Autoilun hiilidioksidipäästöt 2030
Notice bibliographique
Résumé
Diplomityön tavoitteena on ennustaa yksityisen autoilun aiheuttamat hiilidioksidipäästöt Suomessa vuonna 2030. Aineistoa rajattiin ajoneuvoluokista henkilö- ja pakettiautoihin. Tutkimus tehtiin hyödyntämällä Suomen Tilastokeskuksen ja Traficomin julkisessa tietokannassa olevaa dataa. Historiaperusteisesta kehityksestä luotiin ajoneuvokantamalli. Ajoneuvokannasta laskettiin, pääseekö Suomi EU:n asettamaan päästötavoitteeseen. Suomen valtiota, väestöä ja lainsäädäntöä käytettiin hyödyksi ajoneuvokannan ennustamisessa. Ajoneuvokantaskenaariossa ilmeni kulutuskäyttäytymisen muuttuminen. Kulutuskäyttäytymisen muuttuminen näkyy ajoneuvokannan sähköistymisenä sekä ajoneuvovalmistajien strategioissa. Valtion tuet ja veroetuudet ovat edistäneet ajoneuvokannan muuttumista. Diplomityössä luotu skenaario osoittaa, että ajoneuvokanta sähköistyy nopeammin kuin VTT:n vuonna 2020 julkaisema Aliisa-ajoneuvokantamalli. Suomen yksityisen autoilun hiilidioksidipäästöt vuonna 2030 ovat 51 % vuoden 2005 tasosta. EU:n lainsäädäntö vaatii 39 % päästövähennyksen vuoden 2005 tasosta. Kyseiseen päästötavoitteeseen ei päästä ilman uusiutuvien polttoaineiden jakeluvelvoitelakia. Ilman jakeluvelvoitelakia päästäisiin vain 30 % päästöalenemaan vuoden 2005 tasosta. Skenaariossa tarkasteltiin neljä yleisintä käyttövoimaa: bensiini, diesel, lataushybridi ja sähkö. Diplomityössä pohdittiin myös vaihtoehtoisten kaasu- ja vetyautojen tulevaisuutta, joidenka osuus tulee olemaan vähäinen vuonna 2030. Lopuksi tarkasteltiin skenaarion edellytyksiä ja todettiin, että autokannan sähköistyminen vähentää valtion keräämää polttoaineveroa noin 10 % vuonna 2030. Autoverotuksen muuttaminen on suurin epävarmuustekijä skenaarion toteutumiselle.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,003 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,006 | 0,006 |
| Études des sciences et des technologies | 0,001 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,426 | 0,089 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».