Sähköisen henkilöautoliikenteen sekä siihen liittyvän latausinfrastruktuurin läpimurto Suomessa
Bibliographic record
Abstract
Polttoaineiden kallistuessa sähköautojen määrä Suomen liikenteessä kasvoi huimasti vuosien 2022 ja 2023 aikana. Sähköautojen lisääntyminen liikenteessä sai useat yritykset investoimaan latausinfrastruktuuriin, mikä vei Suomen latausasemien määrän Euroopan keskikastista lähemmäs edelläkävijämaa Norjan tasoa. Opinnäyteyössä keskityttiin erityisesti latausverkkojen hinnoittelumalleihin sekä tapoihin veloittaa autoilijoilta käytetty liikennesähkö. Tavoitteena oli kartoittaa latausverkoston nykyinen tilanne ja tuoda ilmi eri toimijoiden tuoma panos sen kehittämiseen. \n \nTyössä käytettiin tiedonlähteenä liikenne- ja viestintävirasto Traficomin, lataus-verkkoyhtiöiden sekä sähköautoilun ympärille rakentuneiden yhteisöjen ja yhdistyksien keräämiä tietoja. Suurimmista latausverkkotoimijoista kerättiin maantieteellinen kattavuus, kirjoitushetken hinnoittelu sekä latausasemilla käyvät maksutavat. \n \nOpinnäytetyöstä ilmenee, että jokaisella latauspalveluntarjoajalla on tärkeä merkitys Suomen latausinfrastruktuurin maantieteellisen peiton sekä luotettavuuden kasvattamisessa. Useat toimijat tuovat mukanaan myös haasteita, sillä eri maksusovellukset ja toimintatavat latureilla tuovat uusille sähköautoilijoille paljon opeteltavaa. Sähköautojen yleistyessä lainsäädäntöä muutetaan niin paikallisesti kuin myös EU-tasolla, mikä tuo latausverkkoja rakentaville yrityksille uusia vaatimuksia, mutta samalla autoilijoita helpottavia uudistuksia, kuten esimerkiksi korttimaksamisen.
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 | 0.001 |
| Meta-epidemiology (narrow) | 0.001 | 0.000 |
| Meta-epidemiology (broad) | 0.001 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.001 | 0.001 |
| Scholarly communication | 0.005 | 0.002 |
| Open science | 0.001 | 0.002 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.053 | 0.015 |
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".