Venäjän tuontipuun korvaaminen Suomessa
Bibliographic record
Abstract
Venäjä on ollut Suomen metsäteollisuudelle merkittävin puutavaran tuontimaa. Maiden välinen historia puukaupankäynnin osalta yltää jo 1700- ja 1800-lukujen taitteeseen. Venäjän hyökkäys Ukrainaan helmikuussa 2022 tyrehdytti puuntuonnin Venäjältä kokonaan metsäyhtiöiden vetäytymispäätösten ja pakotteiden myötä. Venäjän osuus Suomeen tuodun puun määrästä on ollut noin kolme neljäsosaa viime vuosikymmenen aikana. Koivu on ollut ylivoimaisesti suurin tuontiartikkeli, sillä Suomessa koivua on saatavilla hyvin rajallisesti. Koivua käytetään metsäteollisuudessa sellun tuotantoon. \n \nOpinnäytetyössä käytiin läpi Suomen ja Venäjän välisen puukaupankäynnin \nhistorian merkittävimpiä vaiheita sekä kerrottiin Venäjältä tuotavista puumääristä ja puutavaralajeista. Opinnäytetyön tarkoituksena oli muodostaa kokonaiskuva nykyisestä tilanteesta, jossa puuta Venäjältä ei tuoda. \n \nOpinnäytetyön tavoitteena oli etsiä ratkaisuja venäläisen tuontipuun korvaamiselle. Ratkaisuja etsittiin ensisijaisesti kotimaan sisältä, sekä pohdittiin puuntuonnin mahdollisuutta muista lähialueen maista tai kauempaa. Opinnäytetyön tutkimusmenetelmänä käytettiin kirjallisuuskatsausta. Opinnäytetyössä käytettyinä lähteinä toimivat pääsääntöisesti internetistä löytyvät artikkelit sekä tilastot. Kirjallisuutta käytettiin lähteenä lähinnä historiaosuudessa. \n \nTyön tuloksena voitiin todeta, että puun riittävyydestä ei tällä hetkellä ole selvyyttä. Venäjän tuontipuuta ei ainakaan lyhyellä aikavälillä saada täysin korvattua. Venäjän puuntuonnin tyrehtyminen aiheuttaa haasteita niin metsäteollisuudelle kuin energiateollisuudelle, sillä molemmat teollisuusalat joutuvat kilpailemaan tällä hetkellä samasta puusta. Tilanne on aiheuttanut ongelmia myös metsäteollisuuden tuotepuolella, esimerkiksi pelletin ja joidenkin sahatavaroiden hinnat ovat nousseet ja saatavuus on heikentynyt.
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 | 0.000 | 0.001 |
| Meta-epidemiology (narrow) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.004 | 0.001 |
| Scholarly communication | 0.004 | 0.002 |
| Open science | 0.000 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.100 | 0.024 |
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".