Suomen cleantech-strategia ja cleantech-startupien riskipääomarahoitus
Bibliographic record
Abstract
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. Suomi 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. Tässä 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. Yhteneväinen 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.
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 | 0.002 | 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 | 0.002 |
| Scholarly communication | 0.010 | 0.004 |
| Open science | 0.001 | 0.004 |
| Research integrity | 0.002 | 0.003 |
| Insufficient payload (model declined to judge) | 0.059 | 0.014 |
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".