Tarjouskilpailu uusiutuvan energian tuotantotukijärjestelmässä
Bibliographic record
Abstract
Energiantuotannon päästöjä tulee vähentää merkittävästi nykyisestä ja olennaista on uusiutuviin energialähteisiin perustuvan energiantuotannon lisääminen. Tavoitteena on niiden markkinaehtoinen lisääminen, mutta toistaiseksi investoinnit eivät ole käynnistyneet laajamittaisesti ilman tukea. Kiinteisiin tukitasoihin perustuvat syöttötariffit yleistyivät vuosituhannen alussa merkittävästi. Tukitasojen asettaminen oikealle tasolle on kuitenkin erittäin hankalaa ja sitä on vaikeuttanut teknologian nopea kehittyminen. Uusiutuvan energian määrän lisääntyessä, myös tukimäärät kokonaisuudessaan ovat olennaisesti kasvaneet. Siten tukijärjestelmien kustannustehokkuus on entistäkin tärkeämpää. Viime aikoina lisääntyneet tarjouskilpailuun perustuvat tukijärjestelmät ovatkin olleet monella tapaa tehokas tapa ratkaisemaan aikaisempien tukiohjelmien ongelmia. Tarjouskilpailuun liittyy kuitenkin useita valintoja, joiden merkitys on suuri kustannustehokkuuden eli valtion menojen kannalta. Tutkielman tavoitteena on ollut luoda yleiskuva tarjouskilpailujärjestelmistä ja niihin liittyvistä valinnoista sekä pyrkiä arvioimaan merkittävimpien valintojen kustannusvaikutuksia. Merkittävimpiä valintoja ovat, perustuuko järjestelmä tavoitehintaan vai kiinteään preemioon, sekä maksetaanko tuki kunkin tarjouksen vai viimeisen voittavan tarjouksen mukaisesti. Lisäksi tutkielmassa on pyritty havainnollistamaan erilaisten tuotantomuotojen erilaista arvottamista, kattohintojen asettamista sekä tilannetta, jossa yhdellä toimijalla on useampi tarjous. Aikaisemmat tutkimukset aiheesta ovat painottuneet erilaisten järjestelmien vertailuun ja yleiseen huutokauppateoriaan. Lisäksi toteutuneita tarjouskilpailuja on arvioitu jälkikäteen lukuisissa selvityksissä. Yleinen näkemys kirjallisuudessa on, että onnistunutta tarjouskilpailua ei voida viedä sellaisenaan toiselle alueelle ja maa- tai aluekohtaiset erot vaikuttavat oleellisesti siihen, millainen tarjouskilpailujärjestelmä soveltuu parhaiten. Siten nimenomaan Suomen olosuhteisiin rakennettu simulaatiomalli helpottaa erilaisten valintojen arviointia. Simulaatiomallin perusteella tavoitehintaan perustuva järjestelmä tulee valtiolle halvemmaksi kuin kiinteän preemion järjestelmä. Vastaavasti kunkin tarjoajan omaan tarjoukseen perustuva järjestelmä tulee todennäköisesti halvemmaksi kuin viimeiseen voittavaan tarjoukseen perustuva järjestelmä. Mallilla ei voida mallintaa tarjoajien todellista tarjouskäyttäytymistä ja tarjoukset perustuvat totuudenmukaisiin eli kustannusperusteisiin tarjouksiin. Todellisuudessa edellä kuvatut tulokset eivät todennäköisesti ole yhtä selviä. Tulokset kuitenkin noudattavat aikaisemmissa tutkimuksissa tehtyjä arvioita. Kiinteän preemion järjestelmästä tekee kalliimman etenkin siihen kohdistuva suurempi riski, joka nostaa pääomakuluja. Tarjouksiin perustuva järjestelmä tulee aina halvemmaksi silloin, kun viimeisen voittavan tarjouksen tekijällä ei ole kannustimia nostaa omaa tarjoustaan. Kun kilpailua on riittävästi, tulevat voittavat tarjoukset todennäköisesti sijoittumaan selvästi viimeisen voittavan tarjouksen alapuolelle.
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 | 0.001 |
| Bibliometrics | 0.001 | 0.001 |
| Science and technology studies | 0.003 | 0.001 |
| Scholarly communication | 0.005 | 0.001 |
| Open science | 0.001 | 0.003 |
| Research integrity | 0.001 | 0.002 |
| Insufficient payload (model declined to judge) | 0.067 | 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".