa. Tämä puoltaa vapaaehtoista vakuutusta. Jos palkansaaja ei itse maksa vakuutuksesta, ei hän välttämättä osaa arvostaa vakuutuksen tuomaa turvaa vaan voi käyttää sitä väärin. Esimerkiksi työtön työnhakija voi jättää hakematta uuteen työhön ja nostaa jo myönnettyä työttömyysetuutta. Moraalikato nähdään ennen kaikkea kannustinongelmana, sillä vakuutuksen kautta maksetut korvaukset kattavat vahingon välttämisestä aiheutuvan vaivan. Ongelman lähteenä on, että vakuutuksen ottaja ei joudu kantamaan täyttä vastuuta omasta toiminnastaan ja ongelma syvenee vakuutuksen kattavuuden parantuessa. (Stiglits, 1983.) Vakuutusmarkkinoiden epäonnistumisessa vahvasti läsnä on myös vakuutuksenottajien haitallinen valikoituminen. Vakuutusmarkkinoilla vakuutuksen ottajalla on usein vakuutusyhtiötä enemmän tietoa omasta riskistään (eng. adverse selection). Haitallinen valikoituminen aiheuttaa tehottomuutta markkinoilla. Haitallisen valikoitumisen ilmiö on seurausta epätäydellisestä informaatiosta. Haitallinen valikoituminen luo epäedullisen asiakaskunnan ongelman. Vakuutusalalla vakuutuksen hinta suhteutetaan asiakkaan keskimääräiseen riskiin. (Rantala ja Kivisaari, 2020.) Ongelma on siinä, että alhaisen työttömyyden riskin omaavat eivät ota vakuutusta ja suuren riskin omaavat kokevat vakuutuksen epäedulliseksi, eivätkä ota sitä. Huomio kiinnittyy juuri suuren työttömyysriskin omaaviin ihmisiin. Joten tämä ei puolla pakollisen vakuutuksen kantaa. Ruotsissa tehdyn tutkimuksen mukaan huomattiin, että työttömyysriski on yli kaksinkertainen kassaan kuuluvilla kuin muilla työntekijöillä. Riippuvuuden mittaukseen käytettiin laajasti eri kontrollimuuttujia, tämän avulla he pysyivät arvioimaan työttömyysriskiä yksilötasolla. (Landiais ym, 2020). 3 Aineiston ja tutkimusmenetelmät Tutkielmassa siirrytään työn empiiriseen osaan. Työn teoria osuus on antanut lukijalle käsityksen työmarkkinoiden toiminnasta, työttömyydestä ja työttömyysturvajärjestelmän prosesseista. Työn empiirinen osa on toteutettu kvantitatiivisella tutkimuksella, jossa selvitetään jäsenen liittymispäivän ja päivärahan maksun ajankohdan välistä yhteyttä. Aineiston mallintamisen menetelmän valintaan vaikuttaa muuttujien lukumäärä sekä mittausasteikko. Tutkimuksen selitettävä muuttuja on binäärinen eli voi saada arvon yksi tai nolla. Myös mallin selittävä muuttuja on binäärinen ja saa arvoja 1 tai 0. Toiset mielenkiintoiset muuttujat ovat sukupuoli ja ikä. Nämä muuttujat ovat ominaisuuksiltaan luokitteluasteikossa. Tuloksen selvittämiseksi kiinnostuksen kohteena ovat liittymisajankohta ja päivärahan maksun ajankohta. Tämän johdosta menetelmäksi valikoituu yhden muuttujan menetelmä (eng. Univariate methods). Kun molemmat muuttujat, niin selitettävä kun selittävä ovat luokitteluasteikkoisia niin suotuisin menetelmä aineiston mallintamiseen on Log- lineaariset mallit. (KvantiMOTV, 2003.) Avaan lukijalle mielenkiintoisia huomioita, jota aineiston läpikäymisessä on käynyt ilmi. Aineiston kuvaaminen tapahtuu parhaiten kuvaajien avulla. 3.1 Aineisto Tutkimuksessani käytettävä aineisto on koottu ulkopuolisen toimesta. Käsiteltävä aineisto sisältää Yleisen Työttömyyskassan YTK:n jäsentietoja. Aineisto sisältää tiedot jäsenistä, jotka ovat liittyneet vuosien 2019 ja 2020 aikana. Aineiston mielenkiinnon kohteena ovat liittymispäivä ja päivärahan maksupäivä. Tutkimuksen kohdejoukko on työttömyyskassan jäsenet, jotka ovat liittyneet työttömyyskassaan 2019–2020. Aineistossa on vain jäseniä, joiden jäsenyys on voimassa tällä hetkellä (31.12.2020). Tilastoyksikkönä toimii yksittäinen työttömyyskassan jäsen. Selitettävä havainto on päivärahan maksu ajankohdalla 1.3.2020-31.1.2021. Tämän tutkimuksen mielenkiintoisin tilastollinen muuttuja on jäsenen liittymispäivä, muita muuttujia ovat ikä ja sukupuoli. Käyttämäni aineisto ei sisällä henkilötietoja tai muita jäsentä identifioivaa tietoa. Käsittelen ja säilytän aineistoa laatijan sopimuksen mukaan. Aineistoa saa käsitellä vai tietyllä tietokoneella, joka on käyttäjätunnuksen ja salasan takana. Aineiston tuhoaminen tapahtuu myös sovitun aikataulun mukaisesti. Tilastoyksiköistä poimittu tutkimusotos on vain yhden työttömyyskassan jäsenistöön pohjautuva, joten se ei anna täysin yleistettävissä olevaa käsitystä tilanteesta. Aineisto sisältää kuitenkin suuren joukon havaintoyksikköjä, joten pidän tutkimukseni tuloksia jokseenkin luotettavana. Työttömyyskassan ei voi liittyä yrittäjä, joten aineisto sisältää vain henkilöitä, jotka ovat työsuhteessa palkansaajina. Yleisen Työttömyyskassan YTK:n jäsenet eivät ole sidottuja tiettyyn ammattiin tai alaan, joka antaa laajemman kuvan työttömyyskassaan kuuluvista suomalaisista palkansaajista. Kohdejoukkona toimii suomalaiset työttömyyskassaan kuuluvat palkansaajat. Tutkimuksen otoksen koko on yli 73 000 havaintoyksikköä. Luku on suuri ja se nostaa tuloksen luotettavuutta. Aineistosta selviää, onko jäsenelle maksettu päivärahaa ajalla 1.3.2020- 31.1.2021. Aineisto ei ota kantaa syytä päivärahan maksamiselle ja jätän tämän tulkinnan tutkimuksen ulkopuolelle. Tämä huomioidaan tutkimuksen tulosten luotettavuuden arvioinnissa. Aineisto oli käsittelemättömässä muodossa. Aineistoa käsiteltiin muotoon, jossa tuloksia tutkimuskysymystä varten saatiinJaoin liittyneet jäsenet kahteen joukkoon. Ennen pandemiaa liittyneet, 1.1.2019-29.2.2020, ja pandemian aikana liittyneet, 1.3.2020-31.12.2020. Osoitin liittymisajankohdan muuttujan arvoksi 0, jos henkilö oli liittynyt ennen pandemiaa ja pandemian aikana liittyneiden muuttujan arvoksi osoitin 1. Vastemuuttujan kaksiluokkaisuus selittää tutkimusmenetelmän valintaa. Kuva 6, Uudet jäsenet ajalta 1.1.2019-31.12.2020 Kuva 6 kertoo päiväkohtaisen uusien jäsenten määrän. X akselilla on aika ja y akselilla jäsenten määrä. Kuvassa toistuu yksittäinen piikki joka kuukauden vaihteessa. Tämä on hyvin tyypillistä työttömyyskassaan liittymisessä. Yksi selittäjä on työn alkamisen ajankohta. Usein työ aloitetaan kuun ensimmäinen päivä, joten henkilö liittyy työttömyyskassan jäseneksi useimmin kuun alussa, kun keskellä kalenterikuukautta. Poikkeuksellinen piikki näkyy myös maaliskuussa 2020. Tällöin COVID-19 julistettiin maailmanlaajuiseksi pandemiaksi ja tämä näkyy suurena piikkinä työttömyyskassaan liittymisessä. Voidaan olettaa, että suuri määrä palkansaajia liittyi työttömyyskassaan työttömyysturvan toivossa. Tässä tutkielmassa selvitetään sitä, kuinka suuri osa kyseisestä massasta tuli päivärahan saajiksi korona pandemian aikana. Kuva 7, Uudet jäsenet 1.1.2019-29.2.2020 Kuva 7 sisältää samat muuttujat kuin kuva 6, mutta x akselin ajanjakso on lyhyempi. Nyt x akselilla on aika enne pandemiaa, 1.1.2019-29.2.2020. Niin kuin kuvassa 6 nähdään selkeä jäsenpiikki kuun vaihteessa. Mikä selittyy sillä, että määräaikaisen työsopimusten alku ajankohta ajoittuu kuukauden alkuun. Yleensä vuoden ensimmäiset kuukaudet ovat myös vilkkaita uusien jäsenten liittymisen suhteen. Alkuvuosi 2020 voi johtua korona pandemiasta tai normaalista alkuvuoden jäsenpiikistä. Jos jäsenmäärän kasvu selittyy korona pandemialla, se voi vääristää tutkielman pohjalta tehtyjä tuloksia. Pandemian alkamisen tarkkaa päivämäärää on vaikea asettaa. Ensimmäinen tartuntatapaus Suomessa oli marraskuussa, mutta vasta maaliskuussa alkoi suuret sulkutoimenpiteet valtiovallan puolelta. Tutkielmassa tehty rajaus on hyvä, koska selkein jäsenpiikki nähdään maaliskuussa 2020. Kuva 8, Uusien jäsenten sukupuolijakauma ennen pandemiaa Kuva 9, Uusien jäsenten sukupuolijakauma pandemian aikana Kuvat 8 ja 9 kertovat aineiston jakaumaa liittymispäivän perusteella. Jäsenet on jaettu liittymispäivän mukaan pandemiaa ennen ja pandemian aikana liittyneisiin. Ennen pandemiaa liittyneet ovat liittyneet aikajaksolla 1.1.2019- 29.2.2020. Pandemian aikana liittyneet ovat liittyneet aikajaksolla 1.3.2020-31.12.2020. X akseli kertoo uuden jäsenen sukupuolen. Ennen korona pandemiaa liittyneistä 15 830 oli naisia eli 46 % kaikista tuona ajanjaksona liittyneistä. Kuvassa 9 on sama vertailu, mutta ajankohta pandemian aikana eli 1.3.2020-31.12.2020. Naisten osuus pandemian aikana liittyneistä oli myös 46 % naisia. Ei ole siis havaittavissa sukupuolten välistä eroa, kun verrataan liittymisajankohtaa. Kuva 10, 1.1.2019-29.2.2020 liittyneiden jäsenten ikäjakauma Kuva 11, 1.3.2020-31.12.2020 liittyneiden jäsenten ikäjakauma Kuvat 10 ja 11 visualisoivat aineistoa jäsenten iän mukaan. Näissäkin kuvaajissa on tehty sama jako liittymispäivän mukaan. Selvästi kuvien korkein huippu on 26–29- vuotiaiden kohdalla. Kuvion tulos on varsin ymmärrettävä, koska kyseinen ikä on yleinen ikä siirtyä työmarkkinoille. Kuvassa 10 nähdään huomio 40 vuoden ikäisissä, tätä ilmiötä emme näe, kun tarkastelemme pandemian aikana liittyneitä jäseniä. Myös selkeä huippu näkyy 20- vuotiaiden kohdalla. Vodaan siis olettaa, että pandemian aikana liittyneet olivat nuorempia, kun aikaisempana vuonna. 30-vuotiaiden kohdalla huippu on myös jyrkempi, mikä puoltaa uuden jäsenistön nuoruutta pandemian aikana. Seuraavaksi siirrymme tarkastelemaan työttömyyskorvauksen saaneiden jäsentietojen pojalta tehtyjä kuvaajia. Edellisen kuvaajat perustuivat liittyneen jäsenen tietoihin. Kuvat 6–11 kuvastivat jäsenistöä liittymispäivän suhteen. Seuraavat kuvat ilmentävät jäsenistön jakautumista päivärahamaksujen suhteen. Kuva 12, 1.1.2019-29.2.2020 maksettujen etuuksien sukupuolijakauma Kuva 13,1.3.2020-31.12.2020 maksettujen etuuksien sukupuolijakauma Kuvat 12 ja 13 kertovat sukupuolijakauman maksettujen päivärahojen osalta. Kuvat kertovat tilanteen eri aikoina. Kuva 12 on tilanne ennen pandemiaa ja kuva 13 tilanne pandemian aikana Ennen pandemiaa päivärahan saajista oli 41 % naisia. Pandemian aikana maksettujen päivärahojen saajista oli naisia 46 %. Naisten osuus kasvoi hieman, kuin verrataan ennen ja pandemian aikana maksettujen päivärahojen sukupuolijakaumaa. On kuitenkin hyvä nostaa esiin, että käsittelyssä oleva aineisto sisältää vain ne jäsenet, jotka ovat liittyneet vuosien 2019 ja 2020 aikana. Näiden aineistoin kuvaajien perustella ei voida päätellä kaikkien ansiopäivärahojen saajien sukupuolijakaumaa. Tämä ei siis anna kattavaa sukupuolijakaumaa koko jäsenistön päivärahan maksuista. Kuva 14, 1.1.2019-29.2.2020 maksettujen etuuksien ikäjakauma Kuva 15, 1.3.2020-31.12.2020 maksettujen etuuksien ikäjakauma Kuvat 14 ja 15 havainnollistavat ansiopäivärahan maksun saaneiden ikää eri ajanjaksoilla. Ennen pandemiaa maksettujen etuuksien ikäjakauma on jokseenkin tasainen, pienet huiput näkyvät 27 ja 29 vuotisten kohdalla. Pandemian aikana maksettujen etuuksien kuvaajassa näemme selkeän eron. Nuorissa 25–32-vuotiaissa on selkeä kohouma tilastoissa. On hyvä huomioida, että ansiopäivärahaa maksettiin huomattavasti enemmälle jäsen määrälle kuin ennen pandemiaa. 4 Tutkimusmenetelmä Tilastollisin menetelmiin perustuvassa tutkielmassa keskiössä on aineiston oikeaoppinen mallinnus, joka tehdään otoksen perusteella kohdejoukosta. Empiirinen tutkimus perustuu tehtyihin havaintoihin ja mittauksiin, jotka toteutetaan tutkielman menetelmä osiossa. Tämä tutkimus on tyypiltään havaintotutkimus (eng. non- experimental study). Tutkimuksen kohteesta on kerätty suoria havaintoja, eikä tutkimuksen kohteisiin ole vaikutettu. Tutkimuksen havaintoyksikköinä toimivat työttömyyskassaan liittyneet henkilöt vuosien 2019 ja 2020 aikana. Tutkimuksessa käytän tilastollisena tutkimusmenetelmänä perinteistä regressioanalyysia (eng. Linear probability model) ja logistista regressioanalyysiä (eng. Logistic Regression Analysis, LRA). (Nummenmaa, 2009.) 4.1 Lineaarinen regressioanalyysi Perinteisessä regressioanalyysissä tutkitaan yhden tai useamman muuttujan vaikutusta selitettävään muuttujaan. Analyysin tulokset kertovat yksittäisen selittävän muuttujan vaikutuksen voimakkuudesta selitettävään muuttujaan. Selittävän muuttujan regressiokerroin kertoo, paljonko selitettävän muuttujan arvo muuttuu, kun selittävän muuttujan arvo muuttuu yhdellä yksiköllä. Tässä tutkimuksessa selitettävä muuttuja on maksetut päivärahat. Selittävä muuttuja on liittymisajankohta. Regressioanalyysit perustuvat hyvin pitkälle korrelaatioiden tarkasteluun. Regressioanalyysissa luodaan matemaattinen funktio, joka kuvaa riippumattoman vastemuuttujan ja riippuvan muuttujan välistä yhteyttä. Saadun mallin avulla pystymme ennustamaan selitettävää muuttujaa selittävän muuttujan avulla. (Nummenmaa, 2009.) Aineiston tutkimiseen käytetään kahta eri menetelmää. Menetelmän tuloksia vertailemalla pääsemme parhaimpaan lopputulokseen ja saamme kattavan kuvan aineistosta. Yhden muuttujan regressioanalyysi on regressioanalyysin yksinkertaisin muoto. Se sopii tutkielmaan, koska aineisto sisältää yhden selittävän muuttujan. Regressiomalli on muodoltaan: 𝑌𝑖 = 𝛽0 + 𝛽1𝑋𝑖 + 𝜀𝑖 (1) 𝑌𝑖= selitettävä muuttuja 𝛽0= vakiotermi 𝛽1= regressiokerroin 𝑋𝑖 = selittävä muuttuja 𝜀𝑖= virhetermi Yhden selittäjän lineaarinen regressiomalli pyrkii selittämään huomion kohteena olevan selitettävän muuttujan arvon vaihtelun yhden selittävän muuttujan havaitun arvon muuttumisella. Tässä tutkielmassa niin selitettävä, kuin selittävä muuttuja ovat dikotomisia. Se tarkoittaa, että ne ovat kaksiarvoisia kategorisia muuttujia. Muuttujat voivat saada vain arvon 1 tai 0. Tämä rajaa tilastollisen mallin sopivuutta mallintamaan aineistoa. Tutkimuksen toteuttamisessa käytetään kahta analyysiä mahdollisimman tarkan tuloksen saamiseksi. Tässä tutkielmassa regressioyhtälö ratkaistaan pienimmän neliösumman menetelmällä (PNS). PNS on matemaattisen optimoinnin menetelmä. Siinä pyritään löytämään aineistolle paras sovite ja valitaan estimaatti siten, että jäännöstermien neliöiden summa minimoidaan. PNS-menetelmä on muodoltaan: ∑ 𝜀𝑗 2 𝑛 𝑗=1 = ∑ (𝑦𝑗 − 𝛽0 − 𝛽1𝑥𝑗1 − ⋯ 𝛽𝑘𝑥𝑗𝑘) 2𝑛 𝑗=2 (2) Tässä mallissa regressiokertoimen estimaattiorit määrätään minimoimalla jäännöstermien εj neliösummaa regressiokertoimen β₀, β₁,…, βₖ suhteen. PNS-menetelmä on hyödyllinen, jos aineistossa on kategorisia dummy-muuttujia. Tutkielmassa pääpaino on dummy-muuttujissa, joten tämä puoltaa PNS-menetelmän valintaa. Menetelmän avulla tulosten tulkinta on suhteellisen helppoa. Regressioanalyysiä tehdessä muuttujien valinta on tärkeä osa. Muuttuja valinnat tehdään olemassa olevan aineiston pohjalta. Regressioanalyysiin voidaan ottaa mukaan monia selittäviä muuttujia. Tulokset tulevat selkeämmin esille, kun lineaariset mallit pidetään yksinkertaisina. Kahden muuttujan välinen korrelaatio, kertoo muuttujien välisestä lineaarisesta yhteydestä. Selittävän muuttujan tulee korreloida selitettävän muuttujan kanssa, mutta selittävien muuttujien väliset korrelaatiot, eivät saa olla liian voimakkaita. Regressioanalyysissä on luonnollista, että selittävien muuttujien väliltä löytyy korrelaatiota. Mutta liian suuri korrelaatio selittävien muuttujien välillä voi vääristää tulosten tarkkuutta. Jos suurta riippuvuutta selittävien muuttujien välillä esiintyy, tätä kutsutaan multikollineariisuusongelmaksi. Korrelaatiokertoimen arvojen ollessa itseisarvoltaan alle 1, on korrelaatio hyväksyttävää. Kun arvo nousee 1 tai yli on kyseessä multikollineaarisuusongelma. (KvantiMOTV, 2003). Tässä tutkielmassa ei ole vaaraa multikollinearisuus ongelmalle koska selittäviä muuttujia on vain yksi. 4.2 Logistinen regressioanalyysi Logistinen regressiomalli on tavallisen regressiomallin erikoistyyppi. Se sopii tilanteeseen, jossa myös selitettävä muuttuja 𝑌𝑖 on kategorinen. Tyypillisesti muuttuja sisältää kaksi luokkaa ja luokat ovat tosistaan pois sulkevia. Tarkoittaen sitä, että jos muuttuja saa arvon 1 se ei voi saada arvoa 0 ja toisinpäin. Tätä mallia käyttäessä muuttujien arvot koodataan 1 ja 0. Tässä tapauksessa voidaan puhua myös kaksiluokkaisesta eli binäärisestä logistisesta regressioanalyysistä. Usein vastemuuttujan arvo 1 on kiinnostuksen kohteena. (Tähtinen ym. 2020.) Tässäkin tutkimuksessa 1 tarkoittaa, että jäsenelle on maksettu päivärahaa. Erona tavalliseen regressioanalyysiin tässä on se, että malli pyrkii selittämään vastemuuttujan luokkaan 1 kuulumisen todennäköisyyttä. Logistinen regressioanalyysi pyrkii tarkastelemaan jonkin asian tai ilmiön todennäköisyyttä. Tässä tapauksessa arvioidaan maksun todennäköisyyttä kyseisenä ajankohtana, muuttuvana tekijänä tässä on jäsenen liittymisajankohta. Tarkastelu tapahtuu vertaamalla selitettävässä muuttujassa tapahtuva yhden luokan muutosta ja miten se kasvattaa tai vähentää todennäköisyyttä kuulua selitettävän muuttujan suurempiarvoiseen luokkaan. (Berry, 2005). Logistinen regressioanalyysi ei pyri ennustamaan määriä, vaan analyysin päämäärä on tutkia vaikuttaako riippumaton muuttuja riippuvaan muuttujaan ja millä todennäköisyydellä. Tuloksien avulla voidaan päätellä, vaikuttaako selittävän muuttujan arvo tapahtuman todennäköisyyteen ja kuinka suuri on sen vaikutus. (Nummenmaa, 2009.) Näiden edellä mainittujen syiden takia aineiston mallintamiseen valikoitui parhaiten logistinen regressioanalyysi. Yksinkertaistettuna logistinen regressiomalli on muodoltaan samanlainen kuin regressiomalli, mutta selitettävänä muuttujana on tutkittavan tapahtuman riskin logaritmi. Logistinen regressioanalyysi: 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = 𝛼 + 𝛽1𝑥 (3) Jossa 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] kutsutaan logistiksi (eng. Logit). Suhdetta 1-P(Y=1) kutsutaan vedonlyöntisuhteeksi (eng. Odds) ja suhdetta 𝑃(𝑌=1) 1−𝑃(𝑌=1) kutsutaan riskisuhteeksi (eng. Odds ratio). Odds- käsitteelle ei ole vakiintunutta suomennosta käytössä. Käytettävissä olevia suomennoksia ovat veto, vedonlyöntisuhde ja riski. Luonnollisen logaritmin sisällä olevat funktiot kertovat selitettävän tapahtuman todennäköisyydestä. P(Y=1) kertoo todennäköisyyden, että tapahtuma toteutuu ja 1-P(Y=1) kertoo todennäköisyyden, että tapahtuma ei toteudu. (Berry, 2005). Logit malli on modoltaan: 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = 𝑍 joten 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = ⅇ𝑧 Ja tästä saadaan 𝑃 = 1 1+ⅇ−𝑧 (4) Tutkimusmenetelmän valinta pohjautuu tulkittavaan aineistoon, tutkimusongelmaan ja siihen, millä menetelmällä saadaan vastaus tutkimuskysymykseen. (Berry, 2005). Tutkielman tavoitteena on selvittää, onko liittymispäivällä yhteyttä maksetun etuuden toteutumiseen. Aineiso sisältää liittymispäivän ja maksupäivän lisäksi tiedot sukupuolesta ja iästä. Ikä ja sukupuoli, evät ole mallin kannalta oleellisia, sillä ne eivät selitä ilmiötä. Tutkimuksen toteuttamisessa aineistoa jaetaan sukupuolen ja iän mukaan ja etsitään mielenkiintoisia havaintoja eri ikäryhmien ja sukupuolten välillä. 4.3 Tutkimus Tutkielman kohteena ovat suomalaiset palkansaajat, jotka ovat työttömyyskassan jäseniä. Käytössä oleva aineisto sisältää jäsenten liittymispäivät ja tiedon työttömyysetuuden maksamisesta. Aineiston koko on suuri, joten pidän sitä hyvänä kohdejoukkona ajatellessa Suomen palkansaajia. Aineisto sisältää yli 73 000 havaintoa ja tieto ajoittuu vuosille 2019–2020. Aineistoon otan mukaan vain henkilöt, joiden jäsenyys on voimassa. Tutkielman ulkopuolelle jätetään vuosina 2019 ja 2020 työttömyyskassasta eronneet. Ansiosidonnaisen päivärahan maksamiselle on monia syitä, kuten muun muassa lomautus, työttömyys, vuorotteluvapaa, pitkittynyt sairasloma tai työ- ja elinkeinotoimiston myöntämä koulutukseen pohjautuva tuki. Tässä tutkielmassa käytetään maksettuja päiviä yhteä kokonaisuutena. Maksuperusteita ei erotella toisistaan, vaan aineistoa tarkastellaan yhteä massana. Tämä ei kuitenkaan heikennä merkittävästi tuloksia, sillä havainto määrä on yli 73 000 ja suurin osa ansiosidonnaisen päivärahan hakijoista ovat lomautettuja ja työttömiä. Tämä on kuitenkin otettava huomioon tulosten tulkitsemisessa. Aineistossa esiintyvät palkansaajat evät ole sidottuja tiettyyn alaan tai koulutustasoon, siksi se antaa kattavan kuvan suomalaisista palkansaajista. Aineistoa jaotellaan myös iän ja sukupuolen mukaan ja tarkastellaan regression ja logistisen regression kautta eroja ja yhtäläisyyksiä. Covid-19 ensimmäinen tartuntatapaus raportoitiin Suomessa Saariselällä 29.1.2020. Tuossa hetkessä se ei vielä aiheuttanut suuria toimenpiteitä, koska tauti ja viruksen aiheuttamat oireet olivat vielä tuntemattomia. (Yle Uutiset, 2020.) Epidemia sai alkunsa Kiinan Wuhanissa joulukuussa 2019. Yleisesti virus aiheuttaa ihmiselle lievän hengitystulehduksen. Kuitenkin taudin harvinaisemmat, mutta rajut oireet alkoivat esiintyä vasta kuukausien päästä. Maailman terveysjärjestö WHO julisti koronavirustaudin pandemiaksi 11.3.2020. (Duodecim Terveyskirjasto, 2021.) 16.3.2020 hallitus totesi yhteistoiminnassa tasavallan presidentin kanssa poikkeusolot Suomeen koronavirustilanteen vuoksi. Tästä eteenpäin hallitus linjasi rajuja toimenpiteitä yhteiskunnan rajaamiselle, muun muassa valmiuslain käyttöönotto, liikkumisrajoituksia, perus- ja ammatillisen koulun sulkija, ravitsemisliikkeiden toimintaa rajoitettiin. (Valtioneuvosto, 2020.) Kaikki edellä mainitut tapaukset aiheuttivat suuren lomautus- ja työttömyysuhan monille aloille. Tämän vuoksi rajaan aineistoni seuraavasti: työttömyyskassaan liittyminen normaali tilanteessa 1.1.2019- 29.2.2020 ja työttömyyskassaan liittymisen syynä pandemia 1.3.2020-31.12.2020. Oletus ihmisten työttömyyskassaan liittymisestä on tehty COVID-19 tautitilanteen leviämisen perusteella. On huomioitava, että 1.3.2020-31.12.2020 liittyneiden joukossa on yksilöitä, jotka ovat vaihtaneet työttömyyskassaa tai muusta kuin pandemiasta johtuneesta syystä liittynyt työttömyyskassaan. Logistisessa regressioanalyysissä pyritään selittämään luokka-asteikollista vastemuuttujaa yhden tai useamman selitettävän muuttujan avulla. Tällä menetelmällä lasketaan tapahtuman toteutumisen todennäköisyyttä. (Berry, 2005.) Eli todennäköisyyttä onko pandemian aikana liittynyt jäsen saanut päivärahaa myös pandemian aikana. Tai onko ennen pandemiaa liittynyt saanut päivärahaa tiettynä ajankohtana ja mikä on näiden todennäköisyyksien ero. Seuraavassa luvussa tutkimustulokset käydään vaiheittain läpi. Ensin PNS regression antamat tulokset ja tämän jälkeen logistisen regression antamat tulokset. Johtopäätöksissä kootaan yhteen regressioiden tuloksia. 4.4 Tutkimustulokset Tutkimuksen toteutus tapahtuu aikaisemmin tässä luvussa kerrottujen regressiomallien tarkastelulla. Ensin käydään läpi perinteisen regressioanalyysin tulokset. Luvun toisessa osassa käydään läpi logistisen regression tuloksia ja lopuksi vertaillaan tutkimustulokisa keskenään ja nostetaan esiin mielenkiintoisimmat tulokset. 4.4.1 Lineaarisen regressioalanyysin tulokset Aineisto ajettiin lineaarisen regression läpi eri havaintojoukkojen kanssa. Luovutus vaiheessa aineisto oli yksilötasoista eli jokainen havaintorivi vastasi yhtä työttömyyskassan jäsentä. Mielekkäiden tulosten saamiseksi aineisoa monistettiin kuukausitasolle. Tämä aineiston monistaminen saattaa aiheuttaa harhaa keskivirheissä ja tilastollisen merkitsevyyden tuloksissa. Tämän harhan poistamiseksi aineisto piti klusteroida yksilötasolla. Klusterointi tehtiin myös kuukasitasolla. Havaintojen keskivirheet eivät kuitenkaan muuttuneet klusteroinnin seurauksena. Tämä tarkoittaa, että klusterointiongelmaa ei aineistossa esiinny, vaikka havaintoja monistettiin. Taulukko 1, PNS regressioanalyysi ja keskivirheiden klusterointi Taulukko 1 on lineaarisen regression tuloste. Regression selitettävänä muuttujana on päivärahan maksun toteutuminen. Ols sarake kertoo perinteisen regressioanalyysin kertoimet. Oikealla puolella olevalla sarakkeella on coefficet test tulokset. Tällä testillä poistettiin klusterointiognelmaa aineiston monistamisen takia. Tässä kuitenkin näemme, että regressiokertoimen alla oleva keskivirhe ei juurikaan muutu klusteroinnin seurauksena. Tämä takia voimme olettaa, että seuraavissa malleissa ei tarvitse klusteroida keskivirheitä erikseen, joten jatkamme tulosten tulkintaa ilman klusterointia. Regression selittävät muuttujat ovat taulukon vasemmassa reunassa. Liittynyt muuttuja kertoo havainnon liittymisajankohdan, muuttuja saa arvon 1 siitä eteenpäin, kun henkilö on liittynyt työttömyyskassaan. Pandemia muuttuja kertoo korona pandemian ajankohdan, muuttuja saa arvon 1, 1.3.2020 jälkeen. Molemmat muuttujat ovat aikaan sidottuja. Liittynyt * pandemia kertoo, onko jäsen liittynyt pandemian aikana. Tämä muuttuja saa arvon 1 jos henkilö on liittynyt pandemian aikana. Regressiossa kaikki muuttujat ovat kaksiarvoisia. Tämä pitää ottaa huomioon regressiokertoimia tulkittaessa. Jos jäsen on liittynyt pandemian aikana eli kerroin liittynyt * pandemia niin tämä nostaa jäsenen maksun saamisen todennäköisyyttä 15,2 %. Mallin selitysaste on hyvin pieni, vain 4,1 %. tämä tarkoittaa, että mallissa olevat muuttujat selittävät vain 4,1 % maksun toteutumisesta. Tämä voidaan pitää paikkansapitävänä, koska regressio malli on suppea eikä kuvaa laajasti päivärahan saamiseen vaikuttavia tekijöitä. Selitysaste on yleensä lineaarisessa regressiomallissa alhainen eikä hyvä mitta funktion spesifioinnille. Havaintojen keskivirheet näkyvät korrelaatiokertoimen alapuolella. Keskivirhe kertoo yksittäisen havainnon arvon etäisyyden regressiosuorasta, niin sanottu häiriötermin hajonta. Kun luku on pieni, hajonta on myös pientä. Keroimien p-arvot ovat kaikki alle 0,01, joten muuttujat ovat tilastollisesti merkitseviä. Taulukko 2, PNS regressio iän mukaan Aineisto jaettiin nuoriin ja vanhoihin jäsenen iän mukaan. Ensin jako tapahtui 16–30 ja 31–66 vuotiaisiin. Regressio ei antanut mielenkiintoisa havaintoja, joten ikäluokkaa muutettiin. Nyt taulukko 2 kertoo lineaarisen regression tulokset, jossa ryhmät jakautuivat seuraavasti. Nuoret ryhmään kuului kaikki 16–35-vuotiaat ja kaikki yli 36- vuotiaat kuuluvat joukkoon vanhat. Myös nämä regressiot ajettiin coeffe tstin läpi, mutta klusterointiongelmaa ei havaittu. Taulukko 2 mielenkiinto kohdistuu Liittynyt * Pandemia muuttujaan. Nuorista suurempi osa pandemia aikana liittyneistä sai myös päivärahaa pandemian aikana, kun verrataan regressiokertoimia nuorten ja vanhojen välillä. Tämän regression tulos kertoo, että nuorissa pandemian aikana liittyminen nosti päivärahan maksun saamista 17,3 %. Vastaava luku vanhoissa oli 13,1 %. Voidaan nähdä, että nuorilla oli suurempi todennäköisyys saada päivärahaa pandemian aikana kuin vanhemmilla. Ikäryhmien ero kävi ilmi myös aikaisemmin tässä luvussa, kuin aineistoa esiteltiin kuvaajien perusteella. Oli havaittavissa, että nuoret olivat aktiivisia liittymään ja myös päivärahan saajina pandemian aikaan. Taulukko 3, PNS regressio sukupuolen mukaan Tarkastellaan tuloksia myös sukupuolten kesken. Taulukko 3 kertoo tulokset eriteltynä sukupuolen mukaan. Aineiston havainnoista 54 % oli miehiä ja 46 % naisia. Pandemian aikana liittyneistä 53 % oli miehiä ja 47 % naisia. Sukupuolijakauma on varsin tasainen, vaikkakin suurempi osuus on molemmissa miehiä. Taulukossa 3 huomio kiinnittyy jälleen Liittynyt * Pandemia muuttujaan. Se kertoo, että miehistä pandemian aikana liittyneistä 15,5 % todennäköisemmin sai päivärahaa kuin ennen pandemiaa liittyneet. Naisilla vastaava luku on 14,8 %. Sukupuolten väliset erot olivat myös aineiston kuvaajissa hyvin lähellä toisiaan eikä suurta muutosta havaittu naisten ja miesten välillä. P-arvot ovat molemmissa kertoimissa alle 0,01, joten tulokset ovat tilastollisesti merkittäviä. 4.4.2 Logistisen regression tulokset Logistinen regressioanalyysi on tavallisen regressioanalyysin erikoistyyppi, jota käytetään kuin selitettävä muuttuja voi saada vain kaksi arvoa. Logistisen regressioanalyysin tulokset kertovat vaikuttavatko selittävät muuttujat tietyn ryhmän kuulumisen todennäköisyyteen ja kuina suuri vaikutus on. Tuloksen tulkinnassa tärkeässä osassa on odds eli vedonlyöntisuhde ja odds ratio eli riskisuhde. Nämä käsitteet on hyvä tuoda esiin, sillä logistisen regressioanalyysin tulokset esitetään usein odds ratioiden muutoksina, eikä regressiokertoimina niin kuin perinteisessä regressioanalyysissä. Odds selittää jonkin asian pätemisen todennäköisyyden suhdetta siihen todennäköisyyteen, että asia ei tapahdu. Odds ratio puolestaan kertoo, kuinka paljon suhteellinen todennäköisyys kuulua tiettyyn ryhmään muuttuu, kun katsellaan selittävän muuttumista luokasta toiseen. Logistisen regressioanalyysin tulokset kertovat muutokset tapahtuneen suhteellisissa todennäköisyyksissä, eivätkä itse selittävässä muuttujassa itsessään. (Beery, 2005.) Mallinnuksessa on käytetty binääristä logistista regressioanalyysiä, koska niin selitettävä kuin selittävä muuttuja ovat binäärisiä eli kaksiluokkaisia. Logistisen regressioanalyysin tulokset kertovat, vaikuttavatko selitettävät muuttujat tapahtuman todennäköisyyteen ja kuinka suuri vaikutus on. Tässä tapauksessa selitettävä muuttuja on dikotominen eli voi saada vain arvon yksi tai nolla. (Tähtinen ym. 2020.) Jäsen on joko saanut ansiopäivärahaa tai ei ole saanut. Tapahtuman riski saadaan suhteuttamalla tapahtuman todennäköisyys siihen todennäköisyyteen, että se ei tapahdu. Taulukko 4, Logistinen regressio Taulukko 4 antaa logistisen regression tulokset. Myös tässä niin kuin aikaisemmassa PNS regressiossa suoritin muuttujien klusteroinnin. Kuitenkin keskivirheet eivät muuttuneet, joten klusterointiongelmaa ei löydy. Mallin toimivuutta voidaan tarkastella merkitsevyystasojen tarkastelemisella. Kaikkien muuttujien p-arvot ovat alle 0.01, joten muuttujat ovat tilastollisesti merkitseviä. Logistisen regressioanalyysin tulokset eivät ole yhtä yksinkertaiset tulkita kuin aikaisemman lineaarisen regressioanalyysin. Logit- mallin tulos kertoo sen, että vedonlyöntisuhteen logaritmi muuttuu 0,972 kun jäsen on liittynyt työttömyyskasaan pandemian aikana. Logit-mallissa vaikutukset eivät ole vakioita vaan vähentäviä osittaisvaikutuksia. Jotta kertoimia voisi suoraviivaisemmin ymmärtää on hyvä sovittaa tulos tiettyyn havaintoon. Otetaan esimerkiksi jäsen, joka on liittynyt pandemian aikana. Hänen regressiofunktionsa on seuraavanlainen: 𝑙𝑛 [ 𝑃(𝑌 = 1) 1 − 𝑃(𝑌 = 1) ] = −0,557 + 0,972 ∗ 1 − 1,268 ∗ 1 + 0,743 ∗ 1 = −0,11 Ts. 𝑃(𝑌=1) 1−𝑃(𝑌=1) = ⅇ−0.11 , josta saadaan 𝑃 = ⅇ−0.11 1+ⅇ−0.11 Kun laskemme P auki, saamme vastaukseksi 0,4725. Tämä tarkoittaa, että pandemian aikana liittynyt henkilö kuului joukkoon 1 maksun saajissa todennäköisyydellä 0,47. Lasketaan auki esimerkkijäsenen vedonlyönti suhde eli ⅇ−0.11 = 0,895. Vedonlyöntisuhde kertoo että, maksun saamisen todennäköisyys on 0,90, maksun saamatta jäämisen todennäköisyydestä. Myös vakion kertoimen auki laskeminen voi olla mielekästä. Vakio tulkitaan asettamalla kaikki muut arvot nollaksi. Vakion arvolla saadaan ennuste maksun todennäköisyydelle, koko aineiston osalta. Tässä mukana kaikki 2019–2020 liittyneet ja maksun saaneet ajankohdasta riippumatta. Vakion kerroin lasketaan seuraavasti. 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = −0,557 + 0,972 ∗ 0 − 1,268 ∗ 0 + 0,743 ∗ 0 = −0,557 Ts. ⅇ−0.557 1+ⅇ−0.557 = 0,3642 Maksun saamisen todennäköisyys on siis 0,364, riippumatta liittymisajankohdasta. Jotta voimme vastata tutkimuskysymykseen tulkitaan kertoimet vielä ennen pandemiaa liittyneen jäsenen havainnolla: 𝑙𝑛 [ 𝑃(𝑌 = 1) 1 − 𝑃(𝑌 = 1) ] = −0,557 + 0,972 ∗ 0 − 1,268 ∗ 0 + 0,743 ∗ 1 = 0,186 Ts. ⅇ0,186 1+ⅇ0,186 = 0,546 Ennen pandemiaa liittynyt jäsen sai maksun 0,55 todennäköisyydellä. Taulukko 5, Logistinen regressio iän mukaan Taulukko 5 kertoo logistisen regression tulokset iän mukaan jaoteltuna. Lasketaan kertoimet auki samoin kuin edellisen regression kanssa. Otetaan ensin tarkasteluun nuori jäsen, joka on myös liittynyt pandemian aikana. Hänen regressiofunktionsa on seuraavanlainen: 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = −0,431+1,003*1 -1,273*1 +0,708*1 = 0,007 Ts. 𝑃 = ⅇ0,007 1+ⅇ0,007 = 0,5017 Pandemian aikana liittyneen nuoren todennäköisyys kuulua maksun saajien joukkoon on 0,50. Lasketaan seuraavaksi vanhan ja pandemian aikana liittynee jäsenen tilanne. Hänen regressiofunktionsa on seuraavanlainen: 𝑙𝑛 [ 𝑃(𝑌 = 1) 1 − 𝑃(𝑌 = 1) ] = −0,681 + 0,947 ∗ 1 − 1,270 ∗ 1 + 0,785 ∗ 1 = 0,781 Ts. 𝑃 = ⅇ0,781 1+ⅇ0,781 = 0,68 Pandemian aikana liittyneen vanhan todennäköisyys kuulua joukkoon 1 maksun suhteen on 0,68. Seuraavaksi lasketaan ennen pandemiaa liittyneen havainnon mukaan maksun saamisen todennäköisyydet. Nuori ennen pandemiaa liittynyt regressiofunktio: 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = −0,431+1,003*0 -1,273*0 +0,708*1 = 0,227 Ts. 𝑃 = ⅇ0,227 1+ⅇ0,227 = 0,556 Pandemiaa enne liittyneen nuoren todennäköisyys saada maksu on 0,56 Vanha ennen pandemiaa liittynyt regressiofunktio: 𝑙𝑛 [ 𝑃(𝑌 = 1) 1 − 𝑃(𝑌 = 1) ] = −0,681 + 0,947 ∗ 0 − 1,270 ∗ 0 + 0,785 ∗ 1 = 0,104 Ts. 𝑃 = ⅇ0,104 1+ⅇ0,104 = 0,525 Pandemiaa ennen liittyneen vanhan todennäköisyys saada maksu on 0,53. Taulukko 6, Logistinen regressio sukupuolen mukaan Taulukko 6 kertoo logistisen regression sukupuolen mukaan. Otetaan havaintoesimerkki tulosten tulkitsemiseksi. Pandemian aikana liittyneen miehen regressio funktio näyttää seuraavalta: 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = -0,551 + 0,934*1 - 1,224*1 +0,731*1 = -0,11 Ts. 𝑃 = ⅇ−0.11 1+ⅇ−0.11 = 0,4725 Tämä kertoo, että pandemian aikana liittynyt mies kuuluu maksun saaneisiin todennäköisyydellä 0,47. Lasketaan vielä auki naisille vastaava luku. Jotta voidaan verrata ennen ja jälkeen liittyneitä tarkastellaan havaintoa ennen pandemiaa liittyneen miehen regressio funktiota: 𝑙𝑛 [ 𝑃(𝑌=1) 1−𝑃(𝑌=1) ] = -0,551 + 0,934*0 - 1,224*0 +0,731*1 = 0,18 Ts. 𝑃 = ⅇ0,18 1+ⅇ0,18 = 0,544 Ennen pandemiaa liittynyt mies sai 0,544 todennäköisyydellä maksun. Pandemian aikana liittyneen naisen regressio funktio näyttää seuraavalta: 𝑙𝑛 [ 𝑃(𝑌 = 1) 1 − 𝑃(𝑌 = 1) ] = −0,563 + 1,018 ∗ 1 − 1,320 ∗ 1 + 0,758 ∗ 1 = −0,107 Ts. 𝑃 = ⅇ−0.107 1+ⅇ−0.107 = 0,473 Tulos kertoo pandemian aikana liittyneen naisen todennäköisyyttä maksun saamiselle pandemian aikana. Todennäköisyys, että pandemian aikana liittynyt nainen saa päivärahaa pandemian aikana on 0,47. Katsotaan vielä ennen pandemiaa liittyneen naisen regressiofunktio ja sen tulokset: 𝑙𝑛 [ 𝑃(𝑌 = 1) 1 − 𝑃(𝑌 = 1) ] = −0,563 + 1,018 ∗ 0 − 1,320 ∗ 0 + 0,758 ∗ 1 = 0,7017 Ts. 𝑃 = ⅇ0,7017 1+ⅇ0,7017 = 0,668 Ennen pandemiaa liittynyt mies sai maksun todennäköisyydellä 0,67. 5 Yhteenveto ja johtopäätökset Idea tutkielman toteuttamiseen sai pandemian aiheuttamaa jäsenpiikki maaliskuussa 2020. Sen ympärille nousi paljon kysymyksiä, liittymisen syystä ja henkilöistä, jotka työttömyyskassaan liittyi. Voidaan olettaa, että suuri massa palkansaajia liittyi työttömyyskassaan turvatakseen itsensä työttömyyden varalta. Kysymys nousi esiin, kuinka iso osa pandemian aikana liittyneistä tuli myös päivärahan saajiksi pandemian aikana. Kysymystä lähdettiin selvittämään avaamalla Suomen työttömyysturvan toimintaperiaatteita ja työmarkkinoiden prosesseja. Tutkielman teorian avulla pyrittiin avaamaan työmarkkinoiden toimintaa ja työttömyyden kysymyksiä. Tutkimuksen toteuttaminen tapahtui käyttämällä kahta regressioanalyysiä, lineaarista regressiota ja logistista regressiota. Mielenkiinnon kohteena on jäsenen liittymisajankohta. Liittymisajankohtaa verrataan maksun toteutumisen riskiin tietyllä aikaperiodilla. Mielenkiintoinen aika on korona pandemia, 1.3.2020- 31.12.2020. Aineisto on koodattu ajanjakson mukaan ja Liittynyt * Pandemia muuttuja kertoo, onko liittyminen tapahtunut pandemian aikana. Aineistoa tulkittiin ensin lineaarisen regression avulla. Lineaarisen regressioanalyysin tulosten mukaan, pandemian aikana liittynyt henkilö saa päivärahaa pandemian aikana 0,155 todennäköisemmin, kuin jäsen, joka on liittynyt ennen pandemiaa liittynyt. Vertailussa oli ennen pandemiaa ja sen aikana liittyneet työttömyyskassan jäsenet. Vastaavan aineison ajaminen ja tulkitseminen logistisella regressiolla antoi eriävän tuloksen. Toki malleja ja niiden antamia tuloksia ei voida suoraa verrata keskenään koska logistinen regressio analyysi kertoo selitettävän tapahtuman tapahtumisen todennäköisyyttä. Logistinen regressio antoi maksun saamisen toteutumiselle todennäköisyyden. Henkilö, joka oli liittynyt pandemian aikana, sai myös päivärahaa 0,47 todennäköisyydellä. Jotta voimme vasta tutkimuskysymykseen on kertoimet tulkittava myös ennen pandemiaa liittyneen jäsenen mukaan. Ennen pandemiaa liittynyt jäsen sai myös päivärahaa 0,55 todennäköisyydellä. Logistinen regressio toimii hyvin aineistossa, jossa on muuttujat ovat binäärisiä. Tutkielmassa myös selitettävä muuttuja oli kategorinen, joten logistinen regressio selittää selitettävän muuttujan tapahtuman toteutumisen todennäköisyyttä. Tämä tarkoitta, että malli kertoo millä todennäköisyydellä jäsen kuuluu maksun saaneiden joukkoon. Tämä onkin juuri se kysymys mikä on tutkielman kannalta oleellinen. Kuinka suurella todennäköisyydellä pandemian aikana liittyneet ovat myös saaneet päivärahaa pandemian aikana. Lineaarisen regression mukaan ikäryhmillä ei ollut suurta eroa maksun toteutumisen suhteen. Lineaarisen regression mukaan nuoret saivat 17 % todennäköisemmin päivärahaa, jos he liittyivät pandemian aikana kuin ennen pandemiaa liittyneet nuoret. Vastaava luku vanhoilla oli 13 %. Sen sijaan logistinen regressio antoi mielekkäitä tuloksia iän suhteen. Logit mallin tulokset kertoivat, että vanhat pandemiain aikana liittyneet olivat myös päivärahan saajia 0,68 todennäköisyydellä. Logit mallissa nuorten vastaava todennäköisyys oli 0,50. Tämä tulos on mielekäs, koska aineiston kuvauksen perusteella vaikutti siltä, että nuoret ovat useimmiten päivärahan saajia, mutta logistisen regression tuloste antoi eriävän vastauksen. On hyvä muistaa, että kuvaajat ovat suoraviivaisia eivätkä anna kattavaa kuvaa suhteellisista arvoista. Pandemiaa ennen liittynyt nuori sai päivärahaa todennäköisyydellä 0,56 ja vanha ennen pandemiaa liittynyt sai myös päivärahaa todennäköisyydellä 0,52. Tämä tulos on hyvin mielenkiintoinen. Tulos osoittaa, että koko aineistoa tarkasteltaessa ennen pandemiaa liittyneet saivat myös päivärahaa pandemian aikana liittyneitä todennäköisemmin. Vanhat pandemian aikana liittyneet kuitenkin poikkeavat tästä. Pandemian aikana liittyneet 36–66-vuotiaat saivat päivärahaa todennäköisemmin kuin ennen pandemiaa liittyneet. Viimeisenä tutkittiin aineiston sukupuolijakaumaa ja pyrittiin selvittämään, onko havaittavissa eroavaisuuksia miesten ja naisten maksujen toteutumisen välillä. Lineaarinen regressio kertoi, että 15,5 % pandemian aikana liittyneistä miehistä sai 15,5 % todennäköisemmin päivärahaa kuin miehet, jotka ovat liittyneet ennen pandemiaa. Vastaava todennäköisyys naisilla oli 14,8 %. Logistinen regressio analyysi antoi pandemian aikana liittyneen miehen todennäköisyys kuulua joukkoon 1 oli 0,47 ja vastaava todennäköisyys naisella oli 0,47. Naisten ja miesten välillä ei nähdä eroa maksun saamisen toteutumisessa. Kun verrataan vielä liittymisajankohtia, niin saadaan tutkimuskysymyksen kannalta mielenkiintoisia tuloksia. Ennen pandemiaa liittynyt mies sai päivärahaa todennäköisyydellä 0,554. Ennen pandemiaa liittynyt nainen sai päivärahaa todennäköisyydellä 0,67. Kun näitä todennäköisyyksiä verrataan, pandemian aikana liittyneisiin huomataan, että niin naiset kuin miehet saavat todennäköisemmin päivärahaa, jos liittyminen on tapahtunut ennen pandemiaa. Lineaarinen regressio ei ollut sovelias aineiston mallinnukseen. Se ei antanut hyödyllisiä tulokisa. Lineaarisen mallin hyödyntäminen osana tutkimusta oli kuitenkin oleellista. Regression tulosten perusteella voidaan todeta, että lineaarinen regressio ei soveltunut mallintamaan aineistoa halutulla tavalla. Se ei antanut vastausta liittymispäivän ja maksun toteutumisen todennäköisyyteen. Logistinen regressioanalyysi kertoo selitettävän muuttujan joukkoon 1 kuulumisen todennäköisyyden. Tämä arvo on tutkielman kannalta hyvin oleellinen. Tutkimuskysymyksellä selvitettiin maksujen toteutumisen todennäköisyyttä, kun verrataan jäsenen liittymispäivää. Tutkielman alussa oletettiin, että pandemian aikana liittyneet saavat maksun ennen pandemiaa liittyneitä todennäköisemmin. Tämä hypoteesi kumoutui edellä kuvatun tutkimus tuloksien myötä. Poikkeuksena olivat vanhat pandemian aikana liittyneet jäsenet. He saivat päivärahaa ennen pandemiaa liittyneitä todennäköisemmin. Kaikissa muissa tarkasteluissa ennen pandemiaa liittynyt jäsen sai päivärahaa todennäköisemmin, kuin pandemian aikana liittynyt jäsen. Tämä hypoteesin kumonnut tulos antaa aihetta jatkotutkimukselle. Tutkielma antoi pintakosketuksen Suomen työttömyysturvaan ja sen toimintaan taloudellisen kriisin aikana. Mielenkiintoisia lukuja nousi esiin aineiston pohjalta, joka nosti esiin lisää mielenkiintoisia kysymyksiä. Maaliskuussa 2020 työttömyyskassaan liittyneet, liittyivät ansioturvan saamisen toivossa. Tämä tutkielma ei kuitenkaan pysty vastaamaan kysymykseen, ketkä oikeasti jäivät ansioturvan ulkopuolelle? Tämän kysymyksen selvittämiseksi aineison olisi pitänyt sisältää hakemukseen perustuneen hylätyn päätöksen tieto. Hylkäys olisi pitänyt tulla jäsenyys- tai työssäoloehdon täyttymättömyydestä. Tämän tiedon perusteella olisimme voineet arvioida jäsenmäärää, jotka lomautettiin, mutta eivät saaneet työttömyystukea työttömyyskassalta. Tutkielman alussa avataan työttömyysetuuden saamisen ehtoja, työssäolo- ja jäsenyysehto ovat aikaan sidottuja ehtoja. Jäsenen on oltava ollut työttömyyskassan jäsen 26 viikkoa, jotta voi olla oikeutettu työttömyysetuuteen. Poikkeuksellisesti edellä mainittuja ehtoja lyhennettiin 13 viikkoon. Mielenkiintoinen tutkimuskohde olisi myös jäsenet kenelle myönnettiin ansiosidonnainen työttömyysetuus poikkeuslain mukaisin ehdoin. Tämän perusteella tiedettäisiin, onko poikkeuslaki edesauttanut ansiosidonnaisenetuuden piiriin pääsemistä ja kuinka tehokas lakimuutos on ollut. (TYJ, 2020b). Ennen pandemiaa liittyneet ovat suuremmalla todennäköisyydellä saaneet myös jäsenyys- ja työssäoloehdon kerrytettyä, kuin pandemian aikana liittyneet. Vaikka poikkeuslaki helpotti uusien jäsenen pääsyä ansiosidonnaisen päivärahan piiriin, ei se poista tuloksissa havaittavaa harhaa. Tuloksia voi vääristää aineiston liittymispäivän mukaan tehty jako. Aineisto jaettiin enne pandemiaa ja pandemian aikana liittyneisiin. Jaon ajankohta perusteltiin pandemian etenemisen ja poikkeusolojen julistamiseen. Alkuvuoden 2020 aikana jäseniä on voinut liittyä pandemian johdosta. Jos iso määrä jäseniä on liittynyt ennen 1.3.2020 se vääristää annettua tulosta. Toinen tuloksiin vaikuttava tekijä on ansiopäivärahan käsittely yhtenä massana. Aineistoa tulkittiin erottelematta ansiopäivärahan maksuperusteita toisistaan. Tämä voi aiheuttaa harhaa tuloksissa, koska päivärahan saajissa on mukana esimerkiksi vuorotteluvapaalla olevat henkilöt. 6 Lähteet Aspund, Rita (2009). Työmarkkinoiden toiminnan ja toimivuuden vaikutus työllisyyteen ja työttömyyteen. Työ- ja elinkeinoministeriön julkaisuja. Työ ja yrittäjyys 40. Findikaattori, (2020). Työvoimatutkimus, työttömyysaste 2020. Haettu 2.2.2021 https://findikaattori.fi/fi/34. Alatalo, Johanna – Mähönen, Erno – Peltonen, Juho (2020). Työ- ja elinkeinoministeriön lyhyen aikavälin työmarkkinaennuste, syksy 2020. Ministry of economic affairs and employment, Helsinki. Begg D, Fischer S, Dornbusch R (2008). Economics, 9th. McGraw-Hill, Lontoo. Bergholm, Tapio (2007). ”Suomen mallin synty”, Yhteiskuntapolitiikka 72(2007):5. Berry, D. William, (2005). Probit/Logit and other binary models. Encyclopedia of social measurement. Florida State University, 161-169. Tallaassee, Florida, USA. Brooks, Chris (2019). Introductory econometrics for finance. Fourth edition. Cambridge University Press. Carroll, Eero. (1999).” Emergence and structuring of social insurance institutions: comparative studies on social policy and unemployment insurance”, The Swedish Institute for Social Research (SOFI), Stockholm University, Stockholm. Haettu 22.11.2020. http://urn.kb.se/resolve?urn=urn:nbn:se:su:diva-64080. Edebalk, Per, Gunnar (1996).” Välfärdsstaten träder fram: Svensk socialförsäkring 1884–1955”, Lund Studies in Social Welfare; Vol. XII. Finanssivalvonta, tietojulkaisut. Tilastot kassoittain 2019: haettu 23.11.2020. https://www.finanssivalvonta.fi/tilastot/vakuutus/tyottomyysvakuutus/. Finanssivalvonta, tietojulkaisut, muut tilastot 2019: haettu 32.11.2020. https://www.finanssivalvonta.fi/tilastot/vakuutus/tyottomyysvakuutus/. Gallie, Dunacan – Paugam, Serge (2000). Welfare Regimes and the Experience of Unemployment in Europe. New York,Oxford University Press. Gittins, Ross (2005). An Economics Fit for Humans. Australian Economic Review, Vol. 38:2. Johnson, Eric, J. (2004). Rediscovering Risk. Journal of Public Policy & Marketing, Vol.23:1. Havakka, Pauliina – Niemelä, Mikko – Uustalo, Hannu (2017). Sosiaalivakuutus, Hansaprint Oy, Turenki. Hieskala, Risto (2000). Toiminta, tapa ja rakenne. Gaudeamus Oy, Helsinki University Press. Helsingin Sanomat, 2016. Näin hallitus aikoo luoda 110 000 työpaikkaa: työtön sivutoimiseksi yrittäjäksi, työttömyysturvan voisi muuttaa starttirahaksi. Haettu 30.3.2021. https://www.hs.fi/politiikka/art-2000002895858.html . Kangas, Olli (2018). ”Kassalinja vaiko yleinen ja yhtäläinen työttömyysvakuutus”, WIP Policy Breif. Haettu 5.5.2021. https://www.stn-wip.fi/2018/04/kassalinja-vaiko- yleinen-ja-yhtalainen-tyottomyysvakuutus/. Kela, (2020). Analytiikka- ja tilastoryhmä. Haettu 1.2.2021. https://www.kela.fi/documents/10180/1630873/Tyottomyysturva_kuviot.pdf/6da 499a0-00d6-4ba7-a8e2-3045d393159d?version=1.9. Kyreläinen, Marianne (2019). Työolobarometri 2019. Työ- ja elinkeinoministeriön julkaisuja, työelämä. Helsinki 2020. Koistinen, Petri (2014). Työ, työvoima ja politiikka, Vantaa: Hansaprint Oy. Kuusela, Kaisa-Mari (2021). Työllisyyskatsaus 12/2020. Työ- ja elinkeinoministeriö. Haettu 4.3.2021 https://julkaisut.valtioneuvosto.fi/handle/10024/162686. Kuusi, Eino (1931). Sosiaalipolitiikka I-II. Porvoo, WSOY. Kuusi, Eino (1914). Talvityöttömyys, sen esiintyminen, syyt ja ehkäisytoimenpiteet Suomen suurimmissa kaupungeissa. Kyyrä, T. – Pesola, H. – Rissanen, A. (2017). Unemployment insurance in Finland. A review of recent changes and empirical evidence on behavioral responses, VATT Research reports 184, VATT. Kyyrä, T. – Ollikainen, V. (2008). To search or not to search? The effects of UI benefit extension for the older unemployed. Journal of Public Economics 92, 2048-2070. KvantiMOTV (2013). Hierakkinen lineaarinen regressioanalyysi. Haettu 1.5.2021. https://www.fsd.tuni.fi/menetelmaopetus/hierarkkinen-lineaarinen- regressio/analyysi.html . Landiais, Camille – Nekoei, Arash – Nilsson Peter – Seim, Daviv – Spinnewijn, Johannes, (2020). Risk-based selection on unemployment insurance: Evidence and implications. LSE. Stocholm University. Latvala, Minna (2008). Puolison Armoilla, työttömyysturvan tarvehierarkia. Sosiaali- ja terveysalan tutkimuksia 97, Kelan tutkimusosasto, Helsinki. Mattila, Yrjö (2017). Toimeentuloturva. Hansaprint, Turenki. Nummenmaa, Lauri (2009). Käyttäytymistieteen tilastolliset menetelmät. Helsinki, Tammi. Pekkarinen, Sanna (2015). ”Pakollinen työttömyysvakuutus vai kassajärjestelmä?”, Talous ja Yhteiskunta; 4/2015. Pohjola, Matti (2012). Taloustieteen oppikirja. Sanoma Pro Oy, Helsinki. Rantala, Jukka – Kivisaari, Esko (2020). Vakuutusoppi. Hansaprint Oy, Turenki. Saarinen, Mauri (2016). Lomauttaminen. Talentum Media Oy, Liettua. Santanen, Pentti – Lahtinen, Erkki, K. – Kekäle, Tauno (2002). Vakuutus ja riskit, Tasa- puolista riskienhallintaa. Edita Prima OY, Helsinki. Sen, Amartya (1987). On Ethics and Economics. Blackwell publishing, University of California. Smith, Stephen W. (2003). Labour Economics. (2. painos), Routledge, Lontoo. SVT (2021). Suomen virallinen tilasto: Syntyneet, verkkojulkaisu. Haettu 5.5.2021. https://www.stat.fi/til/synt/2020/synt_2020_2021-04-23_tie_001_fi.html . Stiglitz, Joseph E. (1983): “Risk, Incentives and Insurance: The Pure Theory of Moral Hazard.” The Geneva risk and insurance review 8.1 4–33. Duodecim Terveyskirjasto (2021) Uusi koronavirus (COVID-19). Kustannus Oy Duodecim. Haettu 14.4.2021. https://www.terveyskirjasto.fi/dlk01257. Thaler, Richard, H. (2000). From Homo Economicus to Homo Sapiens. Journal of Economic Perspectives, 14(1): 133-141. Tridico, Pasquale (2013). “The impact of the economic crisis on EU labor markets”. International labour review 152.5: 175–190. TYJ, news (2020) tiedote,” Työttömyyskassoja ensi vuonna 21”. haettu 25.11.2020. https://www.tyj.fi/news/tyottomyyskassoja-on-ensi-vuonna-21/ TYJ, 2020a. Faktaa ansioturvasta. Haettu 31.3.2021. < https://www.tyj.fi/faktaa- ansioturvasta/>. TYJ, 2020b. Päivitetty koonti väliaikaisista lakimuutoksista. Haettu 31.3.2021. https://www.tyj.fi/news/paivitetty-koonti-valiaikaisista-lakimuutoksista/. TYJ, 2020c, työttömyyskassojen toiminta. Haettu 11.1.2021< https://www.tyj.fi/tyottomyyskassat/tyottomyyskassojen-toiminta/>. Työsopimuslaki (55/2001). Haettu 18.3.2021 . Työ- ja elinkeinoministeriö (2019). Työ- ja elinkeinoministeriön näkemys Suomen työmarkkinoista. Työllisyys ja toimivat markkinat- osasto. Helsinki. Haettu. 20.5.2021 https://julkaisut.valtioneuvosto.fi/bitstream/handle/10024/161398/TEM_4_2019 _TEM_n%C3%A4kemys_Suomen_ty%C3%B6markkinoista.pdf . Tähtinen, Juhani – Laakkonen, Eero – Broberg, Mari (2020). Tilastollisen aineiston käsittelyn ja tulkinnan perusteita. Turun yliopiston kasvatustieteiden laitos. Painosalama Oy. VATT, Institute for Economic Reseacrch (2017). Economic Policy Council Report 2016. Helsinki, January 2017. Valtioneuvosto (2020). Hallituksen tiedotteet koronavirustilanteesta. Haettu 14.4.2021: . Wass, Hanna, (2020). Nuorten sopimusyhteiskunta: 16–29- vuotiaiden näkemykset työmarkkinapolitiikasta. Helsingin yliopisto, Valtion nuorisoneuvosto. Yle uutiset (2020) Näin Suomen ensimmäinen koronavirus varmistui. Haettu 14.4.2021: https://yle.fi/uutiset/3-11183390.