Recognising Barriers for Refugee Employment With Logistic Regression: Analysis of refugee background information

Loading...
Thumbnail Image
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu | Master's thesis
Date
2019-12-17
Department
Major/Subject
Information Networks
Mcode
SCI3047
Degree programme
Master’s Programme in Information Networks
Language
en
Pages
95 + 6
Series
Abstract
Integration of refugees and asylum seekers has become a relevant topic all over Europe after the beginning of the refugee crisis in 2015. How to make the integration process more efficient for the government and better for the refugees is a general issue in politics, academic research, and between third sector organisations. Rapid employment of refugees has risen as an alternative model for solving this issue. Focusing on refugee employment seems to make both the refugees and the host nations better off. There are less unemployed people to take care of and the nations experience an increase in labour force. The refugees benefit by having a place to belong in a new society and earning their own living. Having refugees working instead of depending on welfare inhibits the view that refugees are a burden, but makes it easier to view them as an active, contributing part of society. This study aims to figure out through quantitative means which background factors have a significant effect on refugee employment. This is done through statistical outlooks into the refugee population and a series of logistic regression models. The study concludes to a model which examines the importance of different factors and their relationship to refugees' employment chances. The model's validity is tested through triangulation with qualitative surveys. Work experience and English language are concluded as being the most important factors determining one's chance for employment, but one's Finnish language, education level, and profession are important as well. Refugee women's worse position in the labour market is mostly e xplained by women having less work experience than men. This study proposes changes in Finland's refugee policies based on statistical evidence.

Pakolaisten ja turvapaikanhakijoiden integroitumisesta on tullut merkittävä puheenaihe kaikkialle Euroopassa pakolaiskriisin alettua vuonna 2015. Integraatioprosessista, kuinka sen saisi toteutumaan helpommin ja paremmin, on tullut yleinen aihe sekä politiikassa, akateemisessa keskustelussa että pakolaisjärjestöjen kesken. Pakolaisten pikaisesta työllistämisestä tuli nopeasti mielenkiintoinen uusi malli ongelman ratkaisemiseksi. Keskittyminen pakolaisten työllistämiseen näyttää hyödyntävän molempia osapuolia: sekä pakolaisia että vastaanottajavaltioita. Vastaanottajavaltioiden ei tarvitse tukea työttömiä pakolaisia ja saavat samalla talouteensa lisää työvoimaa. Pakolaiset hyötyvät löytämällä merkityksellisen yhteisön uudessa kotimaassaan ja saavat tienattua elantonsa itse. Sen sijaan, että yhteiskunta tukisi työttömiä pakolaisia, vaan aktiivisesti työllistäisi heitä, tekee hankalammaksi nähdä pakolaisia ainoastaan yhteiskunnan taakkana. Se mahdollistaa heidän roolinsa aktiivisena osana yhteiskuntaa. Tämä tutkimus pyrkii selvittämään kvantitatiivisin keinoin, mitkä taustatekijät vaikuttavat merkittävästi pakolaisten työllistymiseen. Tämä toteutetaan tilastollisilla katsauksilla pakolaispopulaatioon ja logistisilla regressiomalleilla. Tämä tutkimus tuottaa mallin, jolla on mahdollista tarkkailla eri tekijöiden tärkeyttä ja suhdetta pakolaisten työllistymistodennäköisyyksiin. Mallin pätevyyttä testataan trianguloimalla tuloksia kvalitatiivisilla kyselyillä. Työkokemus ja englannin kielen taito todetaan tärkeimmiksi tekijöiksi määrittämään työllistymisen todennäköisyyttä, mutta suomen kielen taito, koulutustaso ja ammatti ovat myös tärkeitä. Pakolaisnaisten heikompi asema työmarkkinoilla selittyy suurimmilta osin naisten vähäisemmällä työkokemuksella. Tämä tutkimus ehdottaa muutoksia Suomen pakolaispolitiikassa, perustuen tilastollisiin todisteisiin.
Description
Supervisor
Sarvas, Risto
Thesis advisor
Vepsäläinen, Elisa
Keywords
analytics, refugees, rapid employment, data science, logistic regression, asylum seekers
Other note
Citation