Landwirtschaft
(am Beispiel Weinbau)
Bereits seit vielen Jahren werden Optimierungsmodelle zur Unterstützung der Entscheidungsfindung in den verschiedensten Bereichen, wie der Produktionsplanung eingesetzt. In der Landwirtschaft kam der Einsatz von Operations Research bislang jedoch seltener zur Anwendung. Dies liegt an kulturellen Aspekten und an der Komplexität der für den Optimierungsprozess erforderlichen Komponenten. Dennoch gewinnen solche Modelle zunehmend auch in der Agrarplanung an Bedeutung.
Die Probleme wachsen schneller als erwartet. Neben der Verschärfung klimatischer Auswirkungen mit hohem Verlustpotential für den Weinbau, der weltweiten Überproduktion und dem damit steigenden Wettbewerbsdruck kommt noch eine breite Wissenschaftsdiskussion über die negativen Auswirkungen von Alkoholkonsum generell hinzu. Zusätzlich wird noch „Wasser statt Wein“ nicht aus Überzeugung gepredigt, sondern ist vor allem in der Gastronomie der gegenwärtig schwierigen Wirtschaftslage hierzulande geschuldet.
Der Trend zu wärmeliebenden und pilzwiderstandsfähigen Rebsorten (Piwis), Absatzrückgänge und steigende Preise bei Personal, Material, Energie u.v.m. sind weitere Herausforderungen der Weinbaubetriebe. Unterschiedliche Bewirtschaftungs- und Erziehungsformen, anspruchsvolle Herstellungsprozesse, differenzierte Sortimente und inhomogene Produkte lassen eine Vereinfachung bei der ertragsseitigen Optimierung kaum zu.
Wertschöpfungskette und Zwischenprodukte von Weingütern:
Für die Aufstellung eines mathematischen Modells zur Ertragsoptimierung ist eine Kostenerfassung des gesamten Weinbaubetriebes unumgänglich. In unserer Betrachtung stellen wir dabei ausschließlich auf die Kostenträger (Weine) ab. Im Ergebnis erhalten sie:
1. die tatsächlichen Kosten pro Flasche Wein je nach Sorte/Kategorie
Mit diesen Daten werden entlang der gesamten Wertschöpfungskette Algorithmen entwickelt, welche in einem mathematischen Modell zusammengefasst werden. Man kann es auch als
2. Produktionsprogramm
bezeichnen.
Dabei konzentrieren wir uns stark auf die Produktprofitabilität mit dem Ziel einer deutlichen Verbesserung des Betriebsergebnisses. Steht dieses Modell, kann es an die jeweiligen aktuellen Erfordernisse oder Veränderungen, egal welcher Art (klimatisch, kostenseitig, strategisch, usw.) lfd. oder auf Bedarf angepasst werden. Und hier liegt der einzige Unterschied von Operations Research zu KI, es findet (noch) kein maschinelles Lernen statt.
Es gibt mitunter erhebliche Unterschiede in der Qualität und Quantität der Datenbereitstellung, also der jeweiligen Kostenerfassung in den Weingütern. Ein Umstand, der jedoch mit einem überschaubaren Aufwand, der Betriebsgröße und Sinnhaftigkeit entsprechend, beseitigt werden kann, ohne eine Präzisionslandwirtschaft einführen zu wollen.
Für den ermittelten optimalen Ertrag muss es nicht zwangsläufig nur eine Lösung geben. Es können mehrere Lösungsvariationen (bspw. unterschiedliche Mengen der jeweiligen Sorten) gleichermaßen zahlenseitig dem errechneten Optimum entsprechen. Berücksichtigt werden dabei auch weitere Zielsetzungen wie bspw. Name, Qualität oder Nachhaltigkeit nach deren Gewichtung.
Führt man nach der Berechnung des Produktionsprogramms für den maximalen Gewinn eine Sensitivitätsanalyse durch, bekommt man bspw. Antworten auf Fragen wie:
- Wie hoch ist der Ertrag bei den verschiedenen Weinsorten, wenn sich die Rebfläche erhöht?
- Welche Auswirkungen haben mögliche Sortimentsbereinigungen auf Ertrag und Kundenbeziehungen?
- Was ist besser, die Anbaufläche vergrößern oder mehr in den Weinausbau investieren?
- Lohnt sich die (u.a. klimabedingte) Einführung einer neuen Rebsorte mit zusätzlichen Flächenbedarf und ab welchen Gewinn wäre sie profitabel?
- Sind Investitionen in eigene zusätzliche Tanks oder ist die Anmietung sinnvoller (bspw. max. Kosten für einen Hektoliter Lagerkapazität unter dem Aspekt der Gewinnmaximierung)?
Im Ergebnis stehen konkrete Empfehlungen über zukünftige Investitionen und Ausrichtung des gesamten Betriebes für den Planungszeitraum.