Ruttoptimering av nötdjurstransporter till svenska slakterier som verktyg för förbättrad djurvälfärd och lägre kostnader. Sellman S a*., Flisberg P a., Henningsson M a., Håkansson N b., Jonsson A b., Rönnqvist M c., Wennergren U a. a Linköpings Universitet b Högskolan i Skövde c Norwegian School of Economics * kontakt: stefan.sellman@liu.se Introduktion Praktiskt taget alla djur som föds upp i livsmedelssyfte i Sverige upplever minst en transport under sin livstid den då de forslas till slakt. Transport av boskap har generellt sett en negativ effekt på djurens välfärd (Gebresenbet et al. 2005, Hartung 2003). Ett sätt att mildra denna välfärdsminskning är att arbeta med förbättrade rutiner för personal som hanterar djuren eller med förbättrade bilar och tekniska hjälpmedel. Ett annat sätt är att minimera sträckan som djuren behöver transporteras. Kortare transportsträckor ger lägre förekomst av skador hos djuren (Hoffman et al. 1998, Huertas et al. 2010), djur blir mer stressade vid längre transporter (Gebresenbet et al. 2005, Hartung 2003) och dödligheten under transporten har visats öka vid sträckor som överstiger ca 100 km (Kristoffersson 2004, Malena et al. 2007). Kortare transportsträckor har även andra fördelar genom att det bidrar till lägre koldioxidutsläpp samt lägre ekonomiska kostnader för transportören. Idag sker slakttransporterna på så vis att det först görs en manuell planering av vilka gårdar som ska besökas inom en kommande planeringshorisont på exempelvis en eller två veckor. Transportören beslutar i vilken ordning gårdarna ska besökas och djuren plockas därefter upp vid en eller flera gårdar av ett transportfordon och körs till slakteriet. Planeringen genomförs manuellt och för stora slakterier där många rutter ska planeras under en tidsperiod blir inte lösningen optimal med avseende på transportkostnader (Algers et al. 2006). Inom skogsnäringen finns redan en utbredd användning av specialiserad programvara för att uppnå effektiv planering av timmerbilars rutter vid hämtning från utbud i skogen till pappersbruk och sågverk. Försök till utveckling av liknande metoder för att optimera slakttransporter har gjorts på ett fåtal håll (Oppen, Løkketangen 2008, Gribkovskaia et al. 2006, Oppen, Løkketangen & Desrosiers 2010); dock har ännu inga studier genomförts där man applicerar metoden på riktigt data. Tack vare den omfattande databas med information över djurtransporter som Jordbruksverket upprätthåller lämpar sig slakttransporter inom Sverige mycket väl för optimeringsstudier där målet är att förkorta transportsträckor och transporttider jämfört med vad som sker idag vid manuell planering. Den här studien visar då hur man kan uppnå förbättrad djurvälfärd, men även för lägre koldioxidutsläpp samt minskade transportkostnader. Det finns exempel på hur man använt programvaran för att simulera olika förändringar i transportkedjan inom skogsbruket och på så vis kunnat undersöka och kvantifiera vilken effekt sagda förändringar skulle ha om de verkligen infördes (Andersson et al. 2008). Utöver att visa vilken minskning i transportsträckor
som kan uppnås har vi därför i den här undersökningen även intresserat oss för att simulera vilken effekt förändringar såsom införandet av nya bestämmelser skulle ha på djurtransporterna. Förändringar som skulle kunna påverka djurvälfärden vid slakttransporter är antalet samlastningar och den maximala tiden som ett djur får befinna sig i transport. Vi har undersökt effekterna på slakteritransporter om antalet stopp per rutt eller den maximala tiden som djuret får befinna sig i transport begränsas ytterligare. Antalet stopp, eller samlastningar, som genomförs under en rutt är av intresse från ett välfärdsperspektiv eftersom djuren konfronteras med nya, okända individer vilket har visats leda till ökade stressnivåer samt antagonistiska beteenden (Raussi et al. 2005). Samlastningar medför även en förhöjd risk för spridning av sjukdomar mellan gårdarna som besöks, både genom att fordonen i sig kan vara kontaminerade (Wray et al. 1991), men även på grund av att transportpersonal kan fungera som sjukdomsvektorer (Nöremark, Frössling & Lewerin 2010). Det finns idag inga bestämmelser kring hur många gårdar ett fordon får stanna till vid under en och samma hämtningsrunda. Transporttiden för individuella djur är intressant att begränsa i så stor utsträckning som möjligt då välfärden hos djur som transporteras påverkas negativt genom en uppsjö av olika faktorer associerade med både psykisk och fysiologisk stress (Grandin 1997, Swanson, Morrow Tesch 2001), och ju längre en transport pågår desto längre utsätts djuren för denna välfärdsförsämring. Det finns idag en begränsning på åtta timmars transporttid för djur om inte det närmaste slakteriet ligger för långt bort då man tillåts transportera djur i elva timmar (SJVFS 2010:2 kap. 5, 13). I den här rapporten presenteras resultaten av fyra frågeställningar: i) hur stor är möjligheten till kortare transporttider och sträckor med datoriserad optimering; ii) vad är effekten av olika storlek på planeringshorisonten; vad händer om man begränsar iii) mängden tillåten samlastning; samt vi) tillåten individuell transporttid. Metod Optimeringsmetod Det faktiska ruttproblemet kan beskrivas enligt följande. Det finns ett utbud av djur vid olika gårdar. Det finns en efterfrågan av djur vid slakterier och det finns så kallade tidsfönster på både gårdar och slakterier då fordon får hämta och lämna. Efterfrågan är typiskt angiven per tidsperiod, i vårt fall är detta per dag. En rutt kan bestå av hämtning eller lastning vid flera gårdar. Det finns en arbetstid som inte får överskridas och varje fordon har en hemmabas varifrån den startar och avslutar varje dag, i vårt fall är hemmabasen slakteriet. Målet med ruttplaneringen är här att minimera totalkostnaden. Ruttplanering är känt för att vara ett svårt kombinatoriskt optimeringsproblem och det finns flera olika lösningsmetoder föreslagna i litteraturen. Det finns dessutom ett behov för detaljerad information om vägar, till exempel avstånd, hastighetsgränser och vägkvalitet. På grund av det faktum att det är ett svårt kombinatoriskt problem fungerar så kallade exakta metoder dåligt för stora problem. De är helt enkelt för långsamma. Istället har det utvecklats metoder baserade på så kallade metaheuristiker. För en allmän genomgång av ruttplaneringsmetoder kan vi hänvisa till Cordeau et al. (2002). I traditionella ruttplaneringsproblem är lösningen ett antal rutter som lastar vid ett antal tillgångsnoder och lossar vid ett antal efterfrågenoder. Dessa rutter är oberoende vilket innebär att de inte tar hänsyn
till varandra. I vårt problem så är rutterna inte oberoende eftersom en lastbil måste vänta tills den föregående är klar innan lossning kan ske vid ett slakteri. Det finns inte många metoder utvecklade för detta problem och de som finns är baserade på enkla tumregler. Den metod som vi använt oss av är baserad på en metod för ruttplanering inom skogsindustrin, se Andersson et al. (2008) och Flisberg et al. (2009). Den bygger på en två fas optimeringsbaserad heuristisk. I den första fasen löser vi ett LP problem. Syftet med denna fas är att skapa en balans mellan efterfrågan och tillgång. I princip tillordnar vi gårdar till slakterier. Med LP lösningen som grund, kan vi bilda så kallade transport noder. Dessa transportnoder är fulla laster som hämtas upp på en eller flera gårdar och leveras till ett slakteri. Med denna första fas har vi skapat ett traditionellt ruttplaneringsproblem med tidsfönster. För att lösa detta använder vi oss av en generell tabusökningsmetod (med namnet UTSA) utvecklad av Cordeau et al. (2001). Vi använder en utökad version av UTSA, kallad EUTSA, där vi har lagt till några funktioner som inte ingår i den ursprungliga metoden. Detta hanterar skillnader i utbud och efterfrågan och flera hemma baser. Data Analyserna baserades på data som SJV tillhandahöll över 2008 års transporter av nötdjur till slakt och vi valde att begränsa oss till transporter till de fem största slakterierna i Sverige. De tog år 2008 tillsammans emot 62 % av all nötboskap som slaktades i Sverige (265956 av 428684) samt 58 % av alla slakttransporter av nötdjur (54703 av 94573). Alla analyser gjordes separat på de olika slakterierna men de resultat som presenteras är summan av resultaten från de fem slakterierna. I de data som beskriver transporterna framgår enbart från vilken gård, till vilket slakteri, antalet djur samt vilket datum transporten skedde; den ger alltså ingen information om vilka gårdar som har besökts av samma fordon under en och samma rutt. Detta innebar ett problem eftersom det inte fanns några verkliga transportrutter att jämföra optimerade scenarier mot. För att få en uppskattning av hur transportrutterna verkligen gick lät vi RuttOpt optimera varje dag separat. Detta tillvägagångssätt grundades på antagandet att om två gårdar som ligger nära varandra har registrerat att de skickat djur under samma dag så har det troligtvis skett en samlastning av djuren från dessa två gårdar. När man gör en optimering på den dagen så kommer även RuttOpt samlasta dessa två gårdar om det är ekonomiskt fördelaktigt. På detta vis kommer lösningen som RuttOpt föreslår att ge en trolig bild av hur rutterna faktiskt gick. Eftersom RuttOpt ofta tillhandahåller den bästa lösningen som är möjlig för givna transporter så kommer resultatet sannolikt att vara optimistiskt jämfört med vad som verkligen var fallet år 2008; alltså kan den erhållna lösningen anses vara en övre gräns för hur bra transporterna var planerade. Denna lösning har använts vid jämförelser i rapporten och kallas 1dag då planeringshorisonten kan sägas vara enbart en dag. För de verkliga transporterna har en planeringshorisont på en eller två veckor använts, det vill säga man har kunnat styra transporterna så att två gårdar inom samma planeringshorisont kunnat samlastas. Att ha en tidsperiod inom vilken hämtningsdatumen är flexibla är en nödvändighet för att kunna minimera transportsträckor. I det underliggande data som använts vid optimeringarna i den här undersökningen så har den här planeringen funnits inbakad och optimeringarna har tvingats utföras inom dess ramar. För att få en uppfattning av värdet på denna planering konstruerades ett randomiserat dataset utifrån
originaldata enligt figur 1. Dessa randomiserade data är analoga med att man inte hade någon planeringshorisont alls, utan att exempelvis leverantörerna ringde in och anmälde att djur fanns att hämta ett visst datum och enbart det datumet. I det randomiserade datasetet kommer inneboende planering att vara omintetgjord och vid en jämförelse av resultatet från optimeringen av originaldata (dvs. med planering) och resultatet från optimeringen av randomiserat data (dvs. utan planering) så får man en kvantifiering av hur mycket lägre transportsträckor och transporttider planeringen står för. Figur 1. Randomiseringen av data. RuttOpt kräver att alla avstånd mellan de gårdar och slakterier som förekommer finns tillgängliga, de togs fram med hjälp av Skoglig Nationell Vägdatabas (SNVDB) tillsammans med systemet Krönt vägval. SNVDB är en databas med detaljerad information om alla statliga, kommunala samt enskilda svenska vägar i Sverige. Krönt vägval är ett system för att hitta den lämpligaste vägen utifrån en mängd faktorer såsom bredd, brohöjd och vägens kvalitet. Att få fram avstånden krävs att koordinater för gårdar och slakterier finns tillgängliga, en liten del av gårdarna som förekom i datamaterialet (566 av 12396) saknade dock koordinater. Vi valde att istället för att ta bort dessa gårdar ge dem nya koordinater genom att slumpmässigt välja ut en annan gård inom samma län (länsbokstav förekom för alla gårdar) och kopiera dess koordinater till gården där det saknades. På så vis undveks problemet med att en sådan slumpad gård måste vara åtkomlig via väg och inte får hamna till exempel mitt i en sjö vilket skulle vara risken om man bara gav gårdarna helt slumpade koordinater. Konstruktion av fallstudier För att studera de olika frågeställningarna konstruerades sex olika scenarier; till att börja med skapades ett grundfall (GF) där vi strävade efter att så verkliga förhållanden som möjligt skulle uppnås, för de övriga fallen utgick vi från GF. Övriga scenarier som konstruerades var ett med halverad tillåten maxtid som ett djur fick transporteras (HT); ett scenario där maximalt antal stopp per rutt begränsats till max tre (M3), ett med max två stopp (M2), samt ett med max ett stopp (M1) och slutligen ett scenario för maximal välfärdsförbättring (MV) där HT och M2 kombinerats. För de fall där den maximala tiden i transport sänkts så tilläts ändå att gårdar som låg på ett så långt avstånd från slakteriet att en transport under den maximala tiden var omöjlig eftersom antalet djur annars hade varit olika mellan de olika fallen och det därför varit svårt att jämföra dem med varandra.
Storleken av den planeringshorisont man använder är avgörande för hur mycket man kan minimera transportsträckor och transporttider. Vi valde att utföra tester med planeringshorisonter på 7 respektive 14 dagar. Detta för att motsvara realistiska planeringshorisonter inom industrin, där man exempelvis vet vilka gårdar som ska leverera kommande vecka, eller kommande tvåveckorsperiod. I praktiken innebar detta att vi delade in datamängden i sammanhängande sju respektive 14 dagarsperioder och lät RuttOpt fritt fördela transporterna över dagarna inom varje period. Parametrar Här beskrivs de parametrar som användes när grundfallet konstruerades, alla andra fall byggde på grundfallet som utgångspunkt. Många av parametrarna har tagits från en studie av två svenska slakterier utförd av Algers et al. (2006). Transportfordon angavs vara tillgängliga mellan 6.00 och midnatt, övertidskostnad efter 15.00; gårdarna och slakterierna hölls öppna dygnet runt så att djur tillåts hämtas samt lämnas när som helst. På så vis var det bara lastbilarnas tillgänglighet som styrde när transporter skedde. Transportfordon gavs en kapacitet på 15 nötkreatur i enighet med vad som framgår i Algers et al. (2006). Antalet tillgängliga fordon sattes till 30 stycken vilket i alla fall ger en stor överkapacitet, detta gjordes för att antalet inte skulle bli en begränsande faktor då vi ansåg att om ett slakteri hade ett behov av en större tillgång på fordon skulle det vara ett enkelt problem att åtgärda. Pålastningstiden sattes till 10 minuter + 0.33 djur/minut och avlastningstiden och rengöring sattes till totalt 20 minuter. Kostnaden för att köra fordonen uppskattades från priser för timmerbilar. Enligt Bertil Lidén vid Skogforsk (pers. kom.) kostar en timmerbil ca 490 kr/h + 7,7 kr/km lastad och 490 kr/h + 4,3 kr/km tom. Vid en genomsnittlig hastighet på 50 km/h innebär detta en timkostnad på 875 och 705 kr/h respektive. Detta är för ekipage med en totalvikt på 60 ton med egen kran och släp och kan nog anses vara en överskattning av vad en djurtransport kostar, men den relativa kostnaden mellan lastad och tom bil kan nog anses vara rimlig ändå. För övertid, dvs. all transport efter 15.00 på dygnet sattes priserna till tio gånger högre. Detta inte för att skapa en verklig bild av hur övertid betalas utan för att tillåta hämtningar från gårdar som ligger så långt bort från slakteriet att den ordinarie arbetstiden inte skulle räcka till. Att sätta övertidskostnaden till en så pass hög nivå gör att optimeringsmjukvara undviker att utnyttja övertid förutom i de fall där det är absolut nödvändigt. Det minsta antalet djur som var tillåtet att hämta under en rutt sattes till ett och maximalt antal gårdar som det var tillåtet att stanna vid till elva. Dessa två siffror är båda extrema men ändå rimliga eftersom det inte finns några bestämmelser kring detta för närvarande. I Algers et al. (2006) förekom det faktisk vid ett av tillfällena att hela elva gårdar besöktes under en rutt, detta var dock självfallet ett extremfall och inget som var vanligt förekommande. Det maximala tiden som ett djur (inte ett fordon) tilläts transporteras var 8 timmar. För fallet HT sattes den maximala tiden som ett djur tillåts transporteras till 4 timmar istället för 8 timmar så länge inte gården låg så långt bort att en transport som pågick under längre tid var nödvändig. Detta för att simulera hur ett scenario där man av djurvälfärdsskäl skulle införa en sådan begränsning i transporttiden skulle påverka transporttider, sträckor och kostnader. För de två fallen med begränsad
samlastning, M3, M2 och M1 sattes antalet gårdar som maximalt fick besökas till 3, 2 samt 1 i respektive fall. Resultat och diskussion Totalt ingick transport av 265956 djur i studien och i medeltal hade gårdarna 4,9 (standardavvikelse 5,1) djur tillgängliga för transport åt gången vid sammanlagt 54702 transporthändelser. I tabell 1 framgår hur antalet djur per inrapporterad transporthändelse fördelades. Tabell 1. Sammanfattning hur antalet djur fördelades över transporterna. Antal djur för transport Antal förekomster Andel 1 11770 21.5% 2 10553 19.3% 3 7572 13.8% 4 5545 10.1% 5 4159 7.6% 6 2982 5.5% 7 1933 3.5% 8 1684 3.1% 9 1086 2.0% 10 1488 2.7% 11 758 1.4% 12 875 1.6% 13 488 0.9% 14 471 0.9% 15 835 1.5% 16 641 1.2% >16 1862 3.4% Grad av optimering i originaldata Jämförelsen mellan optimeringen av randomiserade data och originaldata visade att data över transporter som hade planerats manuellt kunde förbättras mellan 12 % och 15 % mer än vad randomiserad data kunde göras för variablerna total körtid, total distans körd och total arbetstid. För antalet djurtimmar var förbättringen 2 % (tabell 2). Alltså fanns det en viss optimering tack vare den manuella planeringen som gjorts av det data som beskrev de verkliga transporterna. Effekt av tidsfönsterstorlek på sträckor och tider Grundfallet är av störst intresse här eftersom det visar vilken effekt rutt optimering kan få med det regelverk vi har idag. Skillnaden för grundfallen (GF) mellan tidsfönstren på 1 och 7 dagar visar att ruttplanering kan minska antalet djurtimmar med 2,6 %, körsträckan med 10 % och arbetstiden med 8 %
än vad planeringen som sker idag gör. För det längre tidsfönstret på 14 dagar är förbättringen för antalet djurtimmar 4,3 %; för körsträckan med 12 % och för arbetstiden 11 %. I dag har man ett tidsfönster på 3 veckor, djuren anmäls för att hämtas en viss vecka och kan sen hämtas den veckan, veckan efter eller veckan innan (personlig kommunikation med Krister Svensson 2010 på Scan) och att optimera över ett så pass stort tidsintervall skulle sannolikt ge ännu bättre resultat än för 14 dagar. Om man jämför magnituden av förbättringarna med den förbättring som den manuella planeringen åstadkommer så ser man att man kan tredubbla optimeringen av djurtimmar och förbättra optimeringen av övriga parametrar med mellan 183 % och 191 %. Detta är betydande förbättringar både med avseende på koldioxidutsläpp och på transportkostnader och visar att det finns en stor potential till förbättring genom att utnyttja den här typen av programvara i den svenska slakterinäringen. Tabell 2. Jämförelse mellan slumpad data, originaldata optimerad över 1 dags tidsfönster, originaldata optimerad över 7 dagars tidsfönster samt originaldata optimerad över 14 dagars tidsfönster. Inom parentes anges den procentuella minskningen mellan slumpad data och originaldata för 1 dags tidsfönster samt mellan originaldata för 1 dags tidsfönster och 7 dagars, respektive 14 dagars tidsfönster. Slumpad data Originaldata 1Dag (minskn. jmf. slumpad data) Originaldata 7Dag (minskn. jmf. Orig. 1Dag ) Originaldata 14Dag (minskn. jmf. Orig. 1Dag ) Djurtimmar (h) 726693 713055 (1,9 %) 694478 (2,6 %) 682038 (4,3 %) Tot. körtid (h) 119058 101723 (14,6 %) 91630 (9,9 %) 88908 (12,6 %) Tot. dist. körd (km) 7011120 5963588 (14,9 %) 5371471 (9,9 %) 5223878 (12,4 %) Tot. arbetstid (h) 149441 131887 (11,7 %) 120899 (8,3 %) 117733 (10,7 %) Fallstudiernas effekt på sträckor och tider Den största effekten på välfärd skulle uppnås genom att begränsa tiden man får transportera djur; att sänka maxtiden från 8 till 4 timmar skulle också innebära en sänkning av djurtimmar med 15,7 % (1 dag). Dock innebär samma förändring även att den totala arbetstiden ökar med 51,1 % och att den totala distansen som körs ökar med 68,9 %. För fallet som ger den näst största välfärdsförbättringen, max 2 gårdars samlastning, är siffrorna liknande; djuren behöver vara med om max en extra pålastning och djurtimmar minskar med 8,7 % (14 dag) jämfört med grundfallet medans arbetstiden och körsträcka samtidigt skulle öka med 50,0 % respektive 66,1 %. För båda dessa fall är kostnaden för förbättrad djurvälfärd relativt hög. Max 2 gårdars samlastnings innebär även förbättrat smittskydd i avseendet att en smitta från första gården endast kan spridas till en gård nedströms i rutten. Max 3 gårdar samlastning ger välfärdsförbättringen att djuren endast behöver vara med om max två extra pålastningar och totala antalet djurtimmar minskar även med 1.6% jämfört med grundfallet (14 dagars tidsfönster); arbetstidsökningen jämfört med grund scenariot är 24.5% och ökningen av körsträckan 36.2% vilket är lägre än för de andra välfärdscenarierna.
Figur 2. Resultaten från de olika fallstudierna och tidsfönsteranalyserna. Grundfall punkter, halv transittid kryss, max 3 gårdar samlastning kvadrater, max 2 cirklar, ej samlastning stjärnor, maximal välfärd asterisk.
Begränsad mängd samlastning och antal timmar i transport För antalet stop gav GF det ur djurvälfärdsperspektiv sämsta resultatet, med relativt liten andel rutter med få stop och mycket rutter med många stop (fig. X). För HT var antalet långa rutter betydligt lägre än för GF och antalet korta rutter var högre. Anledningen till detta är att en lägre tid i transit tvingar bilarna att välja rutter där man avverkar en kortare sträcka och därför inte hinner med lika många stopp. För de övriga fallen var mängden samlastning begränsad och därför erhölls också en stor mängd korta rutter för dessa. För fallet MV erhölls en betydligt högre mängd rutter med enbart ett stopp än för fallet M2. För båda dessa är det maximala antalet stopp satt till 2, men likt fallet HT tvingar de kortare transporttiderna bilarna till en lägre mängd samlastning. För antal timmar som djuren spenderade i transport så ser man att flest andel långa transporter förekom i GF samtidigt som det fallet också gav minst andel korta transporttider. Bäst resultat ur djurvälfärdsperspektiv vad gällde transporttider gav MV, med låg andel av djur i de högre tidsintervallen intervallen. HT gav också en låg andel djur i de allra högsta tidsintervallen men jämfört med MV gav det mycket djur i intervallet 3 4 timmar och betydligt färre djur i de allra lägsta intervallen. Figur 3. Antalet stopp per rutt samt antalet djur i som transporterades under en period som föll inom entimmesintervall. Grundfall punkter, halv transittid kryss, max 3 gårdar samlastning kvadrater, max 2 cirklar, ej samlastning stjärnor, maximal välfärd asterisk. Fallet ej samlastning har utelämnats i vänstra figuren eftersom ingen samlastning skedde. Fallen där enbart samlastningen är begränsad ger genom färre stopp en bättre djurvälfärd på ett sätt, men samtidigt har de inte lika hög effekt på den andra välfärdsvariabeln, djurtimmar, som fallen med lägre maximal transporttid har. Fallen med begränsad transportsträcka ger istället kortare transporttider för djuren men till priset av fler samlastningar. På frågan om vilket som ger den största välfärdsökningen sänkt transporttid eller färre samlastningar kan vi inte ge ett svar, men en viktig sak vi kunnat visa här
är att optimeringsprogramvaran enkelt kan utnyttjas för att kvantifiera och jämföra de effekter olika scenarier har på viktiga välfärdsparametrar. Ett annat tydligt resultat är att man kan sätta sagda förändringar i välfärdsparametrar i relation till de kostnader som skulle krävas för att uppnå dem. Slutsats och framtida möjligheter Med den taktiska ruttplanering vi presenterat här kan man uppnå en avsevärd förbättring av både välfärden för djuren genom lägre transporttider, samt minska på kostnader och koldioxidutsläpp i form av kortare transportsträckor jämfört med den manuella planering som sker idag. Längre tidsfönster ger större möjligheter att planera transporterna och ytterligare öka fördelarna. Ändrade regelverk för antalet stopp per rutt eller transporttid kan ytterligare öka djurvälfärden, dock till en kostnad i form av ökad arbetstid och transportsträckor. En avvägning över vilket som är viktigast är inte lätt att göra, men vid en sådan jämförelse ger ett optimeringsverktyg en möjlighet att kvantifiera effekterna av förändringen. I den här analysen har vi inte haft tillgång till de verkliga rutterna som bilarna färdats och därför skapat en uppskattning av detta. Den uppskattningen är sannolikt en optimistisk bild av hur väl transporterna var planerade. Vi förväntar oss därför att de förbättringar vi presenterat i den här studien egentligen kan vara betydligt större eftersom skillnaden mellan en taktiskt ruttplanering och dagens manuell planering bör skilja sig mer än utifrån vårt antagande om den manuella planeringen. Tillgång till hur rutterna verkligen gått skulle göra en mycket mer exakt analys möjlig med ännu mer användbara resultat som följd. Referenser Algers, A., Algers, B., Franzén, U., Lindencrona, M., Moen, O., Ohnell, S., Waidringer, J. & Wiberg, S. 2006, "Logistik i samband med transport till slakt. Livsmedel och miljö optimerade djurtransporter", Sveriges Lantbruksuniversitet, Skara. Rapport 10. Andersson, G., Flisberg, P., Lidén, B. & Rönnqvist, M. 2008, "RuttOpt A decision support system for routing of logging trucks", Canadian Journal of Forest Research, vol. 38, no. 7, pp. 1784 1796. Cordeau, J. F., Gendreau, M., Laporte, G., Potvin, J. Y. & Semet, F. 2002. "A guide to vehicle routing heuristics", J. Oper. Res. Soc., vol. 53, pp. 512 522. Cordeau, J. F., Laporte, G. & Mercier, A. 2001. "A unified tabu search heuristic for vehicle routing problems with time windows", J. Oper. Res. Soc., vol. 52, pp. 928 936. Flisberg, P., Lidén, B. & Rönnqvist, M. 2009. "A hybrid method based on linear programming and tabu search for routing of logging trucks", Computers & Operations Research, vol. 36, pp. 1122 1144. Gebresenbet, G., Wikner, I., Ladberg, E., Holm, P., Nilsson, C. & Svensson, L. 2005, "Effect of transport time on cattle welfare and meat quality", Technical report. Deptartment of Biometry and Engineering.,SLU. Grandin, T. 1997, "Assessment of stress during handling and transport", Journal of animal science, vol. 75, no. 1, pp. 249 257.
Gribkovskaia, I., Gullberg, B.O., Hovden, K.J. & Wallace, S.W. 2006, "Optimization model for a livestock collection problem", International Journal of Physical Distribution and Logistics Management, vol. 36, no. 2, pp. 136 152. Hartung, J. 2003, Effects of Transport on Health of Farm Animals, Springer Netherlands. Hoffman, D., Spire, M., Schwenke, J. & Unruh, J. 1998, "Effect of source of cattle and distance transported to a commercial slaughter facility on carcass bruises in mature beef cows", Journal of the American Veterinary Medical Association, vol. 212, no. 5, pp. 668 672. Huertas, S.M., Gil, A.D., Piaggio, J.M. & Van Eerdenburg, F.J.C.M. 2010, "Transportation of beef cattle to slaughterhouses and how this relates to animal welfare and carcase bruising in an extensive production system", Animal Welfare, vol. 19, no. 3, pp. 281 285. Kristoffersson, J., 2004, "Transportdödlighet hos slaktsvin" Svensk Veterinärtidning, vol. 12, pp. 11 15. Malena, M., Voslarova, E., Kozak, A., Belobradek, P., Bedanova, I., Steinhauser, L. & Vecerek, V. 2007, "Comparison of mortality rates in different categories of pigs and cattle during transport for slaughter", Acta Veterinaria Brno, vol. 76, pp. S109 S116. Nöremark, M., Frössling, J. & Lewerin, S.S. 2010, "Application of routines that contribute to on farm biosecurity as reported by Swedish livestock farmers", Transboundary and Emerging Diseases, vol. 57, no. 4, pp. 225 236. Oppen, J. & Løkketangen, A. 2008, "A tabu search approach for the livestock collection problem", Computers and Operations Research, vol. 35, no. 10, pp. 3213 3229. Oppen, J., Løkketangen, A. & Desrosiers, J. 2010, "Solving a rich vehicle routing and inventory problem using column generation", Computers & Operations Research, vol. 37, no. 7, pp. 1308 1317. Raussi, S., Boissy, A., Delval, E., Pradel, P., Kaihilahti, J. & Veissier, I. 2005, "Does repeated regrouping alter the social behaviour of heifers?", Applied Animal Behaviour Science, vol. 93, no. 1 2, pp. 1 12. SJVFS 2010, Statens jordbruksverks föreskrifter och allmänna råd om transport av levande djur. Swanson, J.C. & Morrow Tesch, J. 2001, "Cattle transport: Historical, research, and future perspectives", Journal of animal science, vol. 79, no. E Suppl, pp. E102 E109. Wray, C., Todd, N., McLaren, I.M. & Beedell, Y.E. 1991, "The epidemiology of salmonella in calves: The role of markets and vehicles", Epidemiology and infection, vol. 107, no. 3, pp. 521 525.