Täyssähköautojen läpimurto Suomen automarkkinoilla
Bibliographic record
Abstract
Tämän insinöörityön tutkimuskohteena oli täyssähköautojen tilanne Suomessa sekä niiden huoltotapahtumat. Työ tehtiin Arval Oy:lle, joka tarjoaa Suomessa yksityis- ja yritysleasingratkaisuja. Arval Oy perustettiin vuonna 1989 ranskalaisen pankki- ja sijoitusyhtiö BNP Paribasin toimesta tarjoamaan leasing-autopalveluja yrityksille. Loppuvuodesta 2020 Arval Oy aloitti yksityisleasingin Suomessa. Arval Oy:llä on yli 7000 työntekijää maailmanlaajuisesti ja leasingpalveluita tarjotaan yli 29 maassa. Suomessa Arval Oy aloitti toimintansa vuonna 2012. \n \nEU-lainsäädäntö on tiukentunut huomattavasti vuonna 2020 ilmastonmuutoksen hillitsemiseksi, ja autonvalmistajia painostetaan saavuttamaan lainsäädännön asettamat päästötavoitteet rangaistusmaksujen uhalla. Tämä on lisännyt etenkin autojen valmistajien painetta kasvattaa sähköautojen tarjontaa, mikä tukee myös Arval Oy:n tavoitteita kasvattaa sähköautojen osuutta autokannassa maailmanlaajuisesti 500 000 sähköautoon. \nTavoitteet suuresta sähköautokannasta vaativat etenkin Suomen markkinoilla paljon tietoa niiden tämänhetkisestä tilanteesta ja mahdollisista esteistä sähköautojen yleistymiseksi. Tämän takia tässä insinöörityössä pureudutaan myös sähköautojen haasteisiin Suomen markkinoilla sekä siihen, mitä asioita tulee tehdä sähköautojen yleistymiseksi. Insinöörityössä käsitellään myös hieman sähköautojen ympäristövaikutuksia, jotka ovat olleet mediassa viime vuodet vahvasti esillä. \n \nOsana tätä insinöörityötä tehtiin kyselytutkimus korjaamoille, jolla pyrittiin selvittämään sähköautojen huoltojen sisältöä sekä takuunalaisia korjauksia. Sähköautojen huoltoihin liittyvät tulokset jäivät kuitenkin osin vajavaisiksi huonosta vastausvasteesta johtuen. Insinöörityöhön kerättiin sellaista yleistietoa sähköautojen huolloista, mitä oli saatavilla.
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 | 0.004 | 0.001 |
| Scholarly communication | 0.010 | 0.005 |
| Open science | 0.001 | 0.005 |
| Research integrity | 0.002 | 0.002 |
| Insufficient payload (model declined to judge) | 0.267 | 0.100 |
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".