”Eihän näiden liinojen tarvitse olla Venäjälläkään niin hyvässä kunnossa” : Selvitys raskaan liikenteen lastiturvallisuuden nykytilasta Nuijamaan tullitoimipaikalla
Bibliographic record
Abstract
Suomen ja Venäjän välinen raskas liikenne on vähentynyt viime vuosien aikana, mutta rajan ylittävällä liikenteellä on silti merkittävä vaikutus Suomen teillä tapahtuviin kuljetuksiin. Liikenneturvallisuuden kannalta on oleellista, miten kuljetusten kuormat on varmistettu. Rajan ylittävää raskasta liikennettä valvoo Tulli.\n\nOpinnäytetyön tavoitteena oli saada ajankohtaista tietoa Suomen ja Venäjän välisen raskaan liikenteen lastiturvallisuudesta erityisesti kuormanvarmistuksen näkökulmasta. Tutkimuksessa havainnoitiin, minkälaisia puutteita kuormanvarmistuksessa on ja kuinka usein niitä ilmenee. Selvitettiin myös, miten Tulli valvoo raskaan liikenteen kuormanvarmistusta Nuijamaan tullitoimipaikalla. Koska valvonta perustuu lainsäädäntöön, säädöstekstit valittiin keskeiseksi osaksi tutkimuksen teoreettista viitekehystä.\n\nTutkimuksen toteutustapana käytettiin havainnointia, jonka yhteydessä saatiin tietoa puutteiden esiintyvyydestä. Havainnointitapahtumat ajoittuivat raskaan liikenteen tehostettuun valvontaan Nuijamaan tullitoimipaikalla. Havainnointitapahtumien yhteydessä haastateltiin Tullin raskaan liikenteen asiantuntijaa ja raskaan liikenteen valvontaan koulutettuja tullitarkastajia.\n\nTutkimuksessa saatiin selville, että 59 %:ssa Suomen ja Venäjän välisen raskaan liikenteen kuljetuksista kuorma oli varmistettu säädösten mukaisesti ja lopuissa havaittiin puutteita. Puutteet liittyivät usein kuormansidontavöiden riittävään määrään, laatuun tai käyttötapaan. Kuormaa ei myöskään aina ollut tuettu riittävästi. Haastatteluissa selvisi, että lastiturvallisuus on parantunut viime vuosien aikana, mikä osittain voi johtua Nuijamaan tullitoimipaikalla vallitsevasta ohjaamisen, neuvomisen ja opastamisen kulttuurista. Niukat resurssit aiheuttavat kuitenkin jatkuvia haasteita valvonnan tehokkuudelle.
Fetched live from OpenAlex and de-inverted. Abstracts are not stored in this database: the inverted indexes are 8.6 GB of the frame’s 9.3 GB of text, and the host has 13 GB free.
How this classification was reachedexpand
Full frame machine prediction
Teacher imitationNot calibrated prevalence, not ground truth. Human validation pending. The Gemma side is a direct model label for every work in the frame, read from the title-only record. The Codex side is a classifier learned from the 10,348 direct Codex labels and calibrated to design-weighted sample rates; fields without enough sample support carry no Codex call. Candidate is the union of the two sides; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels.
Distilled classifier scores by category (both heads)
| Category | Codex | Gemma |
|---|---|---|
| Metaresearch | 0.001 | 0.002 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.005 | 0.004 |
| Scholarly communication | 0.008 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.004 |
| Insufficient payload (model declined to judge) | 0.043 | 0.013 |
Machine scores (provisional)
The two teacher heads of the student model, read on this work. A score orders the frame for review; it never asserts a category, and the validation status ships verbatim with every row.
Baseline scores from an immature model (maturity gate not passed, 7 training rounds). Scores rank; they never assert a category.
score_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from itClassification
machine, unvalidatedMachine predicted; a candidate call from one source (direct Gemma or distilled Codex), not a consensus.
How this classification was reached, model by model and score by score, is at the end of the page under "How this classification was reached".