Phil Guillery: Hvad bør FSC gøre for at forbedre sporbarheden i Chain of Custody-systemet?
Under den seneste generalforsamling i Forest Stewardship Council (FSC) tog Phil Guillery, Administrerende Direktør for World Forest ID, sig tid til at tale med os om, hvordan FSC kan sikre og bringe sporbarhed til sit Chain of Custody-system. Phil har i over 30 år arbejdet med at bekæmpe ulovlig skovhugst, hvoraf de 10 år har været hos FSC som deres tidligere Direktør for Forsyningskædeintegritet.
Hvad er den aktuelle tendens med hensyn til at forbedre sporbarheden i træforsyningskæden?
En af de mest bemærkelsesværdige tendenser er helt sikkert brugen af blockchain-systemer, som har potentiale til at strømline forvaltningen af træforsyningskæden og forbedre sporbarheden. På grund af blockchainens uforanderlige registreringer, er det meget svært at manipulere store mængder certificeret materiale i modsætning til papirbaserede verifikationssystemer, som er meget mere modtagelige for svindel.
En anden tendens er brugen af videnskabeligt baseret testning, som er i hastig vækst i forskellige råvarer. Dette omfatter forskellige teknikker som f.eks. Analyse af Stabile Isotopforhold eller Genetisk Testning eller endog anvendelse af sporstoffer. Alle disse teknikker er imidlertid afhængige af, at man har referencedatasæt. Og det sidste punkt, tilgængeligheden af disse referencedatasæt, er en mangel, som World Forest ID arbejder på at afhjælpe.
Ved at kombinere disse to metoder, blockchain-systemer og videnskabeligt baseret testning, kan vi gøre svindel i forsyningskæden ekstremt vanskelig. Ideen ville være at indsamle prøver i hele forsyningskæden og derefter foretage tilfældige produkttest, lidt ligesom det, der bruges til olympiske dopingprøver. Så man ville aldrig vide, om og hvornår man bliver testet. Det ville være mere omkostningseffektivt, da det ikke ville være nødvendigt at teste alle prøver, men det ville stadig lægge pres på alle aktørerne for at overholde reglerne.
Og den sidste vigtige tendens, som jeg vil nævne, er brugen af maskinlæring, primært inden for dataanalyse og planlægning af feltekspeditioner. Vi undersøger, hvordan det kan bruges til at reducere antallet af prøver, der kræves til referencedatasæt, identificere vigtige hotspots, hvor der bør tages prøver, og øge testopløsningen. Dette vil bidrage til at gøre videnskabsbaserede teknikker billigere og mere præcise. Maskinlæring har et enormt potentiale, som vi først lige er begyndt at forstå, og det er helt klart et nyt område, som man skal holde øje med.
Der har været mange fejl og udfordringer i FSC’s Chain of Custody-system. Hvilke er de, og hvad gør FSC for at løse disse problemer?
En ting er, at audits kun finder sted én gang om året, og at de kun kontrollerer ét trin opad eller ét trin nedad i forsyningskæden. Det gør det vanskeligt for en auditor at opdage noget, der er sket længere nede i forsyningskæden. De eneste oplysninger, de kan bekræfte, er, om produktet er i overensstemmelse med den anprisning, det blev leveret med. Det nuværende system fungerer godt til intern sporbarhed, f.eks. inden for en fabrik, men ikke til sporing af produkter gennem lange, komplekse forsyningskæder.
FSC bør indføre sporbarhed i sit system. Blockchain-systemer kan hjælpe med at sikre dette. FSC har allerede pilotprojekter, der arbejder på dette. Vi arbejder også sammen med FSC om at indføre videnskabeligt baseret testning i systemet, hvilket vil gøre det muligt for sporbarhedssystemer at tilføje et middel til at verificere høstens oprindelse. Det vil sige at verificere, at produktet kommer fra det sted, hvor det hævdes at komme fra. Ved at anvende disse nye teknologier kan FSC gøre sit Chain of Custody-system stærkere og sikre en bedre sporbarhed.
I hvilket omfang har FSC anvendt disse foranstaltninger til at udfylde disse huller?
Min forståelse er, at disse teknologier er ved at blive afprøvet nu. Vi samarbejder f.eks. med Assurance Services International (ASI) og FSC om at finde ud af, hvordan man kan anvende videnskabeligt baseret testning. Vi samarbejder med begge om, hvordan vi kan udvide referencedatasættene, så testning kan anvendes i hele systemet.
Når vi taler om sporing af træets oprindelse i FSC-systemet. Vi kan alle se de fordele, som det vil medføre. Men hvilke hindringer er der for at gennemføre det i stor skala, og hvordan kan vi overvinde dem?
Dette fører tilbage til det, som World Forest ID med støtte fra FSC og ASI arbejder på for at skabe de nødvendige referencedatasæt. Dette er et kæmpeprojekt, da vi ideelt set bør have referencedatasæt for alle de træarter, der handles, fra deres voksende sortiment. Det vil være et enormt antal prøver, der skal udtages fra skoven.
Når vi indsamler disse prøver, skal vi også sikre, at referencedatasættene er tilgængelige, så de kan anvendes bredt, og så de anvendes på en troværdig måde. Det er også vigtigt, at folk forstår begrænsningerne ved videnskab og teknologi. Vi skal fokusere på at opbygge referencedatasættene og sørge for, at vi arbejder med det ekstra antal laboratorier.
Hvordan kan ny teknologi ændre den konventionelle måde at auditere forsyningskæden på?
Konventionel auditering vil blive mere fokuseret på risiko. Det vil være lettere for auditorerne at foretage en længerevarende sporbarhed samt kontrollere træets oprindelse. Auditorerne kan derefter fokusere på at sikre, at der er etableret ordentlige systemer, og fokusere på intern sporbarhed. Det betyder i bund og grund, at audit bliver hurtigere og billigere, og at fokus rettes mod de områder, hvor risiciene kan være.
Det enorme potentiale ved maskinlæring er at gøre verifikation nemmere, hurtigere og billigere. World Forest ID arbejder på dette lige nu; vi undersøger, hvordan vi kan bruge maskinlæring til at forbedre videnskaben, så vi i sidste ende kan indsamle færre prøver og opnå de samme eller bedre resultater med større effekt. F.eks. ved at tage forskellige teknologier og kombinere dem, f.eks. DNA-data og Stabile Isotop-Data, og se, om vi kan få bedre svar og højere opløsning ud fra de datasæt, vi allerede har.
Dette, kombineret med videnskab, når vi først har referencedata, vil være med til at fremskynde brugen af disse teknologier. Det interessante spørgsmål er, hvor maskinlæring ellers kan hjælpe med sporbarhed, auditering og verifikation? Kan den hjælpe med at identificere risici? Identificere tendenser. Fortælle so, hvor og hvornår audit bør finde sted.