Suomen cleantech-strategia ja cleantech-startupien riskipääomarahoitus
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Lähes kaikki maailman valtiot sitoutuivat Pariisin ilmastosopimuksessa vähentämään päästöjään, jotta maapallon ilmastonlämpeneminen saataisiin rajoitettua kahteen celsius asteeseen. Odotukset kohdistuvat nyt mm. teknologian kehitykseen, ja monet tahot toivovatkin ilmasto-ongelman ratkeavan uusilla puhtaan teknologian innovaatioilla. Puhtaista teknologioista, eli cleantechistä, on muodostunut kiinnostava ja tärkeä sijoituskohde etenkin yhteiskunnallisella tasolla. Tämä on käynnistänyt kansainvälisen kilpailun asemasta parhaana cleantech-startupien kasvualustana. \n \nSuomi on listattu usein cleantechin kärkimaihin, ja vuonna 2014 julkistetun cleantech-strategian tavoitteena oli suunnitelmallisesti tehdä Suomesta johtava puhtaiden teknologioden kasvualusta, sekä kasvattaa cleantechistä viennin uusi kärki vuoteen 2020 mennessä. Strategiassa asetettiin neljä tavoitetta: kasvattaa suomalaisten cleantech-yritysten yhteenlaskettu liikevaihto 50:een miljardiin euroon; josta viennin osuus on yli 75%, kaksinkertaistaa kotimaiset cleantech-markkinat noin 20:een miljardiin euroon, kasvattaa cleantech-yritysten määrää kahdesta tuhannesta kolmeen tuhanteen, sekä luoda Suomen cleantech-sektorille ainakin 40000 uutta työpaikkaa. Cleantech-strategia kuitenkin lopetettiin jo vuonna 2015 uuden hallituksen toimesta, ja sen rippeet liitettiin osaksi suurempaa biotalousstrategiaa ilman tavoitteita. \n \nTässä tutkielmassa tarkastellaan cleantech-strategian poistettujen tavoitteiden saavutusmahdollisuuksia hyödyntäen uusien teknologiayritysten rahoitusdataa Suomessa ja Euroopassa, sekä pohditaan politiikkavajeen merkitystä cleantech-sektorin kehityksen hidasteena. Tutkielman metodeiksi on valittu deskriptiivinen tilastollinen tarkastelu, sekä teemojen selvittämiseksi kirjallisuuskatsaus. Datan keräämiseen hyödynnetään pääosin yksityistä Pitchbook -tietokantaa. Pitchbookin valintaan vaikutti datan kattavuus sekä saatavuus. Datan tarkistamiseksi ja täydentämiseksi tutkimusdataa verrataan toiseen yksityiseen tietokantaan nimeltänsä Crunchbase, sekä julkisiin lähteisiin, kuten TEKES, Tilastokeskus ja Kaupparekisteri. \n \nYhteneväinen havainto aiempien tutkimusten (mm. Antikainen ym., 2016) kanssa on saatavilla olevan datan epäjohdonmukaisuus, sekä käytetyn termistön tulkinnanvaraisuus. Tämä vaikeuttaa tarkkojen johtopäätösten tekemistä. Tarkastellun datan perusteella voidaan kuitenkin todeta lähes kaikkien cleantech-strategiaan asetettujen tavoitteiden olevan nykyisellä kehityksellä saavuttamattomissa. Tavoite uusien cleantech-yritysten määrän kasvattamisesta on kuitenkin jo saavutettu, vaikkakin tulos ei ole täyin kiistaton. Muiden tavoitteiden saavuttamiseksi tarvitaan enemmän poliittista ohjausta, etenkin aikaisen vaiheen cleantech-yritysten rahoitusmahdollisuuksien lisäämiseksi. Tutkielman johtopäätökset ovat yhteneviä aikaisempien julkaisujen kanssa, joissa huomautetaan Suomen heikoista aikaisen vaiheen rahoitusmahdollisuuksista (mm. Sworder, 2017). Tarkkojen kehityskohteiden ja parhaiden toimenpiteiden tunnistamiseksi tarvitaan kattavampaa tutkimusta, sekä tarkemman viitekehyksen laatimista tulosten mitattavuuden varmistamiseksi.
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.
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 | 0,003 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,004 | 0,004 |
| Méta-épidémiologie (sens large) | 0,004 | 0,001 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,004 | 0,003 |
| Intégrité de la recherche | 0,006 | 0,008 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,045 | 0,170 |
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 découle