一、前言
在2021年七月與八月，在中國的北方區域開始降下大雨，造成在湖北、河南以及山東省等農業縣嚴重洪害，影響了數以百萬英畝的農田，造成數十億的食物損失以及物價的上漲。
因極端氣候影響農作物的情況不只在中國發生：研究指出數個全球作物生產區域亦受到極端氣候的影響。像是在穀物的產量於這數十年間，超過四成的變化是來自極端降雨與溫度因素，影響著亞洲的玉米與稻作、歐洲小麥與北美的玉米、小麥及大豆。

新冠肺炎也惡化了供應鏈的衝擊：像是加拿大的農民，因為人力缺損估計損失了近29億的收入，且將近一半的雇主無法招募他們所需的員工數量。歐洲地區的農民以及農作事業在第一波的疫情間蒙受經濟損失，來源是由於貿易管道與食品服務的關閉、人力的短缺、食物以及原物料的運輸延遲、因疫情造成食品加工廠的處理生產緩慢等。

在美國地區食物處理廠更是備受重創。研究團隊統計了在2020五月至2021九月間各州的數據，共有10萬例的確診與466起的死亡案例。研究者甚至發現了在肉類加工廠、蔬果農場、點心工廠、海洋漁業總計將近兩千起的案例。
此外，極端氣候以及疫情造成肥料價格的提升，加重了全球通膨壓力。在2021年平均的磷酸鹽以及尿素價格相較2019年來的高了9.6成。換句話說，肥料價格的增加造成全球糧食的不安全，因此造成了2021全球食品價格攀升到近十年來的新高。在烏克蘭的衝突是更加膠著了此情況，聯合國食品與農業組織(Food and Agriculture Organization of the United Nation)表明，來自俄羅斯與烏克蘭的潛在的農產品出口短缺，所造成全球供應的斷層，可能導致國際食物與飼料價格超過兩成的提升。

對於來自這些天災人禍所造成的農業供應鏈的衝擊，所採取的應對措施，例如像是食物處理公司以及進口商可以考量採用下個世代的終端對終端的四階段供應計畫；這方法涵蓋了整合數據資料來達成即時的監控、模擬數個供應鏈的情境、部屬適當的最佳化演算法來及時的對應衝擊、以及全自動的實行前三種方式成為自動回饋系統。
而這將會是本文的重點，關注於此種自動化系統的方法，這類型的量測方式可給予農業組織更加彈性且節省更多開銷；在過去經驗裡，採取此方法並且佈署相關技術的公司，將會可預期的在供應鏈開銷支出上減少達到一成，以及庫存的銷量增加至少25%。


二、建立基礎：數據整合與即時監測
為供應鏈規劃中的其他合作者提供不間斷即時可獲取的數據，會是在自動化回饋系統中的主要考量。公司內部的數據庫可提供關於物流、交易與倉儲的可靠資訊，即便如此許多組織，在沒有充分採用外部免費數據下，對於整個供應鏈仍舊缺乏更深層的可見性；結合外部與現有的內部資料，可提供對於這些衝擊如何影響組織供應鏈操作更多的細部了解。更甚，在雲端儲存與計算成本的下降的趨勢，整合多樣的數據並且提供即時的見解成為較為直觀的方向。
整合公開與私人的數據來源會成為與現實擬合的強力基礎，現實世界的模式常常與數位資訊形成雙生的關係(digital twins, 數位孿生)，或是組織實體供應鏈的虛擬副本。在正確的數據下，數位孿生可涵蓋所有供應鏈的關鍵元素，從農業生產層級到收成後進入倉儲以及銷售面。但也可對於現今可見度較低的供應鏈階段來建構數位孿生。例如有關全球玉米暴露在顯著異常現象的數位孿生，涵蓋了氣候、文本以及衛星數據。氣候異常見解(insights)(例如此區域的降雨高於過去25年來的數量)，結合來自新聞媒體訊息的文本見解(例如該地區與洪水或洪水相關的文章數量與過去五年相比增加了60倍)，以及衛星的場域資訊(在受影響區域內有一百萬公頃的玉米種植在五千個各別的場域)等，可以提供未來可能的下游供應鏈干擾的見解。


三、採用數位孿生來模擬情境
實體供應鏈的數位孿生方式提供了模擬許多不同場景的有力基礎，像是氣候或是政策的變遷與變革。雖然有一系列現存的商業軟體可協助模擬特定農業供應鏈的元素，但目前仍有以開源工具與所成的封包持續發展的生態系，像是Python或是R語言，可用來制定合宜的相關方法。
以作物產量作為預測為例，在生長季結束前的幾個月裡，實行收穫前預測作物產量與農業生產是作為一門藝術的存在。作物產量的波動對後續進程活動有所影響，例如收割、物流、倉儲規劃等。透過機械性質的模型來模擬作物產量，像是基於植物生理層面的光合作用與呼吸作用上來預估生長；以及深度學習的方法，在高解析度衛星影像的基礎上預測產量。這一系列的開源演算法將可做為公司企業使用，針對特定作物以及地理資訊來構築預測模型，這或許可作為採收與生產的決策。

在模擬許多不同的情境，像是作物產量、工廠停工，企業組織可以從一系列的最佳化方法中選擇，來協助做為決策面的依據，諸如如何在水災地區重新安排卡車路線或如何確定適當的庫存水平等問題上做出決定。定然式優化(Deterministic optimization)技術，如線性規劃；以及更先進的隨機方法，旨在考慮不確定性，如近似動態規劃和強化學習；此些皆可做為潛在的方法。

除了優化與成本有關的因素外，優化模型還可以納入嚴格的永續性限制。例如，一家公司其從事採購小麥與玉米等作物的殘餘物如秸稈等的業務，並利用留下足夠的殘餘物將養分回歸土地，以此在優化模型內作為增進土壤健康的限制條件。
選擇適當的方法可能取決於數據可用性、成本和實施優化模型所涉及的複雜性等因素。根據Saeed Ghadimi，滑鐵盧大學管理科學助理教授表示："許多現實世界的供應鏈挑戰既是非線性的，又是連續的。在本質上，這意味著傳統的優化，當供應鏈連續受到多種衝擊時可能較難提供最佳化決策。”
更進一步的優化方法須能夠掌握不確定性，在基於來自衛星影像或是新聞文本的更新訊息後，將可更好的提供決策方向。


四、節點連結：橫跨整體組織的自動供應鏈決策
儘管根據不同的農業供應鏈形式會有不同的自動化層級，在操作技術導向的供應鏈規劃系統上，能夠辨識與推動潛在可能的評估是有先決條件須滿足：
* 容易獲得的即時更新
供應鏈的所有當下狀態的資訊可準確的反應系統本身，這仰賴高度多樣資料的整合，與合適資訊形式傳遞及時變化，像是透過網站應用程式、電子郵件等的訊息通知。
* 協調的執行面管理
應對措施的規劃與執行上可在規劃系統中進行協調，計劃變更和“非公開”的交易或手動繞過並非被認為最佳的實務方式
* 改變管理和信任
公司員工必須能夠信任該系統，並且可能需要調整心態和行為以促進系統的使用。相關舉措可能包括培訓、設立楷模、激勵和實施規則以禁止繞過系統。
* 技術能力
精簡的自動供應鏈決策回應需要公司建立正確的能力。其中需包括IT 團隊，其能力能夠支持複雜系統並與供應鏈規劃人員攜手合作以促進採用。此外，可能需要數據科學和工程人才來幫助維護和微調這些系統中存在的進階分析功能。
* 快速錯誤處理
自動化系統應識別並自動糾正與預期值的偏差。例如，如果實際採購訂單前置時間(lead times)與供應商在合同文件中商定的值存在偏差，系統應通知相關利益相關者，並提出可能的解決方案
* 實時更新預測
自動化系統應該能夠在適當的時間間隔對供應、需求和庫存以及由此產生的成本、短缺和庫存水平做出更新的預測。
* 規範性決策響應
該系統應該有一個智能引擎，可以根據權衡產生最佳建議，並可以計劃調整以處理突然的供應商短缺、現場品質問題、突然的需求高峰和意外訂單等問題。

我們發現，在供應鏈轉型的背景下成功實施這些先決條件的農業公司可能會將供應鏈運營成本降低多達15%，並將整體息稅前利潤提高多達6%。

極端天氣、COVID-19大流行和入侵烏克蘭等事件，對供應鏈造成的衝擊已導致全球農業供應鏈損失數十億美元。建立能夠處理高度不確定性的自動化計劃系統可能可以提高對食品安全風險的準備，並為那些受到全球供應鏈衝擊影響的組織節省更多成本。