MétaCan
Menu
Back to cohort
Record W7133010176

Päästölaskenta ja hiilineutraalius rakennusliikkeessä

2023· dissertation· fi· W7133010176 on OpenAlexaboutno aff
Fanni Hyväri

Bibliographic record

VenueTrepo - Institutional Repository of Tampere University · 2023
Typedissertation
Languagefi
FieldEnvironmental Science
TopicPeatlands and Wetlands Ecology
Canadian institutionsnot available
Fundersnot available
KeywordsQuarter (Canadian coin)Key (lock)
DOInot available

Abstract

fetched live from OpenAlex

Ilmastovastuullisuus on kasvava teema rakennusalan liiketoiminnassa, ja yhä useampi rakennusliike laskee toimintansa kasvihuonekaasupäästöjä ja pyrkii vähentämään niitä. Pidemmällä aikavälillä osa yrityksistä tavoittelee hiilineutraaliutta toiminnassaan. Samaan aikaan alan yritystason päästölaskennan käytännöt ovat vasta kehittymässä, ja harvalla rakennusliikkeellä on kyvykkyyttä laskea laajemmin toimintansa koko arvoketjun aiheuttamia päästöjä. Muutama hiilineutraaliutta tavoittelevista rakennusliikkeistä on jo laatinut hiilitiekarttoja tavoitteensa saavuttamiseksi, mutta suurimmalle osalle asia on vielä uusi. Tämän työn tavoitteina oli tutkia yritystason päästölaskennan prosessia rakennusliikkeen näkökulmasta, ja laajemmin luoda ymmärrystä hiilineutraaliudesta sekä siitä, millä toimilla rakennusliike voi lähteä tavoittelemaan hiilineutraaliutta toiminnassaan. Aihepiiriä taustoitettiin kirjallisuusselvityksessä tarkastelemalla ilmastonmuutosta ja ilmastotavoitteita rakennusalalla yleisellä tasolla, sekä tarkemmin hiilineutraaliutta ja päästölaskentaa rakennusalalla ja erityisesti rakennusliikkeiden näkökulmasta. Kirjallisuuden ohella aihetta tutkittiin alan asiantuntijoita haastattelemalla, sekä tekemällä vertailuanalyysiä suurimpien rakennusliikkeiden yritystason päästölaskennasta ja päästövähennystoimista. Työssä kuvataan yrityksen hiilineutraaliuden tavoittelun prosessi yleisellä tasolla, sekä käsitellään prosessin jokaista vaihetta myös tarkemmalla tasolla. Yritystasolla hiilineutraaliuden tavoittelulle ei ole selkeää, vakiintunutta määritelmää, mutta kirjallisuuden perusteella työssä päädyttiin tarkastelemaan seuraavanlaista prosessia: yritys laskee mahdollisimman laajasti koko arvoketjunsa päästöt, vähentää niitä 1,5 asteen vähennyspolun mukaisesti ja kompensoi jäljelle jäävät, ydinliiketoiminnan kannalta välttämättömät päästöt pitkäaikaisilla hiilensidontaan perustuvilla poistoilla. Päästöjen laskeminen koko arvoketjun laajuudessa tarkoittaa rakennusliikkeiden kohdalla sitä, että laskennassa huomioidaan rakennettavien rakennusten elinkaaren päästöt rakennusmateriaaleista käytönaikaiseen energiankulutukseen ja lopulta rakennusten purkumateriaalien käsittelyyn. Rakennuksen elinkaaren päästölaskenta, jolle on olemassa muun muassa Ympäristöministeriön luoma laskentamenetelmä, eroaa kuitenkin prosessina yritystason päästölaskennasta, jota useimmiten tehdään GHG-protokollan ohjeen mukaisesti, eikä GHG-protokollan mukaiselle rakennusliikkeiden päästölaskennalle ole olemassa vakiintunutta, selkeää prosessia tai laajuutta. Tämäkään työ ei sellaista tarjoa, vaan käsittelee aihetta eri näkökulmista, esitellen eri lähteiden näkemyksiä asiaan. Päästöjen vähentämisen osalta työn tuloksena muodostettiin rakennuksen elinkaaren päästöjä vähentäviä toimenpide-ehdotuksia, joita rakennusliikkeillä on usein mahdollisuus hankkeissaan toteuttaa, ja lisäksi koottiin yhteen rakentamisvaiheen päästöjä vähentäviä toimenpiteitä, sillä rakennusliikkeet voivat toiminnassaan suorimmin vaikuttaa omien työmaidensa päästöihin, vaikka ne eivät kovin suurta osaa rakennuksen elinkaaripäästöistä muodostakaan. Työn tuloksia on mahdollista hyödyntää rakennusliikkeiden yritystason päästölaskennan kehittämisessä ja hiilitiekartan laadinnassa. Työ tarjoaa lisäksi vertailuanalyysin tuloksena ajantasaista tietoa Suomessa toimivien suurten rakennusliikkeiden yritystason päästölaskennasta ja päästövähennystoimista, ja rakennusliikkeet voivat peilata omaa toimintaansa vertailun tuloksiin.

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 distilled prediction

Teacher imitation

Not calibrated prevalence, not ground truth. Human validation pending. Learned from the 10,348 direct Codex labels and 10,348 direct Gemma labels. Candidate is the union of thresholded teacher heads; consensus is their intersection. These outputs are machine_predicted_unvalidated and are not human labels or direct frontier model labels.

metaresearch head score (Codex)0.000
metaresearch head score (Gemma)0.000
Version: codex-gemma-dda1882f352aValidation status: machine_predicted_unvalidated
Candidate categoriesMeta-epidemiology (narrow), Science and technology studies, Insufficient payload (model declined to judge)
Consensus categoriesnone
DomainCandidate signal: none · Consensus signal: none
Study designCandidate signal: Observational · Consensus signal: Observational
GenreCandidate signal: Empirical · Consensus signal: Empirical
Teacher disagreement score0.140
Threshold uncertainty score1.000

Codex and Gemma teacher scores by category

CategoryCodexGemma
Metaresearch0.0000.000
Meta-epidemiology (narrow)0.0010.001
Meta-epidemiology (broad)0.0010.001
Bibliometrics0.0000.001
Science and technology studies0.0020.001
Scholarly communication0.0000.000
Open science0.0010.000
Research integrity0.0010.001
Insufficient payload (model declined to judge)0.0010.001

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.

Opus teacher head0.011
GPT teacher head0.214
Teacher spread0.203 · how far apart the two teachers sit on this one work
Validation statusscore_only:v0-immature-baseline · verbatim from the scoring run: score_only means the number may rank works, and no category label ships from it

Classification

machine, unvalidated

Machine predicted; a candidate call from one teacher head, not a consensus.

Study designObservational
Domainnot available
GenreEmpirical

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".

Quick stats

Citations0
Published2023
Admission routes1
Has abstractyes

Explore more

Same venueTrepo - Institutional Repository of Tampere UniversitySame topicPeatlands and Wetlands EcologyFrench-language works237,207