Risikoanalyse in Palmöl-Lieferketten
Neue Modelle verbessern die Risikobewertung für nachhaltige Palmölbeschaffung.
― 6 min Lesedauer
Inhaltsverzeichnis
Palmöl ist ein weit verbreitetes pflanzliches Öl, dessen globaler Verbrauch in den letzten zwanzig Jahren stark angestiegen ist. Es macht jetzt etwa die Hälfte der gesamten pflanzlichen Ölproduktion weltweit aus. Die gestiegene Nachfrage hat zu einer schnellen Expansion von Palmölplantagen geführt, besonders in Südostasien, vor allem in Indonesien und Malaysia. Diese Länder sind für einen grossen Teil der globalen Palmölproduktion verantwortlich.
Das Wachstum der Palmölplantagen hat einen ernsthaften Nachteil: Es ist eine der Hauptursachen für Abholzung weltweit. Während Wälder gerodet werden, um Platz für Palmölplantagen zu schaffen, leidet die Biodiversität und wichtige Lebensräume werden zerstört. Als Reaktion darauf haben viele Unternehmen, die Palmöl in ihren Produkten verwenden, versprochen, ihr Palmöl nachhaltiger zu beziehen. Seit 2017 haben Hunderte von Unternehmen Zusagen gemacht, ihren Einfluss auf die Abholzung zu reduzieren.
Trotz dieser Versprechen macht die komplizierte Lieferkette für Palmöl es schwierig, diese Verpflichtungen einzuhalten. Obwohl die Abholzungsraten in Indonesien und Malaysia in den letzten Jahren erheblich gesunken sind, führen der wirtschaftliche Druck, Palmöl anzubauen, weiterhin zu Waldverlusten. Diese fortwährende Abholzung bringt zahlreiche Umwelt- und soziale Probleme mit sich, einschliesslich dem Verlust von Wildtieren, Konflikten um Ressourcen und Menschenrechtsverletzungen.
Risikobewertung in der Palmöl-Lieferkette
Im Palmölgeschäft ist es wichtig, Risiken zu verstehen, damit Unternehmen ihren Nachhaltigkeitsversprechen treu bleiben können. Wie Risiko definiert wird, kann subjektiv sein und variiert von einer Organisation zur anderen. In letzter Zeit haben viele Unternehmen ihren Ansatz von einem einfachen „Keine Abholzung“-Ansatz auf detailliertere Risikominderungsziele umgestellt, die Themen wie Moorbodenumwandlung und Menschenrechtsverletzungen berücksichtigen.
Allerdings macht die Komplexität der Palmöl-Lieferkette es für Unternehmen schwierig, Risiken genau zu bewerten. Die meisten Unternehmen verlassen sich hauptsächlich auf ein Standardmodell, das einen kreisförmigen Bereich um Palmölverarbeitungsanlagen betrachtet, normalerweise etwa 50 Kilometer im Radius. Dieses Verfahren basiert auf Praktikabilität und Datenbeschränkungen. Es geht davon aus, dass alle Aktivitäten innerhalb dieses Bereichs mit dieser Anlage verbunden sind, was oft nicht der Fall ist.
Der Bedarf an besseren Modellen
Es gibt einen Bedarf an besseren Methoden, um zu verstehen, woher Palmöl kommt und wie es Wälder und Biodiversität beeinflusst. In dieser Studie wollten die Forscher die Modelle zur Risikobewertung in der Lieferkette verbessern. Sie verwendeten fortgeschrittene Techniken des maschinellen Lernens und anonymisierte Daten zu Palmölmühlen, um die Effektivität des aktuellen radialen Beschaffungsmodells zu bewerten.
Der erste Teil der Forschung konzentrierte sich auf die Analyse des traditionellen Beschaffungsmodells und die Vorhersage von Palmöl-Beschaffungsgebieten für über tausend Mühlen. Die Forscher fanden heraus, dass das Standardmodell, obwohl es häufig verwendet wird, die Realität der Beschaffungspraktiken nicht genau widerspiegelt und viele Unsicherheiten einführt.
Im zweiten Teil der Studie kombinierten die Forscher ihre Beschaffungsprognosen mit einem System, das Abholzungsvorfälle vorhersagt. Durch die Verbindung dieser Erkenntnisse wollten sie potenzielle zukünftige Abholzungsrisiken den beteiligten Unternehmen in der Lieferkette zuordnen, sodass sie proaktiv handeln können, anstatt reaktiv.
Fallstudien: Beispielmühlen
Um ihre Ergebnisse zu veranschaulichen, schauten sich die Forscher drei spezifische Palmölverarbeitungsmühlen in Zentral-Kalimantan, Indonesien, an. Diese Mühlen wurden ausgewählt, weil sie bereits bekannte Lieferanten für Unilever waren, relevante Daten verfügbar hatten und eine Vielfalt in Bezug auf Wettbewerb und Zertifizierungsstatus aufwiesen.
Durch die Anwendung ihrer Methoden auf diese Mühlen skizzierten die Forscher, wie die neuen Modelle die Beschaffungsgebiete besser vorhersagen können. Sie bewerteten verschiedene Modellierungsansätze und fanden heraus, dass ihr kombiniertes Modell das Standard-50-km-Radius-Modell übertraf.
Ergebnisse der Modellierung
Die Ergebnisse zeigten signifikante Verbesserungen in der Genauigkeit im Vergleich der neuen Modelle mit den traditionellen Methoden. Die Studie zeigte, dass ihre Modelle bessere Einblicke in die Beschaffungsgebiete bieten konnten und damit den Unternehmen helfen, zu verstehen, woher das Palmöl kommt und wie es Wälder und Biodiversität beeinflussen könnte.
Die Forscher erstellten Wahrscheinlichkeitsebenen für die Mühlen, die die Wahrscheinlichkeit des Palmölbezugs aus bestimmten Gebieten widerspiegelten. Die Ergebnisse hoben hervor, dass wichtige Gebiete um diese Mühlen unterschiedliche Risikoprofile hatten, die von Faktoren wie Transportkosten und Wettbewerb zwischen den Mühlen bestimmt wurden. Diese Art der detaillierten Analyse kann den Unternehmen helfen, ihre Lieferketten und Ressourcen besser zu verwalten.
Kohlenstoffemissionen
Bewertung von Abholzungsrisiken undDer nächste Schritt bestand darin, die potenziellen Auswirkungen von Beschaffungsentscheidungen auf Abholzung und Kohlenstoffemissionen zu bewerten. Die Forscher verwendeten eine Methode, um vorherzusagen, welche Gebiete in naher Zukunft einem Abholzungsrisiko ausgesetzt sind. Durch die Anwendung ihrer Beschaffungsprognosen konnten sie den erwarteten Waldverlust und die Kohlenstoffemissionen bestimmten Mühlen zuordnen.
Eine der Mühlen in der Studie wurde als verantwortlich für einen grossen Teil der vorhergesagten Abholzung in einem bestimmten Gebiet identifiziert. Diese Art von Erkenntnis ermöglicht es Unternehmen, ihre Nachhaltigkeitsbemühungen dort zu konzentrieren, wo sie den grössten Einfluss haben können.
Biodiversitäts- und Umwelt-Risiko
Zusätzlich zur Bewertung von Abholzung und Kohlenstoffverlust betrachteten die Forscher auch, wie die Beschaffung von Palmöl die Biodiversität bedrohen könnte. Sie verwendeten ein Tool, das entwickelt wurde, um das Risiko des Artensterbens zu messen, und berechneten, wie Aktivitäten in der Nähe von Palmölmühlen die lokale Tierwelt beeinflussen könnten.
Indem sie potenzielle Biodiversitätsrisiken neben Abholzung und Kohlenstoffverlust bewerteten, können Unternehmen einen ganzheitlicheren Blick auf ihren Einfluss werfen. Das kann ihre Entscheidungsprozesse informieren und ihnen helfen, Prioritäten zu setzen, mit welchen Mühlen sie in Bezug auf Nachhaltigkeitsinitiativen zusammenarbeiten.
Auswirkungen auf nachhaltige Praktiken
Die Ergebnisse dieser Studie haben bedeutende Auswirkungen auf die Palmölindustrie. Durch die Nutzung verbesserter Modelle, die die tatsächlichen Beschaffungspraktiken der Mühlen berücksichtigen, können Unternehmen ihre Umweltauswirkungen effektiver mindern. Das ermöglicht ihnen, informiertere Entscheidungen über ihre Lieferanten zu treffen und ihre Beschaffungsstrategien auf der Grundlage zuverlässiger Daten anzupassen.
Letztlich zielt die Forschung darauf ab, eine Grundlage für besseres Risikomanagement in Palmöl-Lieferketten zu schaffen. Durch die Integration fortschrittlicher prädiktiver Modelle und Risikobewertungen können Unternehmen ihre Nachhaltigkeitsverpflichtungen verbessern und daran arbeiten, ihre negativen Auswirkungen auf Wälder, Kohlenstoffemissionen und Biodiversität zu minimieren.
Fazit
Der Anstieg des Palmölverbrauchs bringt ernste Umweltprobleme mit sich, insbesondere in Bezug auf Abholzung und den Verlust von Biodiversität. Während viele Unternehmen Nachhaltigkeitsverpflichtungen eingegangen sind, macht die komplexe Natur der Palmöl-Lieferkette es schwierig, diese Initiativen effektiv umzusetzen.
Diese Studie zeigt das Potenzial für verbesserte Risikobewertungsmodelle, die ein genaueres Bild der Beschaffungspraktiken vermitteln. Durch die Nutzung fortgeschrittener Techniken des maschinellen Lernens und die Integration verschiedener Datenquellen können Unternehmen ihre Lieferketten besser verstehen und informiertere Entscheidungen treffen.
Diese Erkenntnisse tragen nicht nur zum breiteren Verständnis der Nachhaltigkeit in der Palmölindustrie bei, sondern bieten auch praktische Werkzeuge, die Unternehmen nutzen können, um ihre Umweltverantwortung zu verbessern. Da die Nachfrage nach Palmöl weiterhin wächst, werden diese Einsichten entscheidend sein, um sicherzustellen, dass die Produktion nachhaltig ist und unsere Wälder und die Biodiversität für zukünftige Generationen geschützt werden.
Titel: Model-based prediction and ascription of deforestation risk within commodity sourcing domains: Improving traceability in the palm oil supply chain
Zusammenfassung: Palm oil accounts for approximately 50% of global vegetable oil production, and trends in consumption have driven large-scale expansion of oil palm (Elaeis guineensis) plantations in Southeast Asia. This expansion has led to deforestation and other socio-environmental concerns that challenge consumer goods companies to meet no deforestation and sustainability commitments. In support of these commitments and supply chain traceability, we seek to improve on the current industry standard sourcing model for ascribing social and environmental risks to particular actors. Using passive geolocational traceability data (n = 3,355,437 cellular pings) and machine learning models, we evaluate the industry standard sourcing model, and we predict with high accuracy the undisclosed sourcing domains for 1,570 Indonesian and Malaysian palm oil mills on the Universal Mill List (as of November 2021). In combination with the World Wide Fund for Nature - Netherlands Forest Fore-sight, we use our predicted sourcing domains to provide an illustrative example of the proportional allocation of future deforestation, carbon loss, and biodiversity risk to relevant actors, permitting targeted outreach, contract negotiation, and mitigation of large-scale resource degradation. This example depends on a subset of model predictions in the absence of disclosed traceability data. The utilization of additional predictions or disclosed traceability data would influence and improve the results.
Autoren: Henry B. Glick, J. M. Ament, J. S. Dallinga, J. Torres-Batllo, M. Verma, N. Clinton, A. Wilcox
Letzte Aktualisierung: 2024-05-03 00:00:00
Sprache: English
Quell-URL: https://www.biorxiv.org/content/10.1101/2024.05.01.589041
Quell-PDF: https://www.biorxiv.org/content/10.1101/2024.05.01.589041.full.pdf
Lizenz: https://creativecommons.org/licenses/by-nc/4.0/
Änderungen: Diese Zusammenfassung wurde mit Unterstützung von AI erstellt und kann Ungenauigkeiten enthalten. Genaue Informationen entnehmen Sie bitte den hier verlinkten Originaldokumenten.
Vielen Dank an biorxiv für die Nutzung seiner Open-Access-Interoperabilität.