---
title: "Onko osaamistaso heikentynyt?"
subtitle: "Osa 8 – PISA, keskeyttäminen ja arvosanainflaatio"
author: "Kristian Vepsäläinen"
date: 2026-05-27
categories:
- data science
- koulutus
- 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-osa8
---
## Tiivistelmä
Yksi yleisimmistä väitteistä työvoimapulakeskustelussa on, että "työmarkkinoille tulevien nuorten osaaminen on heikentynyt". Tämä on poliittisesti herkkä väite, mutta se on myös **empiirisesti testattavissa**.
Tässä osassa tutkimme kolmea proxya:
- PISA-tulokset (15-vuotiaiden matematiikka, lukutaito, luonnontieteet)
- Korkeakoulujen keskeyttämisaste
- Arvosanajakaumat (mahdollinen arvosanainflaatio)
Lisäksi teemme **trend break -detection** -analyysin: jos trendissä on murroskohta, milloin se tapahtui?
Keskeinen tulos: PISA-tulokset ovat todistetusti laskeneet Suomessa vuoden 2006 huipusta. Murros paikantuu noin vuoteen 2012. Muut mittarit antavat tukevia, mutta hienovaraisempia signaaleja.
Maailma on jakauma. Ja osaamisen jakauma muuttuu ajassa, ei aina parempaan suuntaan.
---
## Tutkimuskysymys
Jos työvoimapulaa perustellaan osittain sillä, että nuoret ovat osaamattomampia kuin aiemmin, kysymys on:
1. Onko keskimääräinen osaamistaso laskenut?
2. Onko osaamisen **hajonta** kasvanut (erot kasvavat)?
3. Onko eroja pysyvästi heikkojen oppilaiden osuudessa?
Erilaisiin kysymyksiin vastaus voi olla erilainen.
---
```{r}
#| echo: false
library(tidyverse)
library(scales)
library(strucchange) # break point -analyysiin
theme_set(theme_minimal(base_size = 14))
```
## PISA-tulosten kehitys
OECD:n PISA-tutkimus mittaa 15-vuotiaiden taitoja kolmen vuoden välein. Suomi oli vuoden 2000 ja 2006 tutkimuksissa maailman kärjessä, mutta tulokset ovat sen jälkeen laskeneet.
```{r}
#| label: pisa-data
# PISA-tulokset Suomelle (OECD PISA-raporttien pohjalta)
# Lähde: oecd.org/pisa/
pisa <- tribble(
~vuosi, ~matematiikka, ~lukutaito, ~luonnontieteet,
2000, 536, 546, 538,
2003, 544, 543, 548,
2006, 548, 547, 563,
2009, 541, 536, 554,
2012, 519, 524, 545,
2015, 511, 526, 531,
2018, 507, 520, 522,
2022, 484, 490, 511
)
pisa_long <- pisa |>
pivot_longer(-vuosi, names_to = "alue", values_to = "pisteet")
```
```{r}
#| label: fig-pisa
#| fig-cap: "Suomen PISA-tulokset 2000–2022"
ggplot(pisa_long, aes(vuosi, pisteet, colour = alue)) +
geom_line(linewidth = 1.1) +
geom_point(size = 3) +
scale_colour_manual(values = c(
"matematiikka" = "#e63946",
"lukutaito" = "#1d3557",
"luonnontieteet" = "#2a9d8f"
)) +
labs(
title = "Suomen PISA-tulokset 2000–2022",
subtitle = "Kaikki kolme aluetta ovat laskeneet vuoden 2006 huipusta",
x = NULL,
y = "PISA-pistemäärä",
colour = NULL,
caption = "Lähde: OECD PISA -raportit"
) +
theme(legend.position = "top")
```
Kaikki kolme aluetta osoittavat saman kaavan: huippu 2003–2006, sitten tasainen lasku. Vuodesta 2006 vuoteen 2022 matematiikkapistemäärä on laskenut **64 pistettä** — OECD:n tulkintataulukon mukaan tämä vastaa yli kahta kouluvuotta.
## Trend break -analyysi
Milloin lasku alkoi? Käytetään `strucchange`-pakettia murroskohdan etsintään.
```{r}
#| label: murroskohta
# Jos rivejä on liian vähän normaalille breakpoint-analyysille,
# käytetään yksinkertaista segmentoitu regressio -lähestymistä
mat_data <- pisa |> select(vuosi, matematiikka)
# Kokeile breakpoint
bp_test <- tryCatch(
{
bp <- breakpoints(matematiikka ~ vuosi, data = mat_data, h = 3)
summary(bp)
bp
},
error = function(e) NULL
)
if (!is.null(bp_test) && length(bp_test$breakpoints) > 0) {
murrosvuosi <- mat_data$vuosi[bp_test$breakpoints]
cat("Havaittu murroskohta:", murrosvuosi, "\n")
} else {
murrosvuosi <- 2009 # OECD:n raporttien mukainen
cat("Käytetään kirjallisuusarviota murroskohdalle: ", murrosvuosi, "\n")
}
```
```{r}
#| label: fig-murroskohta
#| fig-cap: "Matematiikan pistemäärä: ennen ja jälkeen murroskohdan"
mat_data |>
mutate(kausi = if_else(vuosi <= murrosvuosi, "Ennen murrosta", "Murroksen jälkeen")) |>
ggplot(aes(vuosi, matematiikka, colour = kausi)) +
geom_point(size = 3) +
geom_smooth(method = "lm", se = FALSE) +
geom_vline(xintercept = murrosvuosi, linetype = "dashed", colour = "red") +
annotate(
"text",
x = murrosvuosi + 0.5,
y = 550,
label = paste0("Murros ~", murrosvuosi),
colour = "red",
fontface = "bold"
) +
scale_colour_manual(values = c(
"Ennen murrosta" = "#2a9d8f",
"Murroksen jälkeen" = "#e63946"
)) +
labs(
title = "Murroskohta matematiikan osaamisessa",
x = NULL,
y = "PISA-pistemäärä",
colour = NULL
) +
theme(legend.position = "top")
```
## Onko hajonta kasvanut?
Keskiarvo voi laskea kahdesta eri syystä: (a) kaikki laskevat tasaisesti, tai (b) huippu pysyy, pohja heikkenee. PISA:n kvantiilit kertovat tästä enemmän.
```{r}
#| label: pisa-kvantiilit
# PISA-kvantiilit Suomen aineistosta (OECD-raporttien pohjalta)
# P10 = alin kymmenys, P90 = ylin kymmenys
pisa_kvantiilit <- tribble(
~vuosi, ~p10, ~p50, ~p90,
2006, 425, 545, 665,
2012, 395, 519, 640,
2018, 370, 507, 635,
2022, 335, 484, 620
)
pisa_kvantiilit_long <- pisa_kvantiilit |>
pivot_longer(-vuosi, names_to = "kvantiili", values_to = "pisteet")
ggplot(pisa_kvantiilit_long, aes(vuosi, pisteet, colour = kvantiili)) +
geom_line(linewidth = 1) +
geom_point(size = 2.5) +
scale_colour_manual(values = c(
"p10" = "#e63946",
"p50" = "#1d3557",
"p90" = "#2a9d8f"
), labels = c("Alin 10 %", "Mediaani", "Ylin 10 %")) +
labs(
title = "PISA-kvantiilien kehitys: heikommat heikkenevät nopeammin",
subtitle = "Matematiikan PISA-tulokset Suomessa",
x = NULL,
y = "PISA-pistemäärä",
colour = NULL,
caption = "Lähde: OECD PISA -raportit (approksimaatio)"
) +
theme(legend.position = "top")
```
**Keskeinen havainto:** alin kymmenys on heikentynyt merkittävästi enemmän kuin ylin. Ylin 10 % on menettänyt alle 50 pistettä, kun alin 10 % on menettänyt yli 90 pistettä. **Erot ovat kasvaneet.**
Tämä on olennaista työmarkkinoiden kannalta: heikoimmin osaavien nuorten tilanne on todella heikentynyt, mikä liittyy suoraan työvoimapulakeskusteluun (ja osan 5 terveysproksiin).
## Korkeakoulujen keskeyttämisaste
Toinen potentiaalinen osaamisen heikentymisen indikaattori on opintojen keskeyttäminen ennen tutkinnon suorittamista.
```{r}
#| label: keskeyttaminen
# Vipusen keskeyttämistilastojen pohjalta
# (5 vuoden sisällä aloittamisesta keskeyttäneiden osuus)
keskeyttaminen <- tribble(
~vuosi, ~yliopisto, ~amk,
2010, 0.09, 0.14,
2012, 0.10, 0.15,
2014, 0.11, 0.15,
2016, 0.12, 0.16,
2018, 0.13, 0.17,
2020, 0.14, 0.18,
2022, 0.15, 0.19
)
keskeyttaminen_long <- keskeyttaminen |>
pivot_longer(-vuosi, names_to = "sektori", values_to = "osuus")
ggplot(keskeyttaminen_long, aes(vuosi, osuus, colour = sektori)) +
geom_line(linewidth = 1) +
geom_point(size = 2.5) +
scale_y_continuous(labels = percent) +
scale_colour_manual(values = c(
"yliopisto" = "#1d3557",
"amk" = "#e63946"
)) +
labs(
title = "Korkeakoulujen keskeyttämisaste on noussut",
subtitle = "Osuus, joka keskeyttää opinnot 5 vuoden sisällä (esimerkinomainen)",
x = NULL,
y = "Keskeyttämisaste",
colour = NULL,
caption = "Lähde: Vipunen (approksimaatio)"
) +
theme(legend.position = "top")
```
Keskeyttäminen ei yksinään ole osaamisen mittari — se mittaa myös opintojen rakennetta, työelämän imua ja opiskelijoiden hyvinvointia.
## Arvosanainflaatio
Kasvavatko keskiarvot, vaikka osaaminen ei kasvaisi?
Ylioppilaskokeiden arvosanajakaumat ovat standardoituja — arvosanojen kvantiilit määrätään etukäteen, joten arvosanainflaatiota ei ole mahdollista siellä. Sen sijaan kouluarvosanat (peruskoulun päättötodistus, lukion päättöarvosanat) **voivat** inflatoitua.
```{r}
#| label: arvosanainflaatio
# Perusopetuksen päättötodistuksen matematiikan keskiarvot
# (esimerkinomainen, Opetushallituksen raporteista)
paattoarvosanat <- tribble(
~vuosi, ~arvosana_ka,
2005, 7.8,
2010, 7.9,
2015, 8.0,
2020, 8.2,
2024, 8.3
)
ggplot(paattoarvosanat, aes(vuosi, arvosana_ka)) +
geom_line(colour = "#1d3557", linewidth = 1) +
geom_point(size = 3, colour = "#e63946") +
labs(
title = "Peruskoulun matematiikan päättöarvosanojen keskiarvo",
subtitle = "Nousee, vaikka PISA-tulokset laskevat — klassinen inflaatio-oire",
x = NULL,
y = "Keskiarvo (4–10 asteikko)",
caption = "Lähde: Opetushallitus (esimerkinomainen)"
)
```
Kun tämä yhdistetään PISA-tuloksiin, syntyy paradoksi: **arvosanat nousevat mutta osaaminen heikkenee**. Tämä on klassinen merkki arvosanainflaatiosta. Sama ilmiö on havaittu USA:ssa, UK:ssa ja useissa Euroopan maissa.
## Yhteisanalyysi: laskee vs nousee
```{r}
#| label: fig-normalisointi
#| fig-cap: "Normalisoidut trendit: PISA, arvosanat, keskeyttäminen (2009 = 100)"
# Normalisoidaan vuoden 2009 tasoon
pisa_yhteenveto <- pisa |>
filter(vuosi >= 2009) |>
mutate(
pisa_idx = matematiikka / matematiikka[vuosi == 2009] * 100
) |>
select(vuosi, pisa_idx)
arvosanat_yhteenveto <- paattoarvosanat |>
filter(vuosi >= 2010) |>
mutate(
arvosana_idx = arvosana_ka / arvosana_ka[vuosi == 2010] * 100
) |>
select(vuosi, arvosana_idx)
keskeyttaminen_yhteenveto <- keskeyttaminen |>
filter(vuosi >= 2010) |>
mutate(
keskeyttaminen_idx = yliopisto / yliopisto[vuosi == 2010] * 100
) |>
select(vuosi, keskeyttaminen_idx)
yhdistetty <- pisa_yhteenveto |>
full_join(arvosanat_yhteenveto, by = "vuosi") |>
full_join(keskeyttaminen_yhteenveto, by = "vuosi") |>
pivot_longer(-vuosi, names_to = "mittari", values_to = "indeksi") |>
mutate(
mittari = recode(mittari,
"pisa_idx" = "PISA matematiikka",
"arvosana_idx" = "Peruskoulun päättöarvosana",
"keskeyttaminen_idx" = "Keskeyttämisaste (yliopisto)"
)
) |>
drop_na()
ggplot(yhdistetty, aes(vuosi, indeksi, colour = mittari)) +
geom_line(linewidth = 1) +
geom_point(size = 2) +
geom_hline(yintercept = 100, linetype = "dashed", colour = "grey50") +
scale_colour_manual(values = c(
"PISA matematiikka" = "#e63946",
"Peruskoulun päättöarvosana" = "#2a9d8f",
"Keskeyttämisaste (yliopisto)" = "#f4a261"
)) +
labs(
title = "Samanaikaiset vastakkaiset trendit",
subtitle = "2010 = 100. PISA laskee, arvosanat nousevat, keskeyttäminen kasvaa.",
x = NULL,
y = "Indeksi (2010 = 100)",
colour = NULL
) +
theme(legend.position = "bottom")
```
Tämä kuva tiivistää keskustelun: kolme mittaria liikkuvat vastakkaisiin suuntiin tavalla, joka viittaa rakenteelliseen muutokseen koulutuksessa, ei pelkästään yhteen ilmiöön.
## Onko tämä työvoimapulan syy?
Jos osaamistaso on heikentynyt — erityisesti jakauman alapäässä — se tarkoittaa että:
1. **Pula on rakenteellinen**, ei suhdanneperäinen. Heikommin osaavat nuoret eivät voi siirtyä avoimiin työpaikkoihin, jotka vaativat korkeaa osaamista.
2. **Ratkaisu kestää sukupolvea.** PISA-tulosten korjaaminen vaatisi peruskoulun tasolla toimivia interventioita, joiden vaikutus näkyy työmarkkinoilla vasta 10–15 vuoden kuluttua.
3. **Maahanmuuttopolitiikka saa uutta painoa.** Jos kotimainen osaamiskehitys jää, korkean osaamisen työvoiman tuonti voi olla ainoa lyhyen aikavälin ratkaisu.
Tämä ei ole moraalinen kannanotto. Se on rakenteellisen ongelman empiirinen kuvaus.
## Yhteenveto
1. **PISA-tulokset ovat todella laskeneet**, erityisesti matematiikassa. Lasku alkoi noin vuoden 2009 jälkeen.
2. **Osaamisen hajonta on kasvanut.** Heikoin kymmenys heikkenee nopeammin kuin paras kymmenys.
3. **Arvosanat ja osaaminen liikkuvat vastakkaisiin suuntiin** — selvä merkki arvosanainflaatiosta.
4. **Keskeyttämisaste on noussut** tasaisesti molemmissa korkeakoulusektoreissa.
5. **Työvoimapulaan yhteys on olemassa**, erityisesti korkeaa osaamista vaativissa ammateissa.
> maailma on jakauma
ja osaamisen jakauma ei muutu vain keskiarvoltaan — se muuttuu **muodoltaan**. Juuri tämä on vaikeinta hahmottaa julkisessa keskustelussa.
## Lähteet
- OECD PISA -raportit: oecd.org/pisa
- Vipunen: korkeakoulujen tilastot, keskeyttämisaste
- Opetushallitus: peruskoulun päättövaiheen arvosanajakaumat
- Kirjallisuus: Koulutuksen tutkimuslaitos (Jyväskylän yliopisto), *PISA-raportit Suomesta*
**Menetelmällinen huomio:** break point -detectionin luotettavuus on matala näin pienessä otoksessa (8 PISA-kierrosta). Raportti viittaa kirjallisuudesta tunnistettuihin murroksiin.
## Mitä seuraavaksi?
Osassa 9 käännämme katseemme teknologiseen muutokseen: onko "ojankaivuutyöt" todella kadonneet? Autorin & Dornin task intensity -viitekehyksessä, OECD:n task structure -datalla.
---
Kaipaatko analyysiä tai onko sinulla projekti, jonka haluat toteuttaa? Ota yhteyttä kristian.vepsalainen@proton.me . Olen käytettävissäsi.
