Autoilun hiilidioksidipäästöt 2030
Bibliographic record
Abstract
Diplomityön tavoitteena on ennustaa yksityisen autoilun aiheuttamat hiilidioksidipäästöt Suomessa vuonna 2030. Aineistoa rajattiin ajoneuvoluokista henkilö- ja pakettiautoihin. Tutkimus tehtiin hyödyntämällä Suomen Tilastokeskuksen ja Traficomin julkisessa tietokannassa olevaa dataa. Historiaperusteisesta kehityksestä luotiin ajoneuvokantamalli. Ajoneuvokannasta laskettiin, pääseekö Suomi EU:n asettamaan päästötavoitteeseen. Suomen valtiota, väestöä ja lainsäädäntöä käytettiin hyödyksi ajoneuvokannan ennustamisessa. Ajoneuvokantaskenaariossa ilmeni kulutuskäyttäytymisen muuttuminen. Kulutuskäyttäytymisen muuttuminen näkyy ajoneuvokannan sähköistymisenä sekä ajoneuvovalmistajien strategioissa. Valtion tuet ja veroetuudet ovat edistäneet ajoneuvokannan muuttumista. Diplomityössä luotu skenaario osoittaa, että ajoneuvokanta sähköistyy nopeammin kuin VTT:n vuonna 2020 julkaisema Aliisa-ajoneuvokantamalli. Suomen yksityisen autoilun hiilidioksidipäästöt vuonna 2030 ovat 51 % vuoden 2005 tasosta. EU:n lainsäädäntö vaatii 39 % päästövähennyksen vuoden 2005 tasosta. Kyseiseen päästötavoitteeseen ei päästä ilman uusiutuvien polttoaineiden jakeluvelvoitelakia. Ilman jakeluvelvoitelakia päästäisiin vain 30 % päästöalenemaan vuoden 2005 tasosta. Skenaariossa tarkasteltiin neljä yleisintä käyttövoimaa: bensiini, diesel, lataushybridi ja sähkö. Diplomityössä pohdittiin myös vaihtoehtoisten kaasu- ja vetyautojen tulevaisuutta, joidenka osuus tulee olemaan vähäinen vuonna 2030. Lopuksi tarkasteltiin skenaarion edellytyksiä ja todettiin, että autokannan sähköistyminen vähentää valtion keräämää polttoaineveroa noin 10 % vuonna 2030. Autoverotuksen muuttaminen on suurin epävarmuustekijä skenaarion toteutumiselle.
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) | 0.000 | 0.000 |
| Meta-epidemiology (broad) | 0.000 | 0.000 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.000 |
| Scholarly communication | 0.003 | 0.001 |
| Open science | 0.000 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.175 | 0.076 |
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".