Localisation and Circularity in Apple Supply Chains: An Algorithmic Exploration

Diese Studie entwickelt ein gewichtetes gemischt-ganzzahliges lineares Optimierungsmodell, um durch algorithmische Zuordnung von Angebot und Nachfrage die Lokalisierung und Kreislaufwirtschaft in der britischen Apfelversorgungskette unter Berücksichtigung von Preis, Menge, Frische und Distanz zu verbessern.

Das Wesentliche

Apfel-Verteilung mit einem klaren Kopf: Wie ein digitaler Helfer Äpfel rettet und den Weg für eine Kreislaufwirtschaft ebnet

Stellen Sie sich vor, Sie leiten einen riesigen, digitalen Marktplatz für Äpfel. Auf der einen Seite stehen hunderte Bauern, die frische Äpfel anbieten. Auf der anderen Seite warten Supermärkte, Saftpressen und Restaurants, die diese Äpfel brauchen. Das Problem? Äpfel sind wie frische Blumen: Sie welken mit der Zeit. Wenn sie nicht schnell genug verkauft werden, landen sie im Müll. Und wenn sie zu weit transportiert werden, belastet das die Umwelt.

Die Forscher Baraa Alabdulwahab und Ruzanna Chitchyan von der Universität Bristol haben eine Art „intelligenten Verkehrsleiter" entwickelt, der hilft, diese Äpfel optimal zu verteilen. Ihr Ziel war es, nicht nur den günstigsten Preis zu finden, sondern auch sicherzustellen, dass die Äpfel frisch bleiben, kurze Wege zurücklegen und niemand unnötig verschwendet.

Hier ist die Erklärung ihrer Arbeit, einfach und mit ein paar bildhaften Vergleichen:

1. Das Problem: Der „verlorene Apfel"

In der echten Welt passiert oft Folgendes: Ein Bauer hat Äpfel, die bald nicht mehr frisch sind. Ein Supermarkt in einer anderen Stadt sucht Äpfel, aber der Preis passt nicht genau. Oder ein Lieferwagen muss einen Umweg nehmen, weil der Algorithmus nur auf den Preis schaut. Das Ergebnis: Äpfel werden weggeworfen, und der CO2-Ausstoß steigt.

Die Forscher nennen das „Localisation und Circularität".

• Localisation: Äpfel sollen so lokal wie möglich verkauft werden (kurze Wege).
• Circularität: Was heute nicht verkauft wurde, soll morgen eine zweite Chance bekommen, statt im Müll zu landen.

2. Die Lösung: Der „Gewichtete-Liste"-Algorithmus

Stellen Sie sich vor, Sie müssten eine Party planen und haben eine Liste mit Prioritäten. Vielleicht ist Ihnen das Essen am wichtigsten, dann die Musik, und am wenigsten die Dekoration.

Der Algorithmus der Forscher funktioniert ähnlich. Er ist wie ein digitaler Koch, der ein Rezept mit vier Zutaten mischt:

1. Preis: Passt das Geldangebot von Käufer und Verkäufer?
2. Menge: Passt die Größe der Lieferung zur Bestellung?
3. Frische: Sind die Äpfel noch lange genug haltbar?
4. Distanz: Wie weit müssen die Äpfel gereist werden?

Das Besondere an diesem Rezept ist, dass man die Gewichte (die Menge jeder Zutat) ändern kann.

• Möchte man Umweltschutz priorisieren? Dann dreht man den Regler für „Distanz" hoch. Der Algorithmus sucht dann automatisch nach dem nächsten Bauern, auch wenn der Preis etwas höher ist.
• Möchte man Frische retten? Dann wird „Frische" zum wichtigsten Kriterium. Die Äpfel, die am nächsten ablaufen, werden zuerst verkauft (wie beim Prinzip „Wer zuerst kommt, mahlt zuerst").

3. Der Kreislauf: Die „Zweite Chance"

Ein genialer Teil des Systems ist der Umgang mit Äpfeln, die beim ersten Versuch nicht verkauft wurden.
Stellen Sie sich vor, Sie haben 100 Äpfel. Der Algorithmus verkauft 95 davon. Bei den restlichen 5 gibt es kein passendes Angebot.

• Der alte Weg: Die 5 Äpfel landen im Müll.
• Der neue Weg (Circularität): Der Algorithmus nimmt diese 5 Äpfel, packt sie in einen „Rucksack" und schickt sie in die nächste Runde. Vielleicht findet sich dort ein Käufer, der sie zu einem anderen Preis oder für einen anderen Zweck (z. B. Saft statt als Obst) braucht. Erst wenn wirklich nichts mehr geht, werden sie als Abfall markiert.

4. Was die Tests zeigten: Es gibt keine „Eine-für-alles"-Lösung

Die Forscher haben ihr System mit echten Daten aus Großbritannien getestet. Das Ergebnis war aufschlussreich:

• Der Kontext ist König: Es gibt keinen perfekten Algorithmus, der immer alles richtig macht. Wenn die Äpfel in einer Region sehr dicht beieinander wachsen (wie in Kent), hilft ein „Nähe-Algorithmus" Wunder. Wenn die Preise aber sehr unterschiedlich sind, hilft ein „Preis-Algorithmus" besser.
• Kompromisse sind unvermeidbar: Wenn man alles auf „kurze Wege" stellt, werden vielleicht weniger Supermärkte beliefert, weil die Äpfel nicht weit genug reisen können. Wenn man alles auf „Preis" stellt, werden die Äpfel vielleicht weiter transportiert. Der Algorithmus macht diese Trade-offs (Abwägungen) aber sichtbar. Der Nutzer sieht genau: „Wenn ich mehr auf Umweltschutz achte, kostet das X Euro mehr."
• Gut genug ist besser als perfekt: In der echten Welt ist es unmöglich, jede einzelne Äpfel-Verbindung perfekt zu berechnen. Das System sucht nach einer „gut genug"-Lösung, die schnell gefunden wird und die meisten Äpfel rettet, anstatt ewig zu rechnen und am Ende trotzdem nichts zu schaffen.

Fazit: Ein Werkzeug für eine bessere Welt

Diese Forschung zeigt uns, dass wir mit cleverer Software nicht nur effizienter wirtschaften, sondern auch die Umwelt schonen können. Der Algorithmus ist wie ein Fair-Play-Schiedsrichter, der sicherstellt, dass:

1. Die Äpfel nicht verrotten.
2. Die Lieferwege kurz bleiben.
3. Jeder eine faire Chance bekommt, seine Äpfel zu verkaufen.

Es ist ein Schritt weg von der „Wegwerf-Mentalität" hin zu einem System, in dem Ressourcen im Kreislauf bleiben – genau wie in der Natur, wo nichts wirklich verloren geht.

Technische Zusammenfassung

Hier ist eine detaillierte technische Zusammenfassung des Papers „Localisation and Circularity in Apple Supply Chains: An Algorithmic Exploration" von Baraa Alabdulwahab und Ruzanna Chitchyan auf Deutsch.

1. Problemstellung

Die Arbeit adressiert die Herausforderungen in verderblichen Lebensmittelversorgungsketten, insbesondere im Kontext der Kreislaufwirtschaft (Circular Economy). Das Hauptproblem ist die ineffiziente Zuteilung von verderblichen Gütern (hier: Äpfel im Vereinigten Königreich), die zu Lebensmittelverschwendung, hohen Transportemissionen und unnötigen langen Lieferwegen führt.

Herausforderungen bestehen darin:

• Zeitkritische Natur: Die Qualität und der wirtschaftliche Wert von Äpfeln nehmen mit der Zeit ab.
• Komplexe Zielkonflikte: Es muss ein Gleichgewicht zwischen wirtschaftlicher Leistung (Preis, Menge) und Nachhaltigkeitszielen (Lokalisierung, Frische, Kreislaufführung) gefunden werden.
• Mangelnde Transparenz: Bestehende Optimierungsmodelle behandeln Kreislaufwirtschaft oft implizit oder bieten keine transparente Steuerung der Prioritäten für operative Entscheidungen.
• Restmengen: Unzuteilbare Mengen werden oft als Abfall behandelt, anstatt sie in nachfolgende Zuteilungszyklen zurückzuführen.

Das Ziel ist die Entwicklung eines algorithmischen Rahmens, der Zuteilungsentscheidungen trifft, die sowohl wirtschaftlich tragfähig als auch nachhaltig (lokal und frisch) sind und die Zirkulation von nicht zugeordneten Mengen ermöglichen.

2. Methodik

Die Autoren entwickeln und evaluieren ein gewichteter Summen-Misch-Ganzzahliges Lineares Programmierungs-Modell (Weighted-Sum Mixed-Integer Linear Programming, WS-MILP).

A. Modellierungsansatz

Statt eines Pareto-basierten Ansatzes (der eine Menge von Lösungen liefert) wird ein skalierter Ansatz gewählt, der eine einzelne, umsetzbare Lösung für den operativen Einsatz liefert.
Das Modell maximiert eine Zielfunktion, die aus vier gewichteten Kriterien besteht:

1. Preisausrichtung ($f_{price}$): Ähnlichkeit zwischen Angebots- und Nachfragepreis (fördert stabile Transaktionen).
2. Mengenausrichtung ($f_{quantity}$): Ähnlichkeit zwischen angebotener und gewünschter Menge (fördert die Nutzung heterogener Angebote).
3. Frischeausrichtung ($f_{freshness}$): Differenz der Ablaufdaten (Förderung von „First-Expired-First-Out", FEFO).
4. Geografische Distanz ($f_{distance}$): Exponentielle Abstandsdecay-Funktion zur Minimierung von Transportwegen (Proxy für Umweltauswirkungen).

Die Zielfunktion lautet:
$$\text{Score} = w_1 f_{price} + w_2 f_{quantity} + w_3 f_{freshness} + w_4 f_{distance}$$
Dabei sind $w_i$ einstellbare Gewichte, die die Prioritäten des Plattformbetreibers widerspiegeln.

B. Implementierung und Prozess

Das Framework wurde in Java implementiert und nutzt die Bibliothek ojAlgo für die MILP-Lösung. Der Prozess läuft in vier Stufen ab:

1. Konstruktion feasibler Flüsse: Erstellung eines bipartiten Graphen zwischen Angeboten (Offers) und Nachfragen (Orders) unter Berücksichtigung harter Constraints (Produktkompatibilität, Zeitfenster, Ablaufdatum, Logistik, Preisbereiche).
2. Scoring: Berechnung der gewichteten Scores für alle kompatiblen Paare.
3. MILP-Optimierung: Lösung des Zuordnungsproblems unter Berücksichtigung von Kapazitäts- und Strukturconstraints (z. B. Mindestmengen, Einzel-Partner-Constraints). Zur Skalierbarkeit werden Candidate Pruning (Top-K-Auswahl) und LP-Screening eingesetzt.
4. Residualzirkulation (Circularity): Nicht zugeordnete Mengen werden nicht verworfen, sondern in den nächsten Zuteilungszyklus überführt. Ablaufende Ware wird für Downgrading (z. B. zu Saft oder Tierfutter) markiert.

3. Wichtige Beiträge

• Operationalisierung der Kreislaufwirtschaft: Der Rahmen übersetzt abstrakte Kreislaufziele (Lokalisierung, Frische, Wiederverwendung) in konkrete, gewichtete operative Parameter innerhalb eines MILP-Modells.
• Transparenz und Steuerbarkeit: Durch die expliziten Gewichte können Plattformbetreiber oder politische Entscheidungsträger die Prioritäten (z. B. mehr lokale Beschaffung vs. mehr Preisvorteil) dynamisch anpassen und die Auswirkungen nachvollziehen.
• Iterativer Zirkulationsmechanismus: Ein neuartiges Feature ist die systematische Weiterleitung von nicht zugeordneten Mengen in nachfolgende Zyklen, was Verschwendung reduziert und die Auslastung erhöht.
• Diagnostische Rückmeldung: Das System liefert Gründe für nicht zustande gekommene Transaktionen (z. B. Preisinkompatibilität), was Stakeholdern hilft, ihre Eingaben anzupassen.

4. Ergebnisse

Die Evaluation erfolgte anhand eines realistischen Datensatzes für den UK-Apfelmarkt (2302 Angebote, 262 Nachfragen, auf essbare Äpfel reduziert). Sieben verschiedene Gewichtungsszenarien wurden getestet (z. B. „Preis zuerst", „Distanz zuerst", „Frische zuerst", „Gleiche Gewichte").

Kernergebnisse:

• Hohe Auslastung: Das Framework erreicht eine Versorgungsauslastung von ca. 95,5 % bis 96,7 % über alle Strategien hinweg.
• Einfluss der Gewichtung:
  • Distanz-fokussiert: Reduziert die Transportdistanzen signifikant (von ~865 km auf ~670 km pro Order), führt aber zu einer dünneren Bedienung der Nachfrager (weniger vollständig erfüllte Orders).
  • Mengen-fokussiert: Maximiert die Anzahl vollständig erfüllter Orders, führt aber zu einer höheren Konzentration bei bestimmten Lieferanten und mehr ungenutztem Angebot.
  • Frische-fokussiert: Verbessert die FEFO-Strategie (geringere Ablaufzeit-Lücken), ohne die Gesamtdurchsatzleistung stark zu beeinträchtigen.
  • Preis-fokussiert: Führt zu besseren wirtschaftlichen Ergebnissen für Verkäufer, hat aber wenig Einfluss auf Lokalisierung oder Frische.
• Iterative Effizienz: Die meisten Zuteilungen erfolgen in den ersten 3–4 Iterationen. Restmengen sind oft auf strukturelle Inkompatibilitäten (z. B. nicht überlappende Preisbereiche) zurückzuführen.
• Netzwerkabhängigkeit: Die Ergebnisse zeigen, dass keine statische Gewichtung universell optimal ist. Die Effektivität einer Strategie hängt stark von der Struktur des Liefernetzwerks ab (z. B. geografische Konzentration von Produktion und Nachfrage).

5. Bedeutung und Schlussfolgerungen

Die Studie zeigt, dass digitale Handelsplattformen für verderbliche Lebensmittel nicht nach „perfekten" globalen Optima streben sollten, sondern nach „gut genug"-Lösungen (bounded, good-enough allocation), die interpretierbar und wiederholbar sind.

• Design-Implikationen: Plattformen sollten so gestaltet sein, dass sie Restmengen systematisch in neue Zyklen einspeisen, anstatt sie als unvermeidbaren Abfall zu betrachten.
• Politische und operative Relevanz: Die Transparenz der Gewichte ermöglicht es, Nachhaltigkeitsziele (wie lokale Beschaffung) aktiv zu steuern, wobei die Trade-offs (z. B. höhere Transportkosten für mehr Frische) klar sichtbar werden.
• Zukunftsausblick: Der Ansatz demonstriert, wie algorithmische Entscheidungsunterstützungssysteme (ICT4S) dazu beitragen können, die Kreislaufwirtschaft in der Lebensmittelversorgung praktisch umzusetzen, indem sie wirtschaftliche Effizienz mit ökologischen Zielen in Einklang bringen.

Zusammenfassend liefert das Paper einen robusten, skalierbaren und transparenten Algorithmus, der zeigt, wie Zuteilungsentscheidungen in der Lebensmittelversorgung so gestaltet werden können, dass sie sowohl wirtschaftlich tragfähig als auch nachhaltig und kreislauforientiert sind.