Koneellisen hakkuutyön tuottavuus sekä iän ja kokemuksen vaikutus tuottavuuteen

(1)

JOENSUU 2016

Faculty of Science and Forestry

KONEELLISEN HAKKUUTYÖN TUOTTAVUUS SEKÄ IÄN JA KOKE- MUKSEN VAIKUTUS TUOTTAVUUTEEN

Janne Taskinen

METSÄTIETEEN PRO GRADU, ERIKOISTUMISALA METSÄ-, ENERGIA-, JA PUUTEKNOLOGIA

(2)

Janne Taskinen. 2016. Koneellisen hakkuutyön tuottavuus sekä iän ja kokemuksen vaikutus tuottavuuteen. Itä-Suomen yliopisto, luonnontieteiden- ja metsätieteiden tiedekunta, metsätieteiden tiedekunta, metsätieteiden osasto. Metsätieteen pro gradu, erikoistumisala metsä-, energia- ja puuteknologia, 51 s.

TIIVISTELMÄ

Tämän tutkimuksen tavoitteena oli tutkia ja mallintaa koneellisen puunkorjuun tuottavuus pääte- ja harvennushakkuussa. Tuottavuusaineiston avulla jokaiselle kuljettajalle luotiin painotuskerroin pääte- ja harvennushakkuuseen. Näitä painotuskertoimia käytettiin tuottavuusaineiston skaalaamiseen, jonka jälkeen painotettuun aineistoon luotiin uudestaan tuottavuusmallit pääte- ja harvennushakkuuseen.

Tavoitteena oli näin saada tuottavuusmalleja tarkemmiksi. Tavoitteena oli myös tutkia kuljettajien iän ja kokemuksen vaikutusta koneellisen puunkorjuun tuottavuuteen. Tutkimuksen pitkän tutkimusajan takia tuottavuusaineistossa otettiin huomioon kuljettajien iän ja kokemuksen lisääntyminen ajan suhteen. Iän ja kokemuksen vaikutusta tuottavuuteen tutkittiin kuvaajien, mallien ja regressioanalyysin avulla. Jokaiselle kuljettajalle luotiin kokemuskäyrät (oppimiskäyrät), jotka kuvaavat kuljettajan tuottavuuden käyttäytymistä kokemusajan suhteen.

Tämän tutkimuksen aineisto saatiin Metsäkonepalvelu Oy:n kuljettajilta ja harvestereilta. Tutkimuksen leimikot on korjattu pääasiassa Kanta-Hämeen ja Pirkanmaan maakunnissa. Sattumanvaraisesti vali- koituja yksinpuinhakkuita tuli tutkimukseen yhteensä päätehakkuulta 582 kappaletta ja harvennuksilta 802 kappaletta. Puiden keskitilavuus oli päätehakkuulla 501 litraa ja harvennuksilla 144 litraa. Tutki- musaineistoa oli yhteensä 38 eri harvesterilta ja 28 kuljettajalta. Kuljettajien keski-ikä oli 35,2 vuotta ja kokemusvuosia oli keskimäärin 13,7 vuotta.

Tämän tutkimuksen tuottavuustulokset antavat luotettavaa tietoa vallitsevasta kuljettajien ja harvestereiden tuottavuustasosta, sekä tason muutoksista. Tuottavuusaineistossa oli kuitenkin suurta hajontaa, joka ei ole epätavallista harvestereiden tuottavuustutkimuksissa. Tässä tutkimuksessa pääte- ja har- vennushakkuulla keskimääräisten puiden kokojen kohdalla erot huonoimpien ja parhaimpien tuottavuusarvojen väliset erot olivat vähän yli 100 %. Painottamisen jälkeen luodut tuottavuusmallit tulivat tarkemmiksi kuin alkuperäiset tuottavuusmallit, koska selitysasteet ja RMSE -analyysin arvot parantuivat. Tuottavuusmallien avulla pystytään tarkasti ennustamaan harvestereiden keskimääräistä tuottavuutta rungon tilavuuden suhteen. Tämän tutkimuksen kuljettajat saavuttivat keskimääräisen tuottavuustason noin 3,5 vuodessa, mutta kuljettajakohtaiset erot ovat huomattavia. Regressioanalyysin perusteella pääte- ja harvennushakkuussa kuljettajan tuottavuudesta yli 20 % selittivät kuljettajan kokemusvuodet, ikä ja niiden suhde toisiinsa. Kuljettajan vaikutus harvesterin tuottavuuteen on niin merkit- tävä, että se pitäisi tulevaisuudessa ottaa huomioon kaikissa harvestereiden tuottavuusmalleissa.

Avainsanat: hakkuutyö, harvesteri, tuottavuus, oppimiskäyrä, iän ja kokemuksen vaikutus

(3)

Janne Taskinen. 2016. Mechanized cutting work productivity and the influence of ageing and experience to productivity. University of Easter Finland, Faculty of Science and Forestry, School of Forest Sciences. Master’s thesis in Forest Science specialization Forest, energy and wood technology, 51 p.

ABSTRACT

The aim of this study was to explore and model the productivity of mechanized harvesting in final felling and thinning. Each driver was created a weighting factor for final felling and thinning by using the productivity data. These weighting factors were used to scale the productivity data. After weighting the productivity data, new productivity models were modeled to final felling and thinning.

This was done because the goal was to get the productivity models more accurate. The aim of this study was also to examine the influence of drivers ageing and experience to mechanized harvesting productivity. Due to long-term study time increasing of age and experience were taken into account.

Drivers’ age and experience effects to productivity were study by graphs, models and regression analysis. Each driver was created learning curve that descried the behavior of the driver productivity over experience time.

The productivity data for this study were collected by Metsäkonepalvelu Ltd.’s harvesters and drivers.

Stands of the study were been harvested mainly in Kanta-Häme and Pirkanmaa provinces. Randomly selected normal single-tree harvesting stands entered to the study in total 582 pieces of final felling and thinning 802 pcs. The average tree volume in the final felling was 501 liters and 144 liters in thinning. The data was collected a total of 38 different harvesters and from 28 drivers. Drivers’ average age was 35.2 years and average experience was 13.7 years.

This study results provides reliable information of the drivers’ and harvesters’ productivity and the changes in productivity. The productivity data was highly dispersion, which is not unusual for harvesters’ productivity studies. In the average tree sizes the differences between the worst and best productivity values differs in both logging methods slightly more than 100%. After weighting productivity models were more accurate than the original productivity models, because the coefficient of determi- nation and RMSE values were improved. With productivity models of this study it is possible to predict the average productivity of harvesters as for tree volume. In this study the drivers achieved an average productivity level in about 3.5 years, but the driver-specific differences are significant. Based on the regression analysis driver’s experience, age and the relation between them explained more than 20% driver’s productivity. The driver’s effect on harvester’s productivity is so significant that in fu- ture it should be taken into account in all models, which predict the productivity of harvesters.

Keywords: logging work, harvester, productivity, learning curve, influence of ageing and experience

(4)

ALKUSANAT

Tämä tutkimus on toteutettu yhteistyössä Metsäkonepalvelu Oy:n kanssa, joten haluan kiittää Metsäkonepalvelu Oy:tä sekä erityisesti toimitusjohtaja Timo Tolppaa tämän tutkimuksen mahdollistamisesta. Kiitos Itä-Suomen yliopiston Jukka Maliselle tutkimuksen ohjauksesta.

Kiitos myös kotiväelle ”tsemppauksesta”.

Janne Taskinen

Hämeenlinnassa 16.5.2016

(5)

Sisällysluettelo

1 JOHDANTO ... 6

1.1 Tutkimuksen taustaa ... 6

1.1.1 Koneellisen hakkuutyön tuottavuus ja sen mittaaminen ... 6

1.1.2 Tuottavuuteen vaikuttavat tekijät ... 7

1.1.3 Kuljettajan vaikutus tuottavuuteen ... 10

1.1.4 Harvesterikuljettajan kehittyminen... 12

1.2 Tutkimuksen tavoitteet ... 15

2 AINEISTO JA MENETELMÄT ... 16

2.1 Tutkimusaineisto ... 16

2.2 Tutkimusmenetelmät ... 20

2.2.1 Tuottavuusmallit ... 20

2.2.2 Kuljettajan suhteellinen tuottavuus ja painotuskerroin ... 21

2.2.3 RMSE -analyysi ja harha ... 22

2.2.4 Kuljettajan iän ja kokemuksen vaikutus tuottavuuden ... 23

3 TULOKSET ... 24

3.1 Toteutunut tuottavuus ... 24

3.2 Kuljettajien ja tuottavuusaineiston painotus ... 26

3.3 Kuljettajien iän ja kokemuksen vaikutus tuottavuuteen ... 29

3.4 Kuljettajien oppimiskäyrät ... 35

4 TULOSTEN TARKASTELU JA JOHTOPÄÄTÖKSET ... 38

4.1 Tulosten tarkastelu ... 38

4.1.1 Tuottavuus ... 39

4.1.2 Kuljettajan iän ja kokemuksen vaikutus tuottavuuteen ... 42

4.2 Johtopäätökset ... 43

KIRJALLISUUS ... 46

(6)

1 JOHDANTO

1.1 Tutkimuksen taustaa

1.1.1 Koneellisen hakkuutyön tuottavuus ja sen mittaaminen

Tuottavuuden käsite on yleisesti ymmärretty tuotoksen suhteena panoksiin (Mäenniemi 2008). Koneellisessa hakkuutyössä tuottavuus syntyy kuljettajan ja harvesterin luoman yksi- kön käyttämistä panoksista (esimerkiksi käytetty työaika) ja tuotoksesta (esimerkiksi kiintokuutio tai runkojen määrä).

Harvestereiden tuottavuus ilmoitetaan yleensä hakattua kiintokuutiota käyttöajassa (m³/E15) tai tehoajassa (m³/E0). Tehoaika on ainoastaan työhön käytetty aika eli se ei sisällä keskeytyk- siä. Käyttöaikaan sisällytetään mukaan alle 15 minuutin keskeytykset. Käyttöaika kuvaa normaalia työympäristöä paremmin, koska hakkuutyössä tulee aina lyhyitä tai pidempiä keskey- tyksiä (Uusitalo 2003). Muita tapoja ilmoittaa harvesterin tuottavuus on esimerkiksi prosessoitujen runkojen kappalemäärä teho- tai käyttöajassa.

Harvesterin tuottavuuteen vaikuttavia tekijöitä on useita, joista osa voi olla vaikeasti mitattavissa. Tuottavuustutkimuksissa (mm. Kuitto ym. 1994, Sirén 1998, Ryynänen & Rönkkö 2001, Kärhä ym. 2004, Ovaskainen ym. 2004, Eriksson & Lindroos 2014) on todettu, että puun tilavuus selittää parhaiten harvesterin tuottavuutta. Kun puun tilavuus kasvaa, niin samalla kasvaa harvesterin tuottavuus. Nykyaikaiset harvesterit pystyvät prosessoimaan isompia puita paremmin kuin ennen, mikä on johtanut nykyistä parempaan tuottavuuteen isoilla puilla (Ovaskainen ym. 2004, Nurminen ym. 2006). Kun puun tilavuus kasvaa riittävän suureksi harvesterin tuottavuus alkaa kuitenkin vähentyä (Ryynänen & Rönkkö 2001, Kärhä ym.

2004). Puun tilavuuden lisäksi merkittävä vaikuttaja harvesterin tuottavuuteen on kuljettajan vaikutus (Sirén 1998, Glöde 1999, Nurminen ym. 2006, Jalkanen 2010, Purfürst & Erler 2011), mutta myös muilla puuston ja maaperän ominaisuuksilla on vaikutusta koneellisen hakkuutyön tuottavuuteen (Ovaskainen ym. 2004, Väätäinen ym. 2005).

Metsäkoneiden tuottavuuksia ja ajankäyttöä on tutkittu perinteisesti käsin kerätyn materiaalin avulla. Näihin 1970–80 lukujen aika- ja tuottavuustutkimuksiin käytettiin vain sekuntikelloa ja muistikirjaa (Nuutinen 2013). Myöhemmin 1980-luvun puolivälissä tutkijoiden avuksi tulivat kellotuskoneet (esimerkiksi Rufco maastotallennin) ja 1990-luvulla videointi (Nuutinen 2013). Tämänkaltaisen manuaalisen tiedon kerääminen aika- tai seurantatutkimuksiin on

(7)

yleensä työlästä ja kallista, joten aineiston laajuus jää yleensä pieneksi (Manner 2015). Aika- tutkimuksessa määritetään eri työvaiheiden ajankäyttö ja tuottavuustutkimuksissa lisäksi tuo- tettu työmäärä halutussa aikayksikössä (Kariniemi 2006). Menetelmätutkimuksen tarkoituksena on selvittää ja määrittää käytettyjä työmenetelmiä, sekä arvioida voiko niitä parantaa (Kariniemi 2006). Seurantatutkimuksessa aika-, tuottavuus- tai menetelmätutkimusta jatke- taan pidempään, jolloin saadaan selville, mitkä ovat pitkän aikavälin tulokset. Eri tutkimus- muotoja pystytään myös käyttämään samassa tutkimuksessa. Automaattinen tiedon keräämi- nen harvestereista tuli mahdolliseksi 2000-luvulla harvesterin CAN-väylistä ja samalla manuaalisen tiedon kerääminen on vähentynyt (Nuutinen 2013). Automaattinen tiedon tallentami- nen tapahtuu tallentimen avulla (esimerkiksi PlusCan -tallennin), joka lukee ja tallentaa harvesterin CAN-väylissä kulkevaa tietoa (Väätäinen ym. 2005). Tietojen tallentumista voidaan itse säätää tutkimukseen soveltuvaksi, esimerkiksi mitä tallennetaan moottorin suoritustasois- ta, kuormaimen liikeradoista, käsiteltävien puiden mittaustiedoista tai harvesterin toimintojen ja liikkeiden ajoista (Väätäinen ym. 2005).

Parempien mittaus- ja ohjausjärjestelmien sekä automaattisen tiedonkeräyksen avulla pysty- tään siis keräämään aikaisempaa enemmän informaatiota kuljettajien liikkeistä ja tekniikoista.

Myös konevalmistajat ovat alkaneet keräämään kuljettajien ja koneiden tuottavuuksia ja toi- mintoja uusilla tietojenkeräysjärjestelmillä. Esimerkiksi John Deerellä on käytössä Timber- Link -seurantajärjestelmä (John Deere 2016 b) ja Komatsulla MaxiFleet - metsäkonejärjestelmä (Komatsu Forest 2013). Näiden järjestelmien avulla myös korjuuyrittäjä voi saada tärkeää informaatiota koneen toiminnoista sekä säädöistä, ja samalla konevalmistajat käyttävät informaatiota hyväkseen koneen kehityksessä.

1.1.2 Tuottavuuteen vaikuttavat tekijät

Harvesterin ja kuljettajan tuottavuus on riippuvainen monista tuottavuustekijöistä (kuva 1).

Puuston ja kuljettajan ominaisuudet vaikuttavat tuottavuuteen paljon, mutta myös muut met- säolosuhteet sekä harvesterin ominaisuudet vaikuttavat tuottavuuden rakentumiseen.

(8)

Kuva 1. Harvesterin tuottavuustekijät (Mallina käytetty Sirénin (2001) kuvaajaa)

Puuhankintaorganisaatio ja korjuuyrittäjä voivat vaikuttaa tuottavuuteen positiivisesti tai negatiivisesti, esimerkiksi korjuuohjeiden ja -karttojen on oltava ajan tasalla. Ajan tasaiset kartat varmistavat, että kuljettajalle ei tule leimikolla vastaan yllätyksiä, jotka voisivat hidastaa tai jopa pysäyttää korjuun. Lisäksi puuhankintaorganisaation pitää pystyä järjestämään korjuu- yrittäjälle korjuusopimuksen verran korjattavaa puuta. Jos näin ei tapahdu, vaikutus näkyy välittömästi korjuuyrityksen ja kuljettajan tuloissa. Tämä voi lopulta vaikuttaa myös työilma- piiriin negatiivisesti. Työilmapiirillä on havaittu myös olevan vaikutusta työntekijöiden viih- tymiseen ja sairauspoissaoloihin (Virolainen 2012). Korjattavien puutavaralajien määrä on myös lisääntynyt ja erityisesti erilaiset katkontapituudet sekä laatuvaatimukset voivat aiheut- taa eroja puutavaralajisaannoissa (Piira ym. 2007).

Eniten harvestereiden ominaisuuksista tuottavuuteen vaikuttavat harvestereiden koko, tehok- kuus sekä hakkuupää. Erikssonin & Lindroosin (2014) seurantatutkimuksessa harvestereiden koon ja tehokkuuden havaittiin vaikuttavan niiden tuottavuuteen. Näin on varsinkin avohakkuulla, jossa tehokkuudeltaan ja kooltaan pienenpien harvestereiden tuottavuuserot tulevat voimakkaimmin esille verrattuna suurempiin harvestereihin. Jos pienet harvesterit joutuvat prosessoimaan suuria puita, tuloksena voi olla huono korjuulaatu tai jopa koneen vahingoit- tuminen. Suuremmat ja tehokkaammat avohakkuuharvesterit pystyvät prosessoimaan puut

Puunhangintaorganisaatio ja korjuuyrittäjä Harvesterin ominaisuudet

-asenteet -akseleiden määrä -näkyvyys

-ihmis-suhteet -automaatio -hytti

-työilmapiiri -ergonomia -renkaat

-korjuuohjeet -harvesteripää -kuormain

-leimikkosuunnittelu -leveys ja pituus -valot

-laadunvalvonta -paino -voimansiirto

-apteeraustaulukot

↘ ↙

↗ ↖

Työolosuhteet Kuljettaja

-puuston laatu -vuodenajat -asenne -motoorinen koordinaatio

-oksaisuus -jää ja lumi -motivaatio -kokemus

-järeys -kuoren irrallisuus -elämän tilanne -koulutus

-alikasvos -sää -psyyke -työtekniikka ja taidot

-jäävä puusto -valoisuus -terveys -palkkauskäytännöt

-maaperä

-kantavuus -kivisyys -kaltevuus

HARVESTERIN TUOTTAVUUS

(9)

nopeammin sekä laadukkaammin kuin pienet harvesterit. Harvennushakkuilla taas pienempi ja kevyempi kone on parempi, koska korjuu saadaan suoritettua kapeammilla ajourilla ja pai- naumat jäävät vähäisimmiksi. Harvesterin hyvä työergonomia auttaa kuljettajaa keskittymään ja jaksamaan pitkät työvuorot vaihtuvissa korjuuolosuhteissa (Burman & Löfgren 2007, Asi- kainen ym. 2009). Eri konevalmistajilla on erilaisia ratkaisuja ergonomian parantamiseen, mistä esimerkkinä kuormaimen sijoittaminen hyttiin nähden ja hytin automaattinen kaltevuu- den korjaus.

Harvestereiden kehitys voi tulevaisuudessa tarjota kuljettajalle työtä tukevaa reaaliaikaista informaatiota, esimerkiksi kuvaa puurungon kuljettajalle näkymättömistä osista (Asikainen ym. 2009). Harvesterit on mahdollista varustaa kameroilla, lasereilla sekä mikroaaltoihin tai ultraääniin perustuvilla antureilla. Näillä laitteilla voitaisiin havainnoida, mitata ja suorittaa pölkkyjen optimaalinen katkonta (Kolström ym. 2005). Tulevaisuudessa kone voi kertoa ja opastaa kuljettajaa reaaliaikaisesti koneen tilasta ja suoritustasosta, sekä opastamaan jopa puuvalinnoissa (Asikainen ym. 2009). Puomin täysautomatisoitua ohjaamista on myös kokeil- tu, mutta sitä ei pidetä vielä realistisena. Simulaattoritesteissä puoliautomatisoidun puomin käyttö vähensi 60 % ohjaussauvojen käyttöjä sekä lyhensi kokonaistyöaikaa melkein 30 % (Burman & Löfgren 2007). Tulevaisuudessa kuljettajan ja koneen vuorovaikutuksen paranta- minen on mahdollisesti keino parantaa harvesterin tuottavuutta ja kuljettajan työoloja (Bur- man & Löfgren 2007)

Työolosuhteet eivät ole stabiilit metsässä, joten metsäolosuhteiden vaikuttaminen tuottavuuteen on normaalia. Esimerkiksi vaihtuvat valoisuus- ja näkyvyysolosuhteet voivat huonontaa kuljettajan tuottavuutta ja korjuulaatua, mutta kokenut ja taitava kuljettaja pystyy toimimaan hyvin muuttuvissa olosuhteissa (Ranta 2004). Erikssonin ja Lindroosin (2014) havaitsivat, että ympäristötekijöillä, kuten lumen ja päivänvalon määrällä, on vaikutusta tuottavuuteen.

Liiallinen lumen määrä hidastaa harvesterin liikkumista ja näkyvyyttä, varsinkin tiheillä kuu- sikkoharvennuksilla. Leimikon on oltava myös raivattu riittävän hyvin, että aluskasvillisuus ei haittaa korjuun tekemistä. Korjuun ajankohta voi myös vaikuttaa monella tavalla. Puun ominaisuudet muuttuvat vuodenaikojen mukaan; esimerkiksi kuoren irrallisuus muuttuu puun lepo- ja kasvukaudella. Valoisuussuhteet eri aikaan päivästä ja vuodenajasta riippuen voivat vaikuttaa kuljettajaan. Päivänvalossa kuljettaja näkee paremmin ja pystyy suunnittelemaan seuraavien puiden kaatoja nopeammin kuin hämärässä tai pimeässä. Kesä- ja kevätajat ovat kuljettajille parempia näkyvyyden suhteen, mutta esimerkiksi Sirén (2001) havaitsi tutkimuk- sessaan, että kesäaikaan harvennuksilla puuvaurioiden syntyminen on 1,5 kertaa todennäköi-

(10)

sempää kuin muuhun vuodenaikaan. Vaurioiden syntymiseen voi vaikuttaa esimerkiksi kuoren irtonaisuus varsinkin keväällä. Kuitto ym. (1994) eivät havainneet harvennushakkuussa puulajien välisiä tuottavuuseroja, mutta päätehakkuussa lehtipuilla oli heikompi tuottavuus verrattuna havupuihin. Varsinkin avohakkuulla runkojen kappalemäärä tiheydellä on todistet- tu olevan vaikutus tuottavuuteen (Kuitto 1994, Sirén 1998). Puiden laadulla on siis merkitystä kuljettajan tuottavuuteen. Jos puusto ei ole tasalaatuista, kuljettajalla voi kestää pidempään miettiä, minkä rungon hän prosessoi seuraavaksi ja miten hän sen tekee (Väätäinen ym.

2005).

Seuraavassa luvussa (1.1.3) käydään tarkemmin läpi kuljettajan vaikutusta harvesterin tuottavuuteen.

1.1.3 Kuljettajan vaikutus tuottavuuteen

Kuljettajan vaikutus harvesterin tuottavuuteen on toiseksi suurin vaikuttaja heti puun koon jälkeen (Purfürst & Erler 2011). Kariniemen (2006) tutkimuksen mukaan ”Hakkuukoneenkul- jettajalta vaadittavia lahjakkuusominaisuuksia ovat mm. visuaalinen ja tekninen lahjakkuus, koordinoitujen liikesuoritusten nopeus ja tarkkuus, kätevyys sekä reaktioiden nopeus ja tarkkuus. Hyvän stereonäön oletetaan olevan tärkeä tekijä. Työstä suoriutuminen vaatii tilanne- analyysejä, ratkaisujen tekemistä ja koneen laitteiden hallintaa ihmisen ja koneen muodosta- massa järjestelmässä. (Leskinen & Mikkonen 1981, s. 8–11, ks. myös Harstela 1996)”. Kul- jettajan saamalla koulutuksella ja kokemuksilla on myös vaikutus korjuulaatuun (Sirén 2001) sekä tuottavuuteen (Ovaskainen 2009). Laadukas ja monipuolinen koulutus auttavat kokema- tonta kuljettajaa sopeutumaan sekä oppimaan nopeammin harvesterikuljettajalta vaadittavat taidot. Kuljettajan tuottavuus ei kuitenkaan ole vakio vaan se vaihtelee ajan mukaan (Purfürst

& Erler 2011). Vaihtelun aiheuttajina kuljettajan tuottavuuteen voi olla kokemuksen karttuminen, elämäntilanteen muuttuminen ja koneen tai koneosan vaihtuminen. Kuljettajan palk- kausjärjestelyillä saattaa myös olla vaikutusta kuljettajan motivaatioon. Esimerkiksi tuntipal- kasta siirtyminen urakkapalkkaan voi lisätä kuljettajan motivaatiota, jolloin hän panostaa omaan tuottavuuteensa enemmän. Samalla kuitenkin korjuulaadun on pysyttävä hyvänä. Uu- sitalo (2002) havaitsi tulospalkkauksen lisänneen tuottavuutta keskimäärin 10 %. Samalla kun tulospalkkaus lisää tuottavuutta, se lisää myös yrityksen kannattavuutta, koska työntekijä osallistuu itse oman palkkansa määräytymiseen (Piekkola 2004).

(11)

Kuljettajien tuottavuuserot voivat olla jopa kaksinkertaiset, vaikka rungon tilavuus olisi sama (Jalkanen 2010, Purfürst 2011). Kuljettajien tuottavuuden hajonta on siis samankokoisissa puissa voimakasta. Glöden (1999) tutkimuksessa kuljettajien tuottavuushajonta esitetään olevan 20–50 %, Kärhän ym. (2004) ja Väätäisen ym. (2005) tutkimuksissa kuljettajien tuottavuushajonta kasvoi jopa 40 %:in asti ja Ovaskaisen ym. (2004) tutkimuksessa kuljettajien tuottavuushajonta oli 40–55 %. Ovaskaisen ym. (2004) havaitsivat myös hajonnan kasvavan kun hakattava puuston tilavuus kasvaa. Ovaskaisen (2012) tutkimuksessa eri hakkuutyömalli- en tuottavuuserot olivat vain 2–4 %, joten eri työmallien käytöllä ei voida selittää tuottavuuden suurta hajontaa. Heinimannin (2001) tutkimuksessa rungon tilavuus ja harvesterityyppi selittivät yhteensä 74 % tuottavuuden vaihtelusta. Purfürstin ja Erlerin (2011) tutkimuksessa puun tilavuus ja kuljettaja selittävät yhteensä 84 % harvesterin tuottavuudesta. Kuljettajan vaikutusta tuottavuuteen on kuitenkin vaikea analysoida tilastollisesti, koska se koostuu mo- nesta tekijästä, toisin kuin yleisesti käytetty puun tilavuus. Kuljettajan vaikutusta ei vielä pys- tytä kunnolla erottelemaan muista tuottavuuden muuttujista (Eriksson & Lindroos 2014, Pur- fürst 2011).

Hakkuukonetyön psyykkinen kuormittavuus on suurta ja se voi vaikuttaa kuljettajan ja koneen tuottavuuteen sekä korjuulaatuun (Kariniemi 2003). Merkittävimmät selittäjät kuljettajien välisten erojen syntyyn on yksilöiden henkiset kyvyt ja ominaisuudet, kuten ajattelun, suunnittelun ja päätöksenteon taidot (Väätäinen ym. 2005). Nämä kaikki ominaisuudet ja kyvyt ovat riippuvaisia yksilön henkilökohtaisista ominaisuuksista, joita pystytään koulutuksen avulla kehittämään tiettyyn pisteeseen asti (Väätäinen ym. 2005). Varsinkin aloittelevan kuljettajan on hyvä olla valmistumisen jälkeen kokeneemman kuljettajan kanssa samalla harves- terilla. Näin hän voi saada heti tärkeitä oppeja ja taitoja metsäkoneella työskentelystä. Jokai- nen kuljettaja on kuitenkin yksilö eli oppiminen ja taitojen kehitys on yksilöllistä. Niin kuin Väätäinen ym. (2005) toteavat; ”Taitavan kuljettajan voi tunnistaa tasaisesta, jatkuvasta, yh- denaikaisista ja nopeista kuormaimen ja hakkuulaitteen liikkeistä. Toiminta on kuitenkin rau- hallisen ja helpon näköistä, mutta tarkemmin tarkasteltuna prosessi on tuottavaa. Hakkuun aikana tuottavimmat kuljettajat välttivät turhia koneen ja hakkuulaitteen liikkeitä ja suorittivat nopeita päätöksiä taukojen osuuden ollessa vähäinen. Tuottavat kuljettajat havainnoivat ja valitsivat seuraavaksi poistettavat puut muita kuljettajia aiemmin. He suunnittelivat hakkuu- tehtäviä ennakkoon ennen varsinaista päätöstä ja toteutusta. Tuottavin kuljettaja poikkesi muista kuormaimen ja hakkuulaitteen käsittelytekniikassa. Huomioitavaa oli myös, että tuottavuuden kasvulla ei ollut vaikutusta hakkuutyön laatuun.”. Myös Sirénin (2001) tutkimuksessa kuljettajien tuottavuus ja hyvä korjuujälki korreloivat keskenään voimakkaasti. Hyvällä

(12)

ja kokeneella kuljettajalla on hyvät motoriset-taidot, joten hän tietää aina neljä tai viisi seu- raavaa puuta mitä hänen pitää prosessoida (Ranta 2004). Rannan (2004) tutkimuksessa tuottavin kuljettaja käytti vähiten aikaa puiden laadun arvioimiseen ja hänellä oli nopea käsitys puiden laadusta ja apteerauksesta sekä seuraavien puiden prosessoinneista. Apteeraus tarkoittaa puiden runkojen katkaisukohtien määrittelemistä puuhankintaorganisaation laatu- ja mittavaa- timuksien pohjalta (Ylänen 2008). Kokeneet ja hyvät kuljettajat eivät kuitenkaan välttämättä pysty tai eivät osaa kertoa heidän optimaalisemmasta koneen käytöstä eli heillä on hiljaista tietoa hakkuukonetyöstä (Ovaskainen ym. 2004). Se ilmenee osaavaa kuljettajaa tarkasteltuna taitavana koneenhallintana sekä nopeina ja perusteltuina hakkuutoimintoina (Väätäinen ym 2005). Hiljaisella tiedolla on todettu olevan jopa 40–50 %:n vaikutus harvesterin tuottavuuteen, vaikka muut tuottavuuteen vaikuttavat tekijät olisivat eri kuljettajilla samat (Väätäinen ym 2005). Hiljainen tieto on myös jatkuvasti muuttuvaa, kun uudet kokemukset ja opit sulautuvat ymmärrykseksi (Väätäinen ym 2005).

Väätäisen ym. (2005) tutkimuksessa tuottavin kuljettaja erottui selvästi samanaikaisten liikkeiden käyttömäärien suhteen, koska hän pystyi käyttämään puomia ja hakkuupäätä paljon tehokkaammin kuin muut. Ranta (2004) havaitsi simulaattoritutkimuksessa, että tilastollisesti merkitsevästi tuottavuuden kanssa positiivisesti korreloi samanaikainen puomin jatkeiden käyttö. Samassa tutkimuksessa negatiivisesti tuottavuuden kanssa korreloi vertikaalinen puomin liikuttelu. Rannan (2004) tutkimuksessa ei havaittu, että tietty korjuutekniikka olisi selit- tänyt kuljettajien tuottavuuseroja. Ovaskaisen ym. (2004) tutkimuksessa tulokset osoittivat, että tarpeetonta runkojen siirtelyä tulee välttää ja runko pitäisi prosessoida lähellä puun kaato kohtaa, jolloin hakkuupään siirto seuraavalle rungolle olisi mahdollisimman lyhyt. Jos ajourat täytyy havuttaa, voi työajanmenekki lisääntyä hieman, vaikka Sirén (1998) toteaa, että puiden tuonti ajouran päälle prosessoitavaksi ei vaikuta merkittävästi hakkuun ajanmenekkiin. Tuot- tava kuljettaja pyrkii aina sujuvaan työhön, jolloin hän pystyy valitsemaan harvesterin työ- paikkapisteiksi kohdat, joista pystyy prosessoimaan mahdollisimman monta puuta (Väätäinen ym. 2005). Työn sujuvuuden ja tuottavuuden kannalta oleellista on myös välttää koneella pe- ruuttamista (Väätäinen ym. 2005).

1.1.4 Harvesterikuljettajan kehittyminen

Koneellinen hakkuutyö on monipuolinen kokonaisuus eri tekijöitä. Työ on vaativaa ja kuljettajan pitää pystyä keskittymään pitkiä jaksoja kerrallaan, jotta turhilta kone- tai korjuuvahin-

(13)

goilta vältyttäisiin. Harvesterikuljettajan työtä on verrattu hävittäjälentäjän työhön, koska har- vesterikuljettaja prosessoi puun alle minuutissa ja tässä ajassa kuljettajan täytyy tehdä keski- määrin 24 toimintoa ja 12 eri päätöstä (Burman & Löfgren 2007). Kuljettaja joutuu myös te- kemään jatkuvia kompromisseja, joissa hän huomioi metsänomistajan, metsäteollisuuden, koneyrittäjän ja metsähoidon intressejä (Asikainen ym. 2009).

Aloittelevalla harvesterikuljettajalla ei yleensä ole korkeaa tuottavuutta (Purfürst 2010), koska hän joutuu keskittymään enemmän koneen ohjaamiseen ja korjuuvaurioiden välttämiseen kuin kokenut kuljettaja. Ajan kuluessa ja kokemuksen karttuessa aloitteleva kuljettaja pystyy kehit- tymään, jolloin hän oppii käsittelemään konetta ja kouraa sujuvammin (Purfürst 2010). Aloit- televan kuljettajan kehittymiseen vaikuttavat inhimilliset tekijät kuten motivaatio ja elämänta- vat, mutta myös perinnölliset tekijät ja koulutus.

Metsäkonekoulutus alkoi Suomessa vuonna 1988, koska haluttiin taitavampia kuljettajia ko- neelliseen hakkuutyöhön (Juntunen 1998). Metsäkonekoulutuksessa kuljettajalle voidaan an- taa vain perustiedot ja -taidot, mutta varsinainen ammattitaito kehittyy käytännön kautta työ- elämässä (Väätäinen ym. 2005). Järvisen ym. (2002) tutkimuksessa todetaankin, että koulutuksen tulisi tuottaa kokemuksia oppilaille niin, että kokemuksien kautta saadaan hyviä no- viiseja ammattiin ja työelämään. Metsäkonekoulusta valmistuneilla kuljettajilla on kuitenkin oltava monipuolinen ja laadukas perusosaaminen (Väätäinen ym. 2005). Koulutuksen kautta saadut tiedot sulautuvat yksilöön ja muuttuvat lopulta työelämässä osaamiseksi, jolloin sa- maan aikaan myös rutiinitoiminnot sekä hiljainen tieto muodostuvat ja kehittyvät (Väätäinen ym. 2005).

Kuljettajan tuottavuuden ja ajan tuoman kokemuksen suhdetta kutsutaan oppimiskäyräksi (Purfürst 2010) (kuva 2). Pitää kuitenkin muistaa, että kokeneidenkaan kuljettajien tuottavuus ei pysy samalla tasolla koko aikaa. Vaihtelun syitä voi olla monia, esimerkiksi koneen tai koneen osan vaihtuminen, kuljettajan ikääntyminen, kuljettajan elämäntilanteen muuttuminen, kokemuksen karttuminen tai korjuuolosuhteiden vaihtelu (Purfürst 2010).

(14)

Kuva 2. Tyypillinen kuvaus oppimiskäyrästä (learning curve). X -akselilla voidaan kuvata kokemuk- sen tai sarjojen määrä (number of attempts at learning) ja Y -akselilla kuvataan oppimisen taso eli esimerkiksi tuottavuus (performance %) (Kuva Flashcard Learner, http://www.flashcardlearner.com/articles/the-learning-curve/)

Kuljettajan kokemuksen mittaaminen tuottaa kuitenkin ongelman, koska vain tuottavuutta, aikaa ja muutamaa muuta muuttujaa pystytään mittaamaan (Purfürst 2010). Muuttuvia tekijöi- tä, jotka vaikuttavat, on niin paljon, että ”todellinen” oppimiskäyrä ei usein ole mitattavissa (Purfürst 2010). Siksi oppimiskäyrä on usein tulkittava tuottavuuden ja ajan suhteena (Pur- fürst 2007). Oppimiskäyrä kuvaa yksittäisen kuljettajan saavuttamaa suorituskykyä, mutta täytyy muistaa, että harvesteri ja kuljettaja muodostavat arvioitavan yksikön. Vain tämä yk- sikkö voi saada mitattavan suoritustason, ja jossa kuljettajalla on kuitenkin suurempi merkitys tuottavuuteen (Purfürst 2010).

Kuljettajan koulutusvaiheessa tulisi käyttää simulaattoriohjelmia, jolloin kuljettajat olisivat todelliseen metsään mennessään harjaantuneimpia (Väätäinen ym. 2005 ja Ovaskainen 2009).

Korjuuyrittäjät arvioivat, että vain pieni osa metsäkonekoulusta valmistuneista kuljettajista pystyy heti työskentelemään keskimääräisellä tuottavuustasolla (Juntunen 1998). Kuljettajat arvioivat, että hyvän ammatillisen tason saavuttamiseen menee 1–2 vuotta (Juntunen 1998).

Jotta kuljettajat pystyisivät kehittymään nopeammin, kuljettajille pitäisi tarjota paremmin pa-

(15)

lautetta heidän työskentelystään. Kuljettajat toivovat myös enemmän palautetta heidän kor- juutyöskentelystään, koska oman työn arviointi on yleensä hankalaa (Ylimäki ym. 2012). Ob- jektiivisen palautteen antaminen voisi olla mahdollista älykkään opastusjärjestelmän avulla (Palmroth 2011). Järjestelmän avulla kuljettajat pystyisivät saamaan reaaliaikaisia vinkkejä ja ehdotuksia työskentelystään tai palautetta lopetetun leimikon jälkeen. Nämä vinkit ja palaut- teet voisivat mahdollistaa kuljettajan kehittymisen (Palmroth 2011). Tämän kaltaisesta opas- tuksesta hyötyisivät erityisesti nuoret ja kokemattomat kuljettajat, joilla rutiininomaiset nope- at päätökset ja vaivaton koneen liikuttelu ei ole vielä kehittynyt työkokemuksen kautta (Yli- mäki ym. 2012).

Korjuuyrittäjän kannalta kokemattoman kuljettajan oppimiskäyrä tulisi olla mahdollisimman lyhyt, että turhalta tuottavuuden hukkaamiselta säästyttäisiin (Kirk ym. 1997). Kokemattoman kuljettajan maksimaalisen tuottavuustason saavuttaminen voi siis tapahtua puolen vuoden sisällä tai vasta vuosien jälkeen. Myös kokeneilla kuljettajilla voi tapahtua tuottavuuden vaihtelua ja vaihtelun määrä on yksilöllistä. Tuottavuustason vaihtelu johtuu yleensä jonkun tuot- tavuustekijän muutoksesta, josta esimerkkinä koneen tai koneen osan vaihtuminen. Gellerste- din (2002) tutkimuksessa arvioidaan, että kuljettajalla menee keskimäärin viisi vuotta saavut- taa maksimaalinen taitotaso. Purfürstin (2010) tutkimuksessa aloittelevat kuljettajat saavuttivat keskimääräisen tuottavuusarvon noin kahdeksassa kuukaudessa ja tänä aikana tuotta- vuushäviö oli 24 % ja 45 000 €. Valitettavasti on myös kuljettajia, jotka eivät ikinä saavuta ammattilaisen tasoa koneellisessa puunkorjuussa (Juntunen 1998).

1.2 Tutkimuksen tavoitteet

Tutkimuksen tavoitteena oli selvittää koneellisen puunkorjuun tuottavuus pääte- ja harvennushakkuussa ja mallintaa pääte- ja harvennushakkuun tuottavuusmallit. Tuottavuusaineiston avulla jokaiselle kuljettajalle luotiin painotuskerroin, joka kuvaa kuljettajan henkilökohtaista tuottavuustasoa. Kuljettajakohtaisia painotuskertoimia käytettiin alkuperäisen tuottavuusaineiston skaalaamiseen. Painottamisen avulla pyrittiin saamaan tuottavuusaineiston hajontaa pienemmäksi ja tuottavuusmalleja tarkemmiksi. Painotettuja ja alkuperäisiä tuottavuusmalleja pääte- ja harvennushakkuussa vertailtiin keskenään tilastollisilla menetelmillä.

Tavoitteena oli myös tutkia, kuinka kuljettajien ikä ja kokemusvuodet vaikuttavat koneellisen puunkorjuun tuottavuuteen. Tutkimuksen pitkän tutkimusajan takia tuottavuusaineistossa otet-

(16)

tiin huomioon kuljettajien iän ja kokemuksen lisääntyminen ajan suhteen. Iän ja kokemuksen vaikutusta tutkittiin kuvaajien, mallien sekä regressioanalyysin avulla. Tuottavuusaineiston avulla tarkasteltiin vielä tuottavuuden kehittymistä ja käyttäytymistä kuljettajakohtaisesti kokemusvuosien suhteen. Kaikille kuljettajille mallinnettiin kokemuskäyrät (oppimiskäyrät) heidän omien korjuusuoritteiden perusteella.

Tutkimus suoritetaan Metsäkonepalvelu Oy:lle ja aineistona käytetään heidän harvestereiden ja kuljettajien tuottavuustuloksia. Tarkat tuottavuustiedot pidetään salaisina, joten harvestereiden ja kuljettajien tuottavuudet julkaistaan suhteellisina tuottavuuksina. Samasta syystä aikaisempiin tuottavuustutkimuksiin ei tehdä tarkkoja vertailuja.

2 AINEISTO JA MENETELMÄT

2.1 Tutkimusaineisto

Tässä tutkimuksessa tutkimusaineisto kerättiin harvestereiden tuottamasta hakkuun tuotantotiedostoista (prd-tiedosto) ja aikatiedostoista (drf-tiedosto). Prd-tiedostosta selviää leimikolta korjattu puumäärä runkotietoineen ja drf-tiedostosta selviää harvesterin ajankäyttö leimikolla (Skogsforsk 2007). Kuljettaja lähettää tiedostot metsäkoneesta sähköpostin avulla yhtiön toi- mistolle, jossa ne voidaan synkronoida John Deere Forestry Oy:n TimberOffice 5 kanssa.

TimberOffice 5 -ohjelmisto on metsäkonekaluston hallintajärjestelmä, joka sisältää eri ohjel- mia puunkorjuun tiedon- ja konekalustonhallintaan (John Deere 2016 a). Ohjelman avulla luodaan aika- ja tuotantotiedostoista ”Yhdistetty tuotannon- ja käytön seuranta”, josta tiedot saadaan taulukkolaskentapohjalle leimikkokohtaisesti. Tiedostosta selviää tarvittavat tiedot tähän tutkimukseen, kuten leimikkotiedot sekä tuotantotiedot puu- ja runkotietoineen kuljettajakohtaisesti. Tiedostoissa harvesterin ja kuljettajan työaika on E15-aikaa eli teholliset tunnit, johon sisältyy alle 15 minuutin keskeytykset (käyttöaika). Tässä tutkimuksessa tuottavuus ilmoitetaan suhteellisena tuottavuuslukuna käyttöajassa (m³_%/E₁₅), eli hakattu kiintokuutio määrä käyttöajassa on suhteutettu tiettyyn tuottavuuslukuun korjuusuoritekohtaisesti. Korjuu- suoritteella tarkoitetaan tässä tutkimuksessa leimikolta saatua tuotantotietoa yhdeltä kuljettajalta eli jos leimikolla on työskennellyt samalla koneella kaksi kuljettajaa, niin yhdeltä leimikolta tulee kaksi korjuusuoritetta. Jos leimikon oli tehnyt enemmän kuin kaksi kuljettajaa, se

(17)

jätettiin tutkimuksen ulkopuolelle. Tutkimuksen leimikot valittiin kone- ja kuljettajakohtaisesti niin, että jokaiselta kuljettajalta tuli vähintään 20 korjuusuoritetta aineistoon. Leimikot valittiin kuitenkin sattumanvaraisesti niin, että pelkästään normaalit yksinpuidut avo- ja harven- nushakkuut tulivat tutkimukseen. Ensiharvennus- ja harvennushakkuita ei tässä tutkimuksessa erotella, koska useimmiten jaon ensi- ja harvennushakkuun välillä tekee leimikon ostohenkilö.

Tutkimusaineisto on hankittu kahdessa osassa. Ensimmäinen osa on hankittu Taskisen (2015) tutkimuksessa ja toinen osa aineistosta hankittiin harvestereiden tuotantotiedostoista vuoden- vaihteessa 2016. Tutkimuksen leimikot sijoittuvat pääasiassa Kanta-Hämeen ja Pirkanmaan maakuntiin sekä yksittäisiä leimikoita on myös Päijät-Hämeen maakunnan puolelta (kuva 3).

Kuva 3. Tutkimuksen leimikoiden sijainti ympyröity. (Kuva Metsähallitus, Maanmittauslaitos)

Leimikot on hakattu 1.10.2010–30.11.2015 välisenä aikana ja tutkimukseen valikoitui yhteen- sä päätehakkuulta 582 kpl ja harvennushakkuulta 802 kpl korjuusuoritetta (taulukko 1). Lei- mikon keskikoko on kuljettajan tai kuljettajien prosessoitujen runkojen kuutiotilavuuksien keskiarvo eli hakattu kuutiotilavuus jaettuna runkojen määrällä (Jalkanen 2010). Pääte- ja harvennushakkuulta kuljettajien hakkuutyötunnit (E₁₅) olivat yhteensä noin 23 300 tuntia.

(18)

Taulukko 1. Yhteenveto tutkimuksen aineistosta.

Kuljettajien korjuusuoritteet ovat jakautuneet keskimääräisen rungon koon mukaan tasaisesti päätehakkuulla, mutta pienirunkoisia 100–200 litran hakkuita on vähän (kuva 4). Harvennus- hakkuussa korjuusuoritteet ovat painottuneet 50–150 litran väliin (kuva 5).

Kuva 4. Päätehakkuuleimikoiden kokojakauma.

Kuva 5. Harvennushakkuuleimikoiden kokojakauma.

m³

Päätehakkuu 0,501

Harvennushakkuu 0,144

Yhteensä 1384

m³ 281 207 181 113 462 320

594 322 Hakattu puumäärä

kpl 582 802

Korjuusuoritteiden määrä Leimikon keskikoko Keskimääräinen rungon koko m³

12 74

115 108 114

78

38 27

8 7

1 0

20 40 60 80 100 120 140

Lukumäärä (kpl)

Korjuusuoritteiden keskimääräinen rungon koko (litra)

16

245 252

136

68

47

28

10 0

50 100 150 200 250 300

Lukumäärä (kpl)

Korjuusuoritteiden keskimääräinen rungon koko (litra)

(19)

Tutkimuksen aineisto on saatu 38 eri harvesterilta, joista suurin osa on John Deerejä ja loput Komatsu harvestereita (taulukko 2). Vaikka tutkimuksessa on paljon yhden konemerkin val- mistamia harvestereita, niin koneiden koot ja hakkuupäät kuitenkin vaihtelevat suuresti. Pää- tehakkuussa tutkimuksen kiintokuutiomäärät on hakattu John Deere -merkkisillä koneilla 81

% ja Komatsu -merkkisillä vastaavasti 19 %. Harvennushakkuissa samat lukemat ovat 88 % ja 12 %.

Taulukko 2. Tutkimuksen harvesterit.

Tutkimuksessa on mukana yhteensä 28 kuljettajaa, jotka ovat suurimmaksi osaksi kokeneita harvesterikuljettajia. Heidän keskimääräinen ikä on noin 35 vuotta ja keskimääräinen kokemus hakkuutyöstä on noin 14 vuotta (taulukko 3).

Taulukko 3. Tutkimuksen kuljettajat.

Kuljettajien ikäjakauma on painottunut voimakkaasti yhteen ikäluokkaan (35–39 vuotta), kun taas kuljettajien kokemusvuodet ovat jakautuneet tasaisemmin (kuva 6 ja kuva 7).

Merkki Malli Koura Kappalemäärä

John Deere 1070D H412 1

John Deere 1170E H412 1

John Deere 1270D H480C 1

John Deere 1270E H480C 3

John Deere 1270E IT4 H414 2 John Deere 1270E IT4 H480C 3

Komatsu 901TX 350 2

Komatsu 901TX C93 1

Komatsu 911.5 350 1

Komatsu 931.1 365 3

Hajontaväli Keskiarvo Keskihajonta

(v) (v) (v)

Ikä 23-51 35,2 7,3

Kokemus 2-26 13,7 7,0

(20)

Kuva 6. Kuljettajien ikäjakauma.

Kuva 7. Kuljettajien kokemusjakauma.

2.2 Tutkimusmenetelmät 2.2.1 Tuottavuusmallit

Tutkimuksen tuottavuusmallit muodostettiin laskennallisesti harvestereiden toteutuneiden pääte- ja harvennushakkuiden korjuusuoritteiden perusteella, jotka valittiin tähän tutkimukseen sattumanvaraisesti (kaava 1). Toteutuneet tuottavuudet suhteutettiin prosentuaaliseen muotoon hakkuutavan keskimääräisen rungon koon kohdalta eli päätehakkuulla 501 litran

0 1 2 3 4 5 6 7 8 9 10 11 12

20-24 25-29 30-34 35-39 40-44 45-49 50-54

Lukumäärä (kpl)

Ikäluokkajakauma (v)

0 1 2 3 4 5 6 7 8 9 10

0-4 5-9 10-14 15-19 20-24 25-29

Lukumäärä (kpl)

Kokemusluokkajakauma (v)

(21)

kohdalla sattumanvaraisesti valittu tuottavuusarvo on 100 ja loput toteutuneet tuottavuudet suhteutettiin tähän arvoon. Samanlainen muutos tehtiin harvennushakkuun aineistoon, mutta 144 litran kohdalla. Tämä tehtiin siksi, että tuottavuusaineisto ja -mallit halutaan pitää salaisina Metsäkonepalvelu Oy:n toiveesta. Tuottavuusmallit ovat toisen asteen polynomifunktioita, joissa pakotettu leikkauspiste on origossa (0,0). Mallit ovat muotoa:

𝑦 = 𝑎 ∗ 𝑥²+ 𝑏 ∗ 𝑥 , missä (1)

y = suhteellinen käyttöaikatuottavuus (m³%/E15), a, b = vakioita,

x = rungon koko (m³).

Tuottavuusmallien selitysaste tai selityskerroin (R²) kertoo, kuinka hyvin tuottavuusmalli se- littää selitettävän muuttujan (suhteellista käyttöaikatuottavuutta) vaihtelua eli se on mitta tuottavuusmallin hyvyydelle (Niemi 2003, Taanila 2010). Mitä suurempi selitysaste on, sitä paremmin malli pystyy ennustamaan selitettävän muuttujan. Jos mallin selitysaste on yksi, selit- tävä muuttujat kuvaavat ilmiön vaihtelun kokonaan.

Luotujen tuottavuusmallien sopivuutta aineistoon voidaan testata F-testillä, joka kertoo pys- tyykö tuottavuusmallin selittäjä (rungon koko) selittämään selitettävän muuttujan (suhteellinen käyttöaikatuottavuus) vaihtelua. F-testillä siis testataan tilastollisesti, onko tuottavuusmalli kokonaisuutena tilastollisesti merkitsevä (Niemi 2003, Mellin 2006, Taanila 2010). F- testissä on merkitsevyystaso, jota kutsutaan p-arvoksi. P-arvo liittyy nollahypoteesin hylkää- miseen, jonka jälkeen mallia voidaan pitää tilastollisesti merkitsevänä. Nollahypoteesi voidaan hylätä, jos testin p-arvo on kyllin pieni (merkitsevyystaso), yleisesti käytetään 0,05 tasoa hylkäämiseen. Eli jos tuottavuusmallin F-testin p-arvo on alle 0,05, nollahypoteesi voidaan hylätä ja tuottavuusmallia voidaan tältä osin pitää merkitsevänä.

2.2.2 Kuljettajan suhteellinen tuottavuus ja painotuskerroin

Toteutuneen tuottavuusaineiston sekä pääte- ja harvennushakkuun tuottavuusmallien avulla kuljettajien korjuusuoritteille luotiin suhteellinen tuottavuusarvo (Ts) kaavalla:

𝑇_𝑠 = _𝑇^𝑇⁰

𝑚 , missä (2)

(22)

Ts = kuljettajan suhteellinen tuottavuusarvo,

T0 = kuljettajan toteutunut tuottavuus leimikolla (m³%/E15),

Tm = tutkimuksen mallin ennustama tuottavuus (m³%/E15).

Hakkuuajankohdan ja suhteellisten tuottavuusarvojen avulla voidaan tarkastella kuljettajien tuottavuuden käyttäytymistä, kun tuottavuusarvo 1 (Ts) vastaa keskimääräistä tuotosta (kaava 2). Kuljettajan yli 1 tuottavuusarvo (Ts) tarkoittaa keskimääräistä parempaa tuottavuutta ja alle 1 arvot keskimääräistä huonompaa tuottavuutta (kaava 2).

Kun kaikista korjuusuoritteista on saatu suhteellinen tuottavuusarvo, voidaan luoda jokaiselle kuljettajalle painotuskerroin pääte- ja harvennushakkuuseen. Kuljettajakohtaiset painotuskertoimet saadaan pääte- ja harvennushakkuulle kaavalla:

𝑃 = 1 − (^∑(𝑇_𝑛^𝑠⁾− 1) , missä (3)

P = kuljettajan painotuskerroin,

𝑇_𝑠 = kuljettajan suhteellinen tuottavuusarvo, 𝑛 = kuljettajan korjuusuoritteiden määrä.

Toteutuneet pääte- ja harvennushakkuun korjuusuoritteet skaalattiin uudelleen kuljettajakohtaisilla painotuskertoimilla (kaava 3). Alle 1 painotuskertoimet (P) tarkoittavat, että kuljettajalla on keskimääräistä parempi tuottavuus. Skaalauksen jälkeen uusille painotetuille pääte- ja harvennushakkuun tuottavuusarvoille luotiin uudestaan tuottavuusmallit. Näin alkuperäisiä ja painotettuja tuottavuusmalleja voidaan vertailla keskenään.

2.2.3 RMSE -analyysi ja harha

Tässä tutkimuksessa RMSE (Root-mean-square error = keskineliövirheen neliöjuuri) - analyysilla tarkastellaan alkuperäisten ja painotettujen tuottavuusmallien eroja toteutuneisiin pääte- ja harvennushakkuun tuottavuusarvoihin. RMSE -arvot kuvaavat malleista laskettujen tuottavuuksien keskimääräistä virhettä suhteessa toteutuneisiin tuottavuuksiin absoluuttisesti (kaava 4) ja suhteellisesti prosenttimuodossa (kaava 5).

(23)

RMSE (absoluuttinen) = √∑(𝑡𝑜𝑡𝑒𝑢𝑡𝑢𝑛𝑢𝑡 ℎ𝑎𝑣𝑎𝑖𝑛𝑡𝑜𝑎𝑟𝑣𝑜−𝑒𝑛𝑛𝑢𝑠𝑡𝑒𝑡𝑡𝑢𝑎𝑟𝑣𝑜)^2

ℎ𝑎𝑣𝑎𝑖𝑛𝑡𝑜𝑗𝑒𝑛 𝑙𝑢𝑘𝑢𝑚ää𝑟ä (4)

RMSE% (suhteellinen) = 𝑅𝑀𝑆𝐸 (𝑎𝑏𝑠𝑜𝑙𝑢𝑢𝑡𝑡𝑖𝑛𝑒𝑛)

𝑡𝑜𝑡𝑒𝑢𝑡𝑢𝑛𝑒𝑖𝑑𝑒𝑛 ℎ𝑎𝑣𝑎𝑖𝑛𝑡𝑜𝑗𝑒𝑛 𝑘𝑒𝑠𝑘𝑖𝑎𝑟𝑣𝑜𝑥 100 % (5)

Harhalla kuvataan tässä tutkimuksessa alkuperäisten tuottavuusarvojen ja siitä luotujen mallien systemaattista poikkeavuutta pääte- ja harvennushakkuussa. Samalla tavalla kuskien painotuskertoimella painotettujen tuottavuusarvoja ja niistä luotujen mallien poikkeavuutta voidaan tarkastella. Harhan avulla nähdään kuinka, hyvin estimaattorit (tuottavuusmallit) tuottavat arvoja estimoitaville parametreille (tuottavuusarvot) (kaava 6 ja kaava 7). Harhattomuus tarkoittaa, että estimaattori tuottaa keskimäärin oikean kokoisia arvoja estimoitaville parametreille. Yksittäisessä tilanteessa estimaattori voi tuottaa paljon poikkeavan arvon, mutta keski- määrin poikkeaman tulisi olla vähäistä (Mellin 2006).

Harha (absoluuttinen) = ∑(𝑡𝑜𝑡𝑒𝑢𝑡𝑢𝑛𝑢𝑡 ℎ𝑎𝑣𝑎𝑖𝑛𝑡𝑜𝑎𝑟𝑣𝑜−𝑒𝑛𝑛𝑢𝑠𝑡𝑒𝑡𝑡𝑢𝑎𝑟𝑣𝑜)

ℎ𝑎𝑣𝑎𝑖𝑛𝑡𝑜𝑗𝑒𝑛 𝑙𝑢𝑘𝑢𝑚ää𝑟ä (6)

Harha% (suhteellinen) = 𝐻𝑎𝑟ℎ𝑎 (𝑎𝑏𝑠𝑜𝑙𝑢𝑢𝑡𝑡𝑖𝑛𝑒𝑛)

𝑡𝑜𝑡𝑒𝑢𝑡𝑢𝑛𝑒𝑖𝑑𝑒𝑛 ℎ𝑎𝑣𝑎𝑖𝑛𝑡𝑜𝑗𝑒𝑛 𝑘𝑒𝑠𝑘𝑖𝑎𝑟𝑣𝑜𝑥 100 % (7)

2.2.4 Kuljettajan iän ja kokemuksen vaikutus tuottavuuden

Kuljettajien kokemusvuosien ja iän vaikutusta tuottavuuteen testataan mallien ja regressioanalyysin avulla. Koska tämän tutkimuksen havaintoajanjakso on pitkä, kulunut aika täytyy huomioida. Korjuusuoritteen lopetuspäivämäärän perusteella kuljettajan sen hetkinen ikä laskettiin uudelleen. Samoin kuljettajan kokemusvuodet laskettiin pitkästä havaintoajanjaksosta johtuen kullekin korjuusuoritteelle uudelleen.

Regressioanalyysissa selitettävänä muuttujana käytetään kuljettajien suhteellista tuottavuutta (T_s). Tarkoituksena on kokeilla kuinka paljon kuljettajan ikä ja kokemus vaikuttavat kuljettajan suhteelliseen tuottavuuteen (kaava 8). Regressioanalyysissa testataan erilaisia muuttujien transformaatioita ja valittiin paras selittäjien yhdistelmä. Paras yhdistelmä valittiin niin, että merkitsevyystasot F- ja t-testeissä ovat alhaiset ja regressiomallin selityskerroin on mahdollisimman suuri. Usean selittäjän regressiomalli voidaan kirjoittaa muodossa:

𝑇_𝑠 = 𝑏₀+ 𝑏₁∗ 𝑋₁+ ⋯ + 𝑏_𝑛∗ 𝑋_𝑛 , missä (8)

(24)

Ts = kuljettajan suhteellinen tuottavuusarvo, b0, b1, …, bn = regressiokertoimia (vakioita), X1, …, Xn = selittävät muuttujat.

T-testillä testataan yksittäisen regressiomallin selittäjän nollahypoteesia. Jos t-testin p-arvo on alle 0,05, nollahypoteesi voidaan hylätä ja yksittäisen selittäjän vaikutusta regressiomalliin voidaan pitää tilastollisesti merkitsevänä. Jos nollahypoteesi jää voimaan eli p-arvo ylittää 0,05, muuttuja yleensä jätetään mallista pois. Ellei ole teoreettista tai käytännöllistä peruste- luita pitää muuttuja mallissa (Taanila 2010).

3 TULOKSET

3.1 Toteutunut tuottavuus

Tutkimuksen kuljettajien toteutuneiden korjuusuoritteiden perusteella luotiin alkuperäiset tuottavuusmallit pääte- ja harvennushakkuuseen. Kummassakin mallissa tuottavuus on ilmoi- tettu suhteellisena tuottavuutena niin, että keskimääräisen rungon koon kohdassa (päätehak- kuu 501 litraa ja harvennushakkuu 144 litraa) sattumanvaraisesti valitut tuottavuusarvot ovat 100 ja loput toteutuneet korjuusuoritteet suhteutettiin näihin arvoihin. Kuvaajissa nämä arvot on esitetty suurempina havaintopisteinä.

Päätehakkuun korjuusuoritteita on 582 kappaletta ja voidaan huomata, että tuottavuushavain- noissa on paljon tasaista hajontaa (kuva 8). Hajonnan takia mallin selitysaste jää alhaiseksi (R² = 0,436). Keskimääräisen rungon koon kohdalla päätehakkuun korjuusuoritteiden tuottavuus (m³/E15) eroaa huonoimmissa ja parhaimmissa korjuusuoritteissa jopa yli 100 %, eli par- haimman korjuusuoritteen tuottavuus on jopa kaksinkertainen huonoimpaan korjuusuorittee- seen verrattuna. Hajonta kasvaa vielä siirtyessä suurempiin puihin, mutta samalla vähenee korjuusuoritteiden määrä. F-testin p-arvo on vähemmän kuin 0,01 eli mallia voidaan siltä osin pitää merkitsevänä.

(25)

Kuva 8. Päätehakkuun suhteellinen tuottavuusmalli. Mallin ja toteutuneiden tuottavuuksien F-arvo on 0,713 ja p<0,001. Tuottavuusmalli on muotoa Y = -175,64*X² + 332,54*X (R²= 0,436), missä Y on suhteutettu käyttöaikatuottavuus (m³%/E15) ja X on rungon koko (m³).

Hajontaa harvennushakkuun tuottavuusarvoissa (yhteensä 802 kpl) on myös paljon (kuva 9).

Keskimääräisen rungon koon kohdalla heikoimpien ja parhaimpien korjuusuoritteiden tuottavuuserot (m³/E₁₅) on samaa luokkaa kuin päätehakkuussa eli vähän yli 100 %. Harvennushak- kuussa tuottavuusarvot ovat kuitenkin keskimäärin painottuneet lähemmäs mallia, joten selitysaste on parempi (R² = 0,589) kuin päätehakkuussa. Kuten päätehakkuussa, niin myös harvennushakkuussa F-testin p-arvon on alle 0,01.

0,0 25,0 50,0 75,0 100,0 125,0 150,0 175,0 200,0 225,0 250,0 275,0

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1 1,2

Suhteellinen tuottavuus (m3 %/E15)

Rungon koko (m³)

(26)

Kuva 9. Harvennushakkuun tuottavuusmalli (144 litran tuottavuusarvo on 100). Mallin ja toteutunei- den tuottavuuksien F-arvo on 0,094 ja p<0,001. Tuottavuusmalli on muotoa Y = -915,68*X² + 644,96*X (R² = 0,589), missä Y on suhteutettu käyttöaikatuottavuus (m³%/E15) ja X on rungon koko (m³).

3.2 Kuljettajien ja tuottavuusaineiston painotus

Kuljettajien toteutuneiden korjuusuoritteiden avulla kuljettajille luotiin painokertoimet pääte- ja harvennushakkuuseen (taulukko 4). Painotuksessa ei otettu huomioon, millä konemerkillä tai -mallilla kuljettaja on leimikon hakannut. Painokertoimet kertovat kuljettajan keskimääräi- sestä tuottavuustasosta. Jos se on alle 1, kuljettajalla on ollut keskimääräistä parempi tuottavuus. Jos painokerroin on yli 1, kuljettajan tuottavuus on ollut alle keskimääräisen tuottavuuden.

Taulukko 4. Yhteenveto kuljettajien painotuskertoimista.

Kuljettajakohtaisilla painotuskertoimilla skaalattiin alkuperäiset korjuusuoritteet, jonka jäl- keen uusille painotetuille korjuusuoritteille luotiin tuottavuusmallit pääte- ja harvennushakkuulle (Kuva 10 ja Kuva 11). Malleja voidaan vertailla keskenään silmämääräisesti ja tilastollisesti.

0,0 25,0 50,0 75,0 100,0 125,0 150,0 175,0

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45

Rungon koko (m³)

Painotuskerroin Hajontaväli Keskiarvo Keskihajonta

Päätehakkuu 0,76-1,42 1,04 0,15

Harvennushakkuu 0,67-1,41 1,00 0,17

(27)

Silmämääräisesti tarkasteltuna tuottavuusmalleista voi huomata, että päätehakkuussa painotettu tuottavuusmalli on hieman laskenut alkuperäiseen malliin verrattuna (kuva 10). Päätehak- kuulla keskimääräisen rungon koon kohdalla (501 litraa) painotetun mallin tuottavuus aleni noin 4,4 % suhteessa alkuperäiseen tuottavuusmalliin. Prosentuaaliset erot ovat kiintokuutio (m³) eroja, ei suhteutettuja (m³%). Kuvaajasta 10 voidaan huomata, että tuottavuusero mallien välillä kasvaa vielä suuremmaksi, kun siirrytään suuremman kokoisiin puihin. Tuottavuusero yhden kiintokuution kohdalla on 5,2 %.

Kuva 10. Päätehakkuun toteutuneiden tuottavuusarvojen tuottavuusmalli (viiva) ja kuljettajan paino- tuskertoimella skaalattu tuottavuusmalli (katkoviiva). Alkuperäisen mallin tuottama tuottavuusarvo on 100 keskimääräisen rungon koon kohdassa (501 litraa).

Harvennushakkuussa silmämääräisesti tarkasteltuna painotetun tuottavuusmallin tuottavuus alentui samalla tavalla kuin päätehakkuussa (kuva 11). Mallien tuottavuusero keskimääräisen rungon koon kohdalla (144 litraa) on noin 9 %. Isoimmilla puilla tuottavuus (m³/E₁₅) ero on kuitenkin pienempi kuin keskimääräisen puun tilavuuden kohdalla, sillä 0,35 kiintokuutio tilavuuden kohdalla ero on noin 7,3 %.

0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0

0 0,1 0,2 0,3 0,4 0,5 0,6 0,7 0,8 0,9 1 1,1

Rungon koko (m³)

(28)

Kuva 11. Harvennushakkuun toteutuneiden tuottavuusarvojen tuottavuusmalli (viiva) ja kuljettajan painotuskertoimella skaalattu tuottavuusmalli (katkoviiva). Alkuperäisen mallin tuottama tuottavuusarvo on 100 keskimääräisen rungon koon kohdassa (144 litraa).

Taulukosta 5 voidaan huomata kuinka selitysaste parantui harvennushakkuussa huomattavasti kun harvennushakkuun tuottavuusaineistoa painotettiin kuljettajien painotuskertoimilla. Myös harvennushakkuun painotetun mallin RMSE -analyysin ja harhan arvot parantuivat huomattavasti, kun taas päätehakkuussa erot olivat vähäisempiä. Päätehakkuussa harhaisuuden voidaan huomata jopa kasvavan.

Taulukko 5. Pääte- ja harvennushakkuun toteutuneista tuottavuusarvoista tehdyn alkuperäiset tuotta- vuusmallin ja painotettujen tuottavuusarvojen tuottavuusmallien Selitysasteet, RMSE -analyysit ja harhat.

0,0 20,0 40,0 60,0 80,0 100,0 120,0 140,0 160,0 180,0

0,00 0,05 0,10 0,15 0,20 0,25 0,30 0,35 0,40 0,45

Rungon koko (m³)

Selitysaste RMSE RMSE Harha Harha

Päätehakkuu m³/E₁₅ % m³/E₁₅ %

Alkuperäinen malli 0,465 7,27 22,95 0,08 0,27

Painotettu malli 0,487 5,83 19,54 -0,48 -1,61

Harvennushakkuu

Alkuperäinen malli 0,589 3,33 23,77 -0,15 -1,08

Painotettu malli 0,734 2,27 17,75 -0,11 -0,86

(29)

3.3 Kuljettajien iän ja kokemuksen vaikutus tuottavuuteen

Tutkimuksen pitkän tutkimusajan takia kuljettajien iän ja kokemuksen karttuminen täytyy huomioida. Kun kulunut aika on otettu huomioon, voidaan selvittää, miten kuljettajien tuottavuus käyttäytyy kokemusvuosien ja iän suhteen.

Kun tarkastellaan päätehakkuun kaikkia korjuusuoritteita kokemusvuosien suhteen, ei pystytä selkeästi havaitsemaan, milloin tuottavuuden kasvu tasaantuisi kokemattomilla kuljettajilla tai milloin tuottavuuden taantumista alkaa tapahtua kokeneilla kuljettajilla. (kuva 12).

Kuva 12. Päätehakkuun suhteelliset tuottavuusarvot kokemusvuosien suhteen, kun kulunut aika on otettu huomioon. Kokemuskäyrä on muotoa Y = 0,0084*X + 0,929 (R²= 0,052), missä Y = suhteellinen tuottavuusarvo (Ts) ja X = kuljettajan kokemusvuodet.

Tuottavuuden nopeaa kasvua päätehakkuulla voidaan kuitenkin huomata kuljettajilla, jos tarkastellaan ensimmäisten viiden kokemusvuoden korjuusuoritteita (kuva 13). Samalla voidaan huomata, että päätehakkuussa kuljettajat saavuttivat keskimääräisen tuottavuustason noin 3,5 kokemusvuoden kohdalla.

0,000 0,200 0,400 0,600 0,800 1,000 1,200 1,400 1,600 1,800 2,000

0,0 5,0 10,0 15,0 20,0 25,0 30,0

Suhteellinen tuottavuusarvo

Kokemusvuosi (v)

(30)

Kuva 13. Päätehakkuunhakkuun suhteelliset tuottavuusarvot kokemusvuosien suhteen, kun kulunut aika on otettu huomioon ja tarkastellaan vain ensimmäisen viiden kokemusvuoden korjuusuoritteita.

Kokemuskäyrä on muotoa Y = 0,1239*X + 0,5553 (R²= 0,195), missä Y = suhteellinen tuottavuusarvo (Ts) ja X = kuljettajan kokemusvuodet.

Myöskään harvennushakkuun kaikista korjuusuoritteista ei voida selkeästi huomata, milloin tuottavuuden kasvu tasaantuisi kokemattomilla kuljettajilla tai tuottavuuden taantumista kokeneilla kuljettajilla, vaikka kulunut aika on otettu huomioon (kuva 14).

Kuva 14. Harvennushakkuun suhteelliset tuottavuusarvot kokemusvuosien suhteen, kun kulunut aika on otettu huomioon. Kokemuskäyrä on muotoa Y = 0,0072*X + 0,9777 (R²= 0,032), missä Y = suhteellinen tuottavuusarvo (Ts) ja X = kuljettajan kokemusvuodet.

0,000 0,200 0,400 0,600 0,800 1,000 1,200 1,400 1,600 1,800

0,0 1,0 2,0 3,0 4,0 5,0 6,0

Kokemusvuosi (v)

0,000 0,500 1,000 1,500 2,000 2,500

0,0 5,0 10,0 15,0 20,0 25,0 30,0

Kokemusvuosi (v)

(31)

Tuottavuuden nopeaa kasvua harvennushakkuissa voidaan kuitenkin huomata kuljettajilla, jos tarkastellaan harvennushakkuuaineiston ensimmäisten viiden kokemusvuoden korjuusuoritteita (kuva 15). Samalla voidaan huomata, että harvennushakkuussa kuljettajat saavuttivat kes- kimääräisen tuottavuustason noin kolmannen kokemusvuoden kohdalla.

Kuva 15. Harvennushakkuun suhteelliset tuottavuusarvot kokemusvuosien suhteen, kun kulunut aika on otettu huomioon ja tarkastellaan vain ensimmäisen viiden kokemusvuoden korjuusuoritteita. Ko- kemuskäyrä on muotoa Y = 0,1343*X + 0,5635 (R²= 0,287), missä Y = suhteellinen tuottavuusarvo (Ts) ja X = kuljettajan kokemusvuodet.

Samoin kuin kokemuksen myös iän vaikutusta voidaan tarkastella kuljettajien tuottavuuteen (kuva 16 ja kuva 17). Kummassakin hakkuutavassa tuottavuus kasvaa, kun kuljettajat vanhe- nevat, mutta päätehakkuulla tuottavuus kasvaa vain hieman voimakkaammin kuin harvennus- hakkuulla. Tutkimuksessa ei havaittu selkeää ikärajaa, jolloin tuottavuus alkaisi tasoittua.

Toisaalta iän tuomaa tuottavuuden taantumista ei havaittu. Syynä tähän voi olla aineiston laatu, koska siinä ei ole mukana yhtään eläkeikää lähellä olevaa kuljettajaa.

0,000 0,200 0,400 0,600 0,800 1,000 1,200 1,400 1,600 1,800 2,000

0,0 1,0 2,0 3,0 4,0 5,0 6,0

Kokemusvuosi (v)