A framework for managing deforestation risk in the European paper supply chain

Abstract

Metsäkatoriskit ovat nousseet viimeisten vuosien aikana keskeiseksi huolenaiheeksi kansainvälisissä toimitusketjuissa Euroopan unionin uuden metsäkatoasetuksen (EUDR) myötä. Asetus muuttaa vaatimuksia hankinnassa, jossa organisaatioiden on pystyttävä osoittamaan jäljitettävyys maapalstalle, varmistettava tuotteiden metsäkadoton alkuperä sekä toteuttaa todentamiseen perustuvia huolellisuusvelvoitteita. Nämä vaatimukset kasvattavat analyyttistä, informatiivista sekä operatiivista vastuuta erityisesti vaativissa paperialan toimitusketjuissa. Viimeaikainen tutkimus on nostanut viitteitä tekoälyn riskien tunnistamisesta, datan käsittelystä sekä vaatimustenmukaisuuden todentamisesta. Tässä tutkimuksessa tarkasteltiin metsäkadon riskejä paperituotteiden hankinnassa, miten tekoälyä voidaan hyödyntää riskien havaitsemiseen sekä arvioimiseen, sekä mitkä data-attribuutit ovat kriittisiä tässä kontekstissa. Tutkimus sisälsi kirjallisuuskatsauksen, jossa tarkasteltiin tekoälypohjaista hankintaa, metsäkatoriskien muodostumista sekä datatarpeita. Tutkimuksen menetelmänä hyödynnettiin lähestymistapana suunnittelutiedettä, joka perustui pragmaattiseen tutkimusfilosofiaan ja abduktiiviseen päättelyyn. Empiirinen aineisto kerättiin kymmenellä puolistrukturoidulla haastattelulla, jotka toteutettiin eri yrityksissä toimivien henkilöiden kanssa, jotka toimivat paperituotteiden hankinnassa. Haastattelut koodattiin seitsemällä temaattisella tasolla ja tuloksia verrattiin iteratiivisesti kirjallisuuteen. Tutkimuksen tulokset osoittavat, että nykyiset hankintakäytännöt nojaavat vahvasti toimittajien itseraportointiin ja sertifikaatteihin, joka rajoittaa läpinäkyvyyttä sekä rajoittaa ennakoivaa riskientunnistamista. Tekoäly voi tarjota mahdollisuuksia muun muassa paikkatietoanalytiikan sekä poikkeaminen tunnistamisessa, mutta sen tehokkuus riippuu datan laadusta, järjestelmien yhteentoimivuudesta sekä organisaation kyvykkyyksistä. Johtopäätöksenä tutkimus osoittaa, että tekoäly voi tukea EUDR-vaatimusten mukaista hankintaa parantamalla metsäkatoon liittyvien riskien havaitsemista ja arviointia, edellyttäen että käytettävissä oleva data on laadukasta ja yhteensopivaa. Tehokkaaseen tekoälypohjaiseen riskienarviointiin vaaditaan tarkkaa paikkatietoa sekä läpinäkyvää tietoa toimittajilta. Lisäksi tutkimuksessa esitellään käsitteellinen viitekehys tekoälyyn perustuvan metsäkatoriskien arvioinnille. Tutkimuksessa on kuitenkin rajoituksia, sillä tekoälyn tehokkuutta heikentää nykyisen datan riittämättömyys, toimittajien vaihteleva digitaalinen kypsyys sekä tarve vahvemmille hallintorakenteille luotettava päätöksenteon varmistamiseksi. Tutkimus ehdottaa, että tuleva tutkimus validoi esitetyn käsitteellisen viitekehyksen.

Deforestation risk has become a central concern in the past year in global supply chains due to the new European Union deforestation directive (EUDR). The regulation reshapes the requirements for procurement and organizations are required to demonstrate traceability to plot level, verify deforestation-free origin of commodities, and implement practical due diligence processes supported by verifiable data. These expectations increase the analytical, informational, and operational responsibility on procurement teams, especially in complex and geographically separated paper supply chains. Recent research has suggested that artificial intelligence (AI) could support risk identification, processing of data, and verify regulatory compliance. The research focused on deforestation risks in paper product supply chains, how AI can be used to detect or assess the risks and what data attributes are crucial. The study included a structured literature review, which examined AI-enabled procurement, deforestation risk drivers, and compliance data requirements. The research applied a Design Science Research (DSR) methodology grounded in pragmatic research philosophy and abductive reasoning. Empirical research was conducted through ten semi-structured interviews with professionals from various companies in paper product sourcing. These interviews were coded in seven thematic layers and iteratively contrasted with the literature. The findings concluded that current procurement practices rely on supplier self-reporting and certifications, which leaves significant transparency gaps that limit proactive risk detection. AI could offer possibilities through geospatial analysis and anomaly detection, but its effectiveness is dependent on the quality of the data, interoperable systems, and organizational capabilities. In conclusion, the study shows that AI can support EUDR-compliant procurement by improving the detection and assessment of deforestation-related risks, provided that high-quality and interoperable data are available. For an effective AI-based risk assessment the data needs are precise geolocation data and transparent supplier information. Furthermore, the research develops a conceptual framework for AI-driven deforestation risk assessment. However, limitations remain, as the effectiveness of AI is constrained by current data gaps, digital maturity within suppliers, and the need for stronger governance structures to ensure reliable decision-making. The study suggests that future research should validate the proposed conceptual framework.