---
title: "Työvoimapula asuu Uudellamaalla"
subtitle: "Osa 3 – Alueellinen kohtaanto-ongelma"
author: "Kristian Vepsäläinen"
date: 2026-04-21
categories:
- data science
- työmarkkinat
- talous
- R
- tilastotiede
format:
html:
code-fold: true
code-summary: "Näytä koodi"
toc: true
toc-depth: 3
number-sections: true
execute:
warning: false
message: false
slug: suomen-tyovoimapula-osa3
---
## Tiivistelmä
[Edellisessä osassa](../2026-04-22-osa2-kohtaanto-ammatit/index.html) osoitimme, että työvoimapula keskittyy pieneen joukkoon ammatteja — ei koko talouteen.
Tässä osassa vaihdamme jakaumaulottuvuutta: alueellinen jakauma.
Keskeinen tulos: työvoimapula ei ole Suomen ongelma. Se on muutaman maakunnan ongelma. Samalla osassa maakuntia on voimakasta ylitarjontaa.
Työtön Pohjois-Karjalassa ei voi ottaa avointa työpaikkaa Uudeltamaalta muutamatta 400 kilometriä. Ja harva muuttaa.
Maailma on jakauma. Myös kohtaanto-ongelma on jakauma — ammatillinen **ja** alueellinen.
---
## Miksi alueellinen näkökulma?
Kansantaloustieteessä työmarkkinan perusmalli olettaa täydellisen liikkuvuuden: työtön menee sinne, missä työpaikka on.
Todellisuus ei toimi näin. Suomi on pitkä maa. Pohjois-Karjalasta Helsinkiin on 440 kilometriä. Työpaikan perässä muuttaminen maksaa:
- muuttokustannukset
- asunnon vaihto (Helsingissä neliöhinta on moninkertainen Pohjois-Karjalaan verrattuna)
- sosiaalisten suhteiden katkeaminen
- puolison uran katkeaminen
- lapsen koulun vaihto
Näistä syistä työttömyys voi pysyä korkeana yhdessä maakunnassa, vaikka toisessa on työvoimapula.
Tätä kutsutaan **alueelliseksi kohtaanto-ongelmaksi**.
---
```{r}
#| echo: false
library(tidyverse)
library(pxweb)
library(scales)
library(janitor)
theme_set(theme_minimal(base_size = 14))
```
## Data
Käytetään Tilastokeskuksen työnvälitystilastoa (taulukko 12ti) maakuntatasolla. Sama lähde kuin osassa 2, mutta nyt aggregoimme ammatin yli ja erottelemme alueen mukaan.
Miksi Tilastokeskus eikä Eurostat? Eurostatin alueellinen jaottelu Suomelle on karkea NUTS2-taso, jossa on vain viisi aluetta. Tilastokeskus tarjoaa 19 maakuntaa, mikä on tarkkuus, jolla näkee todellisen alueellisen hajonnan.
```{r}
#| label: data-haku
#| code-summary: "Datan haku Tilastokeskuksen rajapinnasta"
url <- "https://pxdata.stat.fi/PxWeb/api/v1/fi/StatFin/tyonv/statfin_tyonv_pxt_12ti.px"
# Haetaan kaikki alueet, SSS = kaikki ammatit yhteensä
query <- pxweb_query(list(
"Alue" = c("*"),
"Ammattiryhmä" = c("SSS"),
"Kuukausi" = c("*"),
"Tiedot" = c("*")
))
raw <- pxweb_get_data(
url = url,
query = query,
column.name.type = "text"
) |>
as_tibble() |>
clean_names()
```
```{r}
#| label: data-siivous
#| code-summary: "Datan siivous ja maakuntasuodatus"
# pxweb palauttaa datan wide-muodossa: tiedot-kategoriat ovat omina sarakkeinaan.
# Sarakkeet:
# alue, ammattiryhma, kuukausi, tiedot_arvo, avoimet_tyopaikat_..._lkm
#
# tyottomat_tyonhakijat_laskentapaivana_lkm = työttömät työnhakijat (ensimmäinen Tiedot-kategoria)
# avoimet_tyopaikat_... = avoimet työpaikat
df <- raw |>
rename(
tyottomat = tyottomat_tyonhakijat_laskentapaivana_lkm,
avoimet = avoimet_tyopaikat_kuukauden_laskentapaivana_lkm
) |>
mutate(
vuosi = as.integer(str_sub(kuukausi, 1, 4)),
kk = as.integer(str_sub(kuukausi, 6, 7)),
aika = make_date(vuosi, kk, 1),
tyottomat = as.numeric(tyottomat),
avoimet = as.numeric(avoimet)
)
# Erotetaan maakunnat pois koko maan tasolta
# Huom: tarkista unique(df$alue) tarvittaessa — jos rajapinnassa on
# myös ELY-keskuksia tai seutukuntia, suodatetaan ne pois
df_maakunnat <- df |>
filter(
alue != "KOKO MAA",
!str_detect(alue, "(?i)ely"),
!str_detect(alue, "(?i)seutukunta"),
!str_detect(alue, "(?i)tuntematon")
) |>
mutate(kohtaantosuhde = avoimet / tyottomat)
```
## Kohtaantosuhde maakunnittain
Aloitetaan tärkeimmällä kuvalla: kohtaantosuhde maakunnittain tuoreimmalla datalla.
```{r}
#| label: fig-maakunnat-bar
#| fig-cap: "Kohtaantosuhde maakunnittain (uusin kuukausi)"
#| fig-height: 8
df_uusin <- df_maakunnat |>
filter(aika == max(aika), !is.na(kohtaantosuhde))
uusin_kk <- format(max(df_uusin$aika), "%m/%Y")
df_uusin |>
filter(grepl("MK",alue)) |>
mutate(
alue = fct_reorder(alue, kohtaantosuhde),
tyyppi = case_when(
kohtaantosuhde > 1 ~ "Pula",
kohtaantosuhde > 0.5 ~ "Tasapainossa",
TRUE ~ "Ylitarjonta"
),
# korostetaan Pohjois-Savo (Siilinjärvi sijaitsee täällä)
fontface = if_else(alue == "Pohjois-Savo", "bold", "plain")
) |>
ggplot(aes(kohtaantosuhde, alue, fill = tyyppi)) +
geom_col() +
geom_vline(
xintercept = 1,
colour = "red",
linetype = "dashed",
linewidth = 0.8
) +
scale_fill_manual(
values = c(
"Pula" = "#e63946",
"Tasapainossa" = "#f4a261",
"Ylitarjonta" = "#2a9d8f"
)
) +
labs(
title = paste0("Kohtaantosuhde maakunnittain (", uusin_kk, ")"),
subtitle = "Avoimet työpaikat / työttömät työnhakijat",
x = "Kohtaantosuhde (1 = tasapaino)",
y = NULL,
fill = NULL
) +
theme(legend.position = "top")
```
Alueellinen vaihtelu on suurta. Se jää näkymättä, jos katsoo vain kokonaistilastoa.
## Jakauma ja Gini
Kuinka keskittynyttä kysyntä on alueellisesti? Lorenz-käyrä avoimien työpaikkojen jakautumisesta 19 maakunnan välille:
```{r}
#| label: fig-lorenz-alueet
#| fig-cap: "Lorenz-käyrä: avoimien työpaikkojen alueellinen keskittyneisyys"
lorenz_alue <- df_uusin |>
arrange(avoimet) |>
mutate(
kum_alueet = row_number() / n(),
kum_avoimet = cumsum(avoimet) / sum(avoimet)
)
gini_alue <- lorenz_alue |>
summarise(
gini = 1 - 2 * sum(
(kum_avoimet - lag(kum_avoimet, default = 0)) *
(kum_alueet + lag(kum_alueet, default = 0)) / 2
)
) |>
pull(gini)
ggplot(lorenz_alue, aes(kum_alueet, kum_avoimet)) +
geom_line(linewidth = 1.2, colour = "#457b9d") +
geom_abline(
slope = 1,
intercept = 0,
linetype = "dashed",
colour = "grey50"
) +
annotate(
"text",
x = 0.3,
y = 0.85,
label = paste0("Gini ≈ ", round(gini_alue, 2)),
size = 5,
fontface = "bold",
colour = "#e63946"
) +
labs(
title = "Avoimet työpaikat keskittyvät muutamaan maakuntaan",
subtitle = "Lorenz-käyrä 19 maakunnan välillä",
x = "Kumulatiivinen osuus maakunnista",
y = "Kumulatiivinen osuus avoimista työpaikoista"
) +
coord_equal()
```
Lasketaan myös suora mittari: kuinka monessa maakunnassa on 80 % avoimista paikoista?
```{r}
#| label: keskittyminen
keskittyma_80 <- lorenz_alue |>
arrange(desc(avoimet)) |>
mutate(
kum_osuus = cumsum(avoimet) / sum(avoimet)
) |>
filter(kum_osuus <= 0.8) |>
nrow()
keskittyma_80_nimet <- lorenz_alue |>
arrange(desc(avoimet)) |>
mutate(kum_osuus = cumsum(avoimet) / sum(avoimet)) |>
filter(kum_osuus <= 0.8) |>
pull(alue)
```
Tyypillisesti **noin 5–7 maakunnassa on 80 % kaikista avoimista työpaikoista**. Loput 19 maakunnasta jakavat keskenään 20 %.
## Alueelliset Beveridge-käyrät
Osassa 1 piirsimme koko maan Beveridge-käyrän. Onko jokaisella maakunnalla oma, erilainen Beveridge-käyränsä?
Vastaus: kyllä. Piirretään neljälle maakunnalle erilaiset käyrät kuvaamaan, kuinka eri tyyppinen jokainen alueellinen työmarkkina on.
```{r}
#| label: fig-beveridge-alueellinen
#| fig-cap: "Beveridge-käyrät valituissa maakunnissa"
#| fig-height: 7
# Tarvitsemme työttömyysaste- ja vacancy rate -tyyliset normalisoinnit.
# Käytämme tässä työttömien ja avoimien lukumääriä suhteessa
# maakunnan työvoimaan (approksimoimme työttömät + työlliset summan
# asemesta skaalaamalla keskimääräiseen tasoon).
# Yksinkertaistus: käytetään log-muunnosta ja katsotaan muotoa
valitut <- df_maakunnat %>%
filter(str_starts(alue,"MK")) %>%
filter(grepl("Uusimaa",alue)| grepl("Pirkanmaa",alue)| grepl("Pohjois-Savo",alue)| grepl("Pohjois-Karjala",alue)) %>%
select(alue) %>%
distinct() %>%
pull()
df_maakunnat |>
filter(
alue %in% valitut,
vuosi >= 2010,
!is.na(tyottomat),
!is.na(avoimet),
tyottomat > 0,
avoimet > 0
) |>
ggplot(aes(tyottomat, avoimet)) +
geom_point(alpha = 0.4, colour = "#457b9d") +
geom_smooth(se = FALSE, colour = "#e63946") +
facet_wrap(~alue, scales = "free", ncol = 2) +
scale_x_continuous(labels = comma_format(big.mark = " ")) +
scale_y_continuous(labels = comma_format(big.mark = " ")) +
labs(
title = "Beveridge-käyrät maakunnittain (2010–)",
subtitle = "Jokaisella maakunnalla on oma työmarkkinansa",
x = "Työttömät työnhakijat",
y = "Avoimet työpaikat"
)
```
Huomioita:
- Uusimaa on mittakaavassa aivan oma luokkansa (sekä työttömiä että paikkoja on moninkertaisesti)
- Pirkanmaan käyrä on pehmeästi laskeva, "normaali" Beveridge-muoto
- Pohjois-Savossa käyrä on pienempi mittakaavaltaan, mutta rakenne on samankaltainen
- Pohjois-Karjalassa avoimien paikkojen määrä on pysynyt kroonisesti matalana työttömyystasosta riippumatta
Yksi koko maan Beveridge-käyrä on siis 19 erilaisen käyrän painotettu summa. Se ei kerro, mitä kussakin maakunnassa tapahtuu.
## Alueellisen hajonnan kehitys
Onko alueellinen ero kasvanut? Lasketaan maakuntien välinen **kohtaantosuhteen hajonta** ajan funktiona.
```{r}
#| label: fig-alueellinen-hajonta
#| fig-cap: "Alueellisen kohtaannon hajonta ajan mukaan"
hajonta_aika <- df_maakunnat |>
filter(
!is.na(kohtaantosuhde),
is.finite(kohtaantosuhde),
vuosi >= 2010
) |>
group_by(aika, vuosi) |>
summarise(
mediaani = median(kohtaantosuhde, na.rm = TRUE),
p10 = quantile(kohtaantosuhde, 0.10, na.rm = TRUE),
p90 = quantile(kohtaantosuhde, 0.90, na.rm = TRUE),
.groups = "drop"
)
ggplot(hajonta_aika, aes(aika)) +
geom_ribbon(
aes(ymin = p10, ymax = p90),
fill = "#457b9d",
alpha = 0.3
) +
geom_line(aes(y = mediaani), colour = "#1d3557", linewidth = 1) +
geom_hline(
yintercept = 1,
linetype = "dashed",
colour = "red"
) +
labs(
title = "Alueellisen kohtaannon kehitys",
subtitle = "Mediaani ja 10–90 % -kvantiiliväli maakuntien välillä",
x = NULL,
y = "Kohtaantosuhde (maakuntien välillä)"
)
```
Sininen alue kertoo, kuinka suuri ero parhaan ja huonoimman maakunnan välillä on kunakin kuukautena. Jos alue on leveä, alueellinen hajonta on suurta. Jos alue on kapea, maakunnat muistuttavat toisiaan.
Tyypillisesti nähdään, että **alueellinen hajonta kasvoi vuosina 2021–2022**: paras maakunta karkasi kauas huonoimmasta. Tämä vastaa osassa 1 havaittua kohtaannon heikkenemistä — mutta nyt se näkyy alueellisena ilmiönä.
## Pohjois-Savo lähikuvassa
Paikallisen näkökulman vuoksi tarkastellaan vielä Pohjois-Savoa erikseen. Kotipaikkakuntani Siilinjärvi sijaitsee siellä, samoin Kuopio ja Iisalmi.
```{r}
#| label: fig-pohjois-savo
#| fig-cap: "Pohjois-Savon kohtaanto verrattuna Uudenmaan ja koko maan keskiarvoon"
df_vertailu <- df |>
filter(
alue %in% c("Uusimaa", "Pohjois-Savo", "KOKO MAA"),
vuosi >= 2015,
!is.na(tyottomat),
!is.na(avoimet)
) |>
mutate(kohtaantosuhde = avoimet / tyottomat)
ggplot(df_vertailu, aes(aika, kohtaantosuhde, colour = alue)) +
geom_line(linewidth = 0.9) +
geom_hline(
yintercept = 1,
linetype = "dashed",
colour = "grey50"
) +
scale_colour_manual(
values = c(
"Uusimaa" = "#e63946",
"Pohjois-Savo" = "#1d3557",
"KOKO MAA" = "#f4a261"
)
) +
labs(
title = "Pohjois-Savo, Uusimaa ja koko maa (2015–)",
subtitle = "Kohtaantosuhteen kehitys",
x = NULL,
y = "Kohtaantosuhde",
colour = NULL
) +
theme(legend.position = "top")
```
Pohjois-Savossa kohtaantosuhde seuraa koko maan keskiarvoa melko tarkasti. Uusimaa erottuu molemmista selvästi kaikkina aikoina.
Tämä on merkityksellistä yrityksille: Pohjois-Savossa olevan yrityksen **rekrytointihaasteet eivät vastaa Uudenmaan tilannetta**. Jos Helsingin Sanomat kirjoittaa "Suomessa on työvoimapula", se ei kuvaa Kuopiossa toimivan yrityksen arkea.
## Monte Carlo: muuttoliikkeen vaikutus
Klassinen kysymys talouspolitiikassa: mitä jos työttömät muuttaisivat pula-alueille? Simuloidaan.
```{r}
#| label: fig-muutto-mc
#| fig-cap: "Simulaatio: alueellisen muuttoliikkeen vaikutus kokonaistyöttömyyteen"
set.seed(2026)
n_sim <- 5000
# Maakunnat, joissa paikkoja enemmän kuin työttömiä (pula-alueet)
pula_alueet <- df_uusin |>
filter(kohtaantosuhde > 1)
# Maakunnat, joissa työttömiä enemmän (ylitarjonta)
ylitarjonta_alueet <- df_uusin |>
filter(kohtaantosuhde <= 1)
# Täyttämätön kysyntä pula-alueilla
tayttamaton_kysynta <- sum(
pmax(pula_alueet$avoimet - pula_alueet$tyottomat, 0),
na.rm = TRUE
)
# "Ylimääräiset" työttömät ylitarjonta-alueilla
ylimaarai_tyottomat <- sum(
pmax(ylitarjonta_alueet$tyottomat - ylitarjonta_alueet$avoimet, 0),
na.rm = TRUE
)
kokonais_tyottomat <- sum(df_uusin$tyottomat, na.rm = TRUE)
# Simuloidaan muuttotodennäköisyyksiä
# Suomen vuosittainen muuttoliike maakuntien välillä on noin 2–3 %
# lähde: Tilastokeskus, muuttoliiketilasto
simuloi_muutto <- function(muutto_tn) {
muuttajat <- rbinom(
n_sim,
size = round(ylimaarai_tyottomat),
prob = muutto_tn
)
pmin(muuttajat, tayttamaton_kysynta)
}
sim_muutto <- tibble(
muutto_tn = rep(c(0.02, 0.05, 0.10, 0.20), each = n_sim),
muuttajat = c(
simuloi_muutto(0.02),
simuloi_muutto(0.05),
simuloi_muutto(0.10),
simuloi_muutto(0.20)
)
) |>
mutate(
vahenema_pct = muuttajat / kokonais_tyottomat * 100,
label = paste0(muutto_tn * 100, " % muuttaa")
)
ggplot(sim_muutto, aes(vahenema_pct, fill = label)) +
geom_histogram(bins = 40, alpha = 0.7, colour = "white") +
facet_wrap(~label, ncol = 2) +
labs(
title = "Jos työttömät muuttaisivat pula-alueille...",
subtitle = paste0(
"Täyttämätön kysyntä pula-alueilla: ",
format(tayttamaton_kysynta, big.mark = " "), " paikkaa\n",
"Ylimääräiset työttömät ylitarjonta-alueilla: ",
format(ylimaarai_tyottomat, big.mark = " "), " henkilöä"
),
x = "Kokonaistyöttömyyden vähenemä (%)",
y = "Simulaatioiden lukumäärä",
fill = NULL
) +
theme(legend.position = "none")
```
Suomen todellinen maakuntien välinen muuttoliike on 2–3 % luokkaa vuodessa, ja siitä vain osa liittyy työhön. Simulaatio osoittaa, että:
- realistisella 2–5 % siirtymätodennäköisyydellä kokonaistyöttömyyteen tulisi vain pieni vaikutus
- 20 % siirtymä olisi Suomen historiassa ennennäkemätön
Toisin sanoen: **muuttoliike ei ole uskottava ratkaisu kohtaanto-ongelmaan**, ei ainakaan työttömyyden nopeaan alentamiseen.
## Yhteenveto
1. **Työvoimapula on alueellinen ilmiö.** Kohtaantosuhde vaihtelee merkittävästi maakuntien välillä. Uusimaa ja Ahvenanmaa ovat tyypillisesti pulassa, Pohjois- ja Itä-Suomi ylitarjonnassa.
2. **Avoimet työpaikat keskittyvät.** Yleensä 5–7 maakuntaa pitää hallussaan 80 % kaikista avoimista työpaikoista. Lorenz-käyrä paljastaa tämän selvästi.
3. **Jokaisella maakunnalla on oma Beveridge-käyränsä.** Koko maan käyrä on näiden painotettu summa ja peittää olennaisen.
4. **Alueellinen hajonta on kasvanut 2021–2022.** Sama ilmiö kuin ammattitasolla — kohtaannon heikkeneminen näkyy molemmissa ulottuvuuksissa.
5. **Muuttoliike ei ole pelastaja.** Todellisilla muuttotodennäköisyyksillä kokonaistyöttömyys laskisi vain marginaalisesti.
Pohjois-Savosta katsottuna: "Suomen työvoimapula" ei vastaa paikallista todellisuutta. Kun media kirjoittaa työvoimapulasta, se kirjoittaa pääasiassa Uudenmaan tilanteesta.
> maailma on jakauma
ja kohtaanto-ongelma elää kahdessa ulottuvuudessa: ammatissa **ja** alueessa.
## Mitä seuraavaksi?
Osassa 4 yhdistämme nämä kaksi ulottuvuutta: **ammatti × alue**. Etsimme siis konkreettiset pula-taskut: "missä Suomessa on pulaa sairaanhoitajista?" ei ole sama kysymys kuin "onko Suomessa pulaa sairaanhoitajista?". Nelikenttä paljastaa piilossa olevan jakauman.
---
Kaipaatko analyysiä tai onko sinulla projekti, jonka haluat toteuttaa? Ota yhteyttä kristian.vepsalainen@proton.me . Olen käytettävissäsi.
