Raaka-aineen hankinta ja kierrätys Suomen metsäklusterin haasteena: Kohdeyrityksenä Corenso United Oy Ltd.
Notice bibliographique
Résumé
Tutkielman tarkoituksena on selvittää Suomen metsäklusterin kilpailukyky, tulevaisuudennäkymät sekä metsäteollisuuden raaka-aineen hankinnan haasteet.\n\nTeoriaosassa keskitytään klusteriajattelun, kilpailukyvyn ja kilpailuedun käsitteisiin. Michael E. Porterin mukaan perinteiset talousteoriat eivät pysty tarpeeksi hyvin selittämään kansainvälistä kilpailukykyä, vaan tarvitaan uusi näkökulma ja teoria, jossa kilpailuetujen katsotaan syntyvän toisiinsa sidoksissa olevien toimialojen ja yritysten muodostamissa ryppäissä eli klustereissa. Teoreettisena viitekehyksenä toimii Porterin kilpailukyvyn tutkimiseen kehittämä timanttimalli. Metsäklusterin nykytilaa, tulevaisuudennäkymiä ja kohdeyrityksen asemaa Suomen metsäklusterissa tutkitaan timanttimallin pohjalta.\n\nRaaka-aineen hankinnan haasteina tulevat lähitulevaisuudessa olemaan Venäjän asettamat korkeat puutullit sekä keräyspaperin ja muiden kierrätyskuitujen keräysmäärä ja hinta. Keräyspaperistakin on tullut kansainvälistä kauppatavaraa ja se myydään sinne, mistä siitä saadaan paras hinta. Empiirisessä osassa analysoidaan kohdeyrityksen raaka-aineen hankinnan tämän hetkistä tilannetta ja mahdollisuuksia tehostaa sitä tulevaisuudessa. Empiirinen osuus suoritettiin tutkimalla kohdeyrityksen Suomen kartonkiteollisuuden kuitu- ja kierrätysstrategiaa. Tutkimusaineisto koottiin yritystä koskevasta materiaalista, haastattelulla ja osallistuvalla havainnoinnilla. \n\nTutkimuksessa tarkasteltavan Suomen metsäklusterin kilpailukyky on viime aikoina heikentynyt merkittävästi ja sanotaankin, että edessä on suurin alaa koskaan kohdannut rakennemuutos. Klusterin toimintaa tulee kehittää panostamalla enemmän tutkimukseen, kehitykseen ja uusien tuotteiden innovointiin sekä tehostaa tuottamalla tiiviimmän yhteistyön avulla enemmän hyötyjä klusterin yrityksille.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,003 | 0,001 |
| Communication savante | 0,007 | 0,004 |
| Science ouverte | 0,001 | 0,003 |
| Intégrité de la recherche | 0,002 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,322 | 0,101 |
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; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».