Aiemmissa tutkimuksissa relaskooppia käyttäen mitattujen pohjapinta-alojen ja tilavuuksien on havaittu olevan lieviä aliarvioita, etenkin kuusikoissa. Harhassa on havaittu myös selkeä trendi: vähäpuustoisilla kuvioilla arviot ovat yliarvioita, ja suuripuustoisilla kuvioilla taas aliarvioita. Havaittujen aliarvioiden syyksi on arveltu mm. heikosta näkyvyydestä aiheutuvaa mittausvirhettä, suunnittelijoiden varovaisuutta sekä valittujen havaintopisteiden epäedustavuutta. Aiemmissa tutkimuksissa on havaittu myös pohjapinta-alan arvioiden kasvavan systemaattisesti relaskooppikertoimen kasvaessa. Tässä tutkimuksessa pyrittiin selvittämään mitkä ovat ilmiön syyt. Hyytiälän metsäasemalla järjestetyssä kokeessa 24 suunnittelun ammattilaista mittasi kukin 9 kuviota, joiden joukkoon valittiin erityisen suuripuustoisia kohteita. Kullekin kuviolle tehtiin systemaattinen koealaotanta, josta laskettiin kuvion puustotiedot. Kokeessa suunnittelijat merkitsivät maastoon mittaamiensa relaskooppikoealojen paikat, ja kirjasivat mittaustulokset. Näiden havaintojen keskiarvona saatiin kullekin kuviolle toinen puustoarvio. Kolmantena arviona oli suunnittelijan harkintaa edustava kuvion keskimääräinen arvio. Lisäksi kaikista merkityistä ja löydetyistä mittauspisteistä tehtiin tarkistusmittaus, josta saatiin kuvioille neljäs puustoarvio. Näiden mittausten perusteella virhe jaettiin kolmeen komponenttiin: mittausvirhe, harkinnanvaraisesta arviosta johtuva virhe sekä jäännösvirhe, joka sisältää koealojen sijoittelusta johtuvat sekä muut mahdolliset virheet. Tuloksissa havaittiin sama harhan trendi kuin aiemmissakin tutkimuksissa. Ylivoimaisesti suurin virheen komponentti tässä tutkimuksessa oli mittausvirhe. Suuripuustoisilla kuvioilla, mitattaessa puita pienillä relaskooppikertoimilla, näyttää osa puista jäävän havaitsematta. Näissä metsissä kannattaisikin käyttää 2 tai jopa 4 m2/ha relaskooppikerrointa.
Tutkimuksessa selitetään metsänomistajakunnan rakennemuutosta väestö-, koulutus- ja elinkeinorakenteen kehityksellä regressiomallien avulla ja metsänomistuksen rakenne-ennusteet laaditaan sijoittamalla malleihin vastaavat koko väestöä koskevat ennusteet. Lisäksi tehdään lineaariset ja epälineaariset trendiennusteet. Eri vuosilta olevien metsänomistaja-aineistojen ohella käytetään yleisiä väestötilastoja ja -ennusteita.
Väestön ikääntyminen ja asutuksen keskittyminen sekä elinkeinorakenteen muutos jatkuvat myös tulevaisuudessa. Yksityismetsänomistajakunnan rakennemuutoksen voi siten odottaa jatkuvan samansuuntaisena kuin aikaisemmin. Tulevaisuuden metsänomistajakunnassa on nykyistä enemmän iäkkäitä, eläkeläisiä ja naisia sekä entistä vähemmän maatalousyrittäjiä. Metsänomistajat ovat myös keskimäärin paremmin koulutettuja kuin nykyään. Vaikka maatalousyrittäjien osuus pienenee, se ei näy selvänä palkansaajien osuuden nousuna. Ikääntymiskehityksen seurauksena myös uudet metsänomistajat ovat usein eläkeiässä.
Metsänomistusrakenteen ja siihen mahdollisesti liittyvä metsänomistajien käyttäytymisen muutos on metsäpolitiikan näkökulmasta jatkuvan kiinnostuksen kohde. Mikäli väestöllisillä tekijöillä voitaisiin riittävän luotettavasti ennustaa metsänomistajakunnan kehitystä, voitaisiin ennusteita tarkentaa lyhyin aikavälein ilman työlästä ja kallista erillisen metsänomistaja-aineiston keräämistä. Tutkimus osoitti kuitenkin, ettei nykyisillä aineistoilla voida vielä laatia riittävän luotettavia ennustemalleja.