|
REVISIÓN BIBLIOGRÁFICA |
Logística y cadenas de abastecimiento.
Una cadena de abastecimiento típica, abarca la infraestructura dispersa de una organización, en donde la materia prima, los productos intermedios o bienes finales son adquiridos, transformados, almacenados y vendidos por medio de eslabones de transporte que conectan las distintas infraestructuras entre sí, para que el flujo de productos siga su curso hasta el consumidor final. El objetivo del negocio es adicionar valor a sus productos mientras éstos pasan a través de la cadena de suministro y son transportados por distintos lugares hasta llegar al mercado objetivo, en la cantidad y con las especificaciones correctas, a la hora establecida y a un precio competitivo.
Los distintos elementos que conforman la cadena de abastecimiento son: proveedores, centros de acopio, plantas de manufactura o transformación, centros de distribución y mercados, de tal manera que al conectarse forman una red. El flujo de material es la parte física y visible de la cadena de suministro; el flujo de información a lo largo de la cadena es la parte intangible y es tan vital para el buen desempeño de la cadena como el flujo de material. La cadena de suministro no puede existir sin que estén presentes estos dos flujos. La dirección que tomen a lo largo de la cadena de suministro los productos o la información, generalmente está asociado a si es tangible, como en el caso de materiales que fluyen de los proveedores hacia los clientes pasando por plantas de manufactura, o si es intangible, como la retroalimentación sobre las características de un producto desde los clientes hacia los proveedores, pasando por centros de distribución y plantas de manufactura (Shapiro, 2004).
Michael Porter enfatiza en la urgente necesidad de efectividad en uniones o eslabones entre procesos de la cadena de suministro, dado que pueden llevar a ventajas competitivas de dos tipos: de optimización y de coordinación. Una empresa en la operación de su cadena de suministro debe optimizar dichas uniones para alcanzar una ventaja competitiva. La habilidad para coordinar estas uniones a menudo reduce costos o incrementan la diferenciación. (Porter, 1985)
Según Jeremy Shapiro, en gestión de las cadenas de suministro se están presentando dos grandes tendencias: 1., Se está buscando modelos y procesos en los negocios que permitan la toma de decisiones basados en hechos, así mismo permitan diseñar y operar la cadena de abastecimiento basados en datos. 2., Se está buscando que la toma de decisiones sea un proceso que abarque la totalidad de la cadena de abastecimiento, sin importar lo distante que esta una planta de otra o los niveles jerárquicos de la empresa y sin importar el tiempo en que se deba llevar a cabo la operación. (Shapiro, Beyond supply chain optimization to enterprise optimization, 2001)
Shapiro afirma también, que la esencia de la administración de la cadena de suministro basada en datos, se encuentra en sus tres principales dimensiones: 1., la integración de distintas funciones de la cadena, como compras, manufactura y distribución en operación coordinada con proveedores y clientes. 2., la integración geográfica de las anteriores funciones de la cadena de suministro en las diferentes locaciones en los distintos continentes en donde se cuente con operaciones, y 3., la integración temporal de las decisiones a nivel estratégico, táctico y operacional en la cadena de suministro. Las decisiones a nivel estratégico incluyen decisiones de adquisición de recursos para la cadena de suministro, a ser tomadas en largos plazos u horizontes de planeación. Las decisiones a nivel táctico tienen que ver con la ubicación de recursos y los refinamientos que esto conlleva a mediano plazo. Por último las decisiones de tipo operacional tratan con la ejecución del negocio, afectando el corto plazo, principalmente el día a día. Las decisiones que se toman en una cadena de suministro, deben tener coherencia y consistencia con los distintos escenarios de tiempo en la planeación a largo, mediano y corto plazo, lo cual es vital para la ventaja competitiva del negocio. (Shapiro, Beyond supply chain optimization to enterprise optimization, 2001)
El objetivo tradicional en la administración de la cadena de suministro es minimizar el costo total de la cadena, o en otros casos, al menos encontrar un punto de equilibrio entre los ingresos y los costos (fijos y variables). Shapiro también comenta, que en lugar de tratar de minimizar los costos totales de la cadena de suministro, es mejor buscar maximizar los ingresos netos de la cadena de suministro, ya que al maximizar los ingresos se tiene un componente más profundo que solamente minimizar los costos totales, teniendo en cuenta que al maximizar los ingresos netos, también se minimizan los costos. El maximizar los ingresos, es soportado por la integración con otras áreas de la compañía, como el área comercial o de logística. Al contemplar la cadena de suministro de forma integral, el correspondiente administrador se puede dar cuenta de la estrecha relación que tiene costos y el servicio al cliente. Mientras más se desee prestar un buen servicio al cliente, representado concretamente en tiempo de entrega o de recolección, más altos serán los costos totales de la cadena de abastecimiento. Para resolver esta paradoja se debe tener en cuenta demasiadas variables de decisión que conllevan a una respuesta traducida en un costo manejable y competitivo para la cadena de suministro.
Dicha respuesta, es alcanzable solamente por un modelo matemático, el cual explora todas las posibilidades y puede decir con certeza la correcta configuración de la cadena, para que funcione de la mejor manera posible. Los modelos utilizados para soportar las decisiones de negocios están compuestos de una parte descriptiva y otra parte de optimización. En la parte descriptiva se encuentran los de pronósticos de futuras demandas o los que computan costos directos e indirectos de manufactura. Estos últimos modelos son creados para entender mejor las relaciones funcionales dentro y fuera de la compañía. La parte descriptiva de los modelos también puede ser una parte dinámica que simula la operación de la cadena de suministro. La toma de decisiones basada en hechos es el objetivo fundamental de los modelos de optimización. Si por ejemplo, una empresa tuviese una política de no comprar más del 50% de materias primas a un solo proveedor, ¿qué se podría hacer? En este caso, los modelos de optimización procesan datos numéricos describiendo un problema específico de la cadena de suministro, con el objetivo de identificar estrategias óptimas que solucionen el problema. (Shapiro, Modeling the Supply Chain, 2000)
Modelación matemática de optimización
Los modelos matemáticos de optimización describen una situación cualquiera (o sistema de la realidad), en donde se busca optimizar su funcionamiento, por medio de variables, ecuaciones (o inecuaciones), restricciones y una función objetivo. Estos temas principalmente atañen a la investigación de operaciones, la cual trata con variables de decisión, las cuales definen el comportamiento que debería tener el sistema descrito. La función objetivo en los modelos de optimización, tiende a ser minimizada o maximizada, según sea el problema. (Rardin, 1998)
La programación matemática comprende varios tipos de técnicas de resolución de problemas, según sea la naturaleza del problema. Si en el problema, las restricciones y su función objetivo son lineales, se dice que es un problema de programación lineal. Si por el contrario alguna de las restricciones o la función objetivo es no es lineal, el problema se convierte en uno de programación no lineal. Los problemas de programación lineal requieren menos poder de cómputo para su resolución debido al menor número de operaciones y a la sencillez de las mismas para llegar a una solución óptima. El conjunto de restricciones de un problema de programación matemática, delimitan un área en donde las soluciones sirven a los objetivos del problema, sin necesidad de minimizar o maximizar una solución. Dicha área es conocida como región factible de soluciones. Los problemas de programación pueden o no, tener solución o una solución optima; el no tener solución significa que el problema es no factible. En caso que si tenga una solución óptima, esta puede ser de frontera o interior. Las soluciones de frontera son aquellas que cumplen con igualdad una restricción, es decir que se encuentran en el borde del área factible. Las soluciones que no se encuentran en el borde del área factible son llamadas interiores. En caso de que el problema tenga solución, pero no tenga solución optima, se considera que el problema no está restringido, o que no esta acotado. En caso que el problema tenga solución, y además esta sea óptima, se considera que el problema tiene un óptimo global.
Un elemento de importancia en los modelos de programación matemática, son las variables; a tal punto que definen el tipo de problema. Si las variables del problema son continuas y reales, teniendo en cuenta la relación lineal entre estas, se considera un problema típico de programación lineal. Pero si las variables toman valores discretos, positivos o negativos, se considera un problema de programación entera. En este tipo de problemas, las variables pueden tomar valores binarios (1,0), los cuales son especialmente útiles para representar decisiones que tienen que ver con realizar o no una acción, las cuales generalmente están relacionadas con asignación de recursos. Los problemas que tienen variables únicamente enteras, son usualmente llamados de programación entera pura, mientras los que tienen variables continuas y enteras, son llamados de programación entera mixta. (Rardin, 1998)
Los problemas de programación matemática son usualmente resueltos por el método simplex; los problemas que involucran programación entera o entera mixta, usualmente son resueltos por el método de ramificación y acotación, el cual consiste en primero relajar el problema entero, resolviéndolo como si fuera un problema con variables continuas. Según el resultado de esta primera solución, se toman las variables que deberían ser enteras, y si el resultado no lo es, se divide el problema en sub divisiones lineales, de forma sucesiva hasta que se encuentra una respuesta optima que satisface todas las restricciones del problema, incluyendo las de integralidad de las variables. En los problemas lineales, existe siempre un problema paralelo lineal que se puede resolver simultáneamente al resolver el problema original. Al problema original, también se le conoce como el “primal” y al problema paralelo se le conoce como el “dual” y se puede usar para obtener una solución al problema original, en donde las variables proporcionan información útil acerca de la solución optima del problema original planteado; el problema dual resulta directamente del planteamiento del problema primal y presenta como principal relación: Si el problema primal es de minimización, el dual será de maximización y viceversa. (Bazaraa, 1999)
Se pueden identificar, en los problemas de investigación de operaciones, varios componentes aparte de las variables. Los índices, son entidades físicas que interactúan en el modelo. Cuando los índices se agrupan o se relacionan entre si de alguna manera, se le conoce como conjunto. Las características o atributos de las entidades físicas y sus relaciones entre sí, se denominan parámetros.
Un primer examen fue desarrollado por Aikens (1985). El autor ofrece una descripción de los aspectos relevantes en la cadena de suministro de modelización de los sistemas de eslabón único con demanda determinística. Los aspectos tácticos importantes estaban asociados con la distribución de las materias primas, materiales y productos finales. El tamaño de los problemas era limitado por la ausencia de una optimizador computacionalmente adecuado para programación entera mixta. Por otro lado, según lo anunciado por Aikens, los aspectos de modelado dinámico y manejo de inventarios asociados a un agente se desarrollan en el trabajo de [Cohen y Lee, 1988].
Un desarrollo posterior está enfocado hacia una mejor coordinación de las operaciones logísticas entre las diferentes etapas en el suministro de cadena (aprovisionamiento, producción y distribución), en especial en las publicaciones de Thomas y Griffin (1996). Los aspectos considerados fueron la inclusión de las capacidades de las adquisiciones y canales de distribución y lista de materiales. Con Respecto a la solución procedimientos heurísticos apoyado en software comercial se da como ejemplo el trabajo de Goetschalckx et al., 2002, que resultó satisfactorio en la práctica brindando diferentes interpretaciones y ejecuciones, y que es apoyada por [Vidal y Goetschalckx, 1997]. Por último, Eskigun et al. (2005) tener en cuenta las limitaciones de capacidad de transporte impuestas por un número limitado de vehículos en centros de distribución, que son enviadas por las plantas de producción a un centro de distribución única en un determinado período de tiempo. Este trabajo es una ampliación de la que se llevó a cabo por Eskigun et al. (2001).
Modelación matemática en Cadenas agro-industriales
Algunos de los trabajos realizados sobre la aplicación de modelos matemáticos en cadenas de abastecimiento agro-industrial incluye el de López et al. (2001), que proponen una solución al problema de altos costos del transporte de la caña de azúcar cultivada en diferentes campos remotos y transportados a una planta central de procesamiento de azúcar. Las limitaciones incluyen la necesidad de constante central de alimentación, los medios utilizados en la cosecha, los diferentes tipos de transporte y las rutas de suministro, la caña de azúcar debe ser llevado primero a los centros de reserva y se transportan a la planta de procesamiento en tren. Por último, Villegas, et al. [2006] ponen en marcha un modelo de la cadena de suministro de café en Colombia, cuyos objetivos son reducir al mínimo los costos y maximizar el nivel de servicio, e incluir características avanzadas de distribución.
Programación por restricciones
Para el caso particular que se es objeto de esta investigación, sin embargo, no es posible modelar todas las condiciones que se requieren y el tiempo de resolución no es económico con respecto al tiempo disponible de la situación real. Es en este punto en el cual las metodologías agrupadas en la programación por restricciones dan un apoyo fundamental tanto en las capacidades de modelado como en los tiempos de resolución.
Dado un problema descrito a través de variables, donde cada variable posee un dominio asociado, compuesto por un conjunto de potenciales valores y un conjunto de restricciones que representan las diferentes relaciones entre las variables que debe ser satisfechas para resolver el problema, el ánimo principal de la programación por restricciones es usar el conocimiento de las restricciones para eliminar del dominio de las variables todos aquellos valores que no pueden formar parte de una solución al problema. (Van Beek, Rossi, & Walsh, 2006) De esta forma, es posible resolver un problema reduciendo los dominios de sus variables hasta conseguir aproximaciones muy cercanas al valor solución, o reducir el dominio de una o más variables hasta eliminar todos sus posibles valores (caso en el cual el problema no tiene solución). (Kumar, 1992)
Generalidades Palma de Aceite y el problema de la Fertilización.
El cultivo de la palma de aceite (Elaeis guineensis Jacq.) es una de las mejores opciones de uso agrícola de las tierras del trópico bajo, debido a su efecto muy benigno sobre el medio ambiente y su alto potencial de rendimiento de aceite. Sin embargo, la obtención de altos niveles de rendimiento de frutos y aceite conlleva la extracción de altas cantidades de nutrientes, los cuales deben restituirse al suelo para no empobrecerlo y para sustentar nuevos ciclos de producción.
Por otra parte, el nivel de fertilidad de muchos suelos cultivados con palma de aceite en Colombia es insuficiente para el desarrollo adecuado del cultivo (Munévar 1998), por lo cual es necesario su mejoramiento mediante la fertilización.
La adecuada fertilización de la palma de aceite es necesaria no sólo desde el punto de vista de su efecto directo sobre los rendimientos de fruto y de aceite, sino que la nutrición suficiente y balanceada juega un papel importante en la prevención de enfermedades y ataques de plagas que afectan el cultivo y que finalmente inciden también en los rendimientos. Precisamente el conservar este tipo de balance entre nutrientes y el aminorar los posibles efectos de toxicidad por las relaciones entre la cantidad de nutrientes y sus combinaciones presentes en el suelo cultivado, hace que las decisiones correspondientes a la fertilización deban ser tratadas mediante modelos matemáticos para optimización. Aspectos adicionales como las consideraciones logísticas y la interacción de los nutrientes con las condiciones medio ambientales implican además la adopción de modelos que hacen uso de expresiones binarias y enteras lo que dificulta en algunos casos la resolución rápida de los escenarios propuestos.
REFERENCIAS
Acosta, A., Marín, D., Ramirez, F., & Corzo, M. (2009). Manejo Integrado de la nutrición de la palma de aceite; experiencias en América tropical. XVI International Oil Palm conference and Expopalma. Cartagena de Indias: Cenipalma.
Aikens, C.H. (1985), Facility location models for distribution planning. European Journal of Operational Research. 22 263-279.
Banaszak, Z. A., Zaremba, M. B., & Muszynski, W. (2009). Constraint programming for project-driven manufacturing. International Journal of Production Economics, 120(2), 463-475. doi: DOI: 10.1016/j.ijpe.2008.12.016
Chvátal, V. (1973), Edmonds Polytopes and a hierarchy of combinatorial problems, Discrete Mathematics 4 (305-337).
Cohen, M.A., Lee, H.L. (1988), Strategic analysis of integrated production-distribution systems: Models and methods. Operations Research 36 216-228.
Eskigun, E., Uzsoy, R., Preckel, P.V., Beaujon, G. Krishnan, S. (2005), Outbound supply chain network design with mode selection, lead times and capacitated vehicle distribution centers. European Journal of Operational Research. 165 182-206.
Eskigun, E., Beaujon, G., Krishnan, S., Uzsoy, R., Preckel, P.V. (2001), General Motors onbutbound supply chain network design with uncapacitated vehicle distribution centers, Research Report, General Motors Research and Development Center, 15 December. FAO. Organización de las Naciones Unidas para la agricultura y alimentación. 2004.
Fairhurst, T. (2003) Management for Large and Sustainable Yields.
Goetschalckx M., Vidal C.J., Dogan K. (2002), Modeling and design of global logistic system: A review of integrated strategic and tactical models and design algorithms. European Journal of Operational Research 143 (1) 1-18.
Gomory, R.E. (1958), Outline of an algorithm for integer solutions to linear programs, Bulletin of the American Mathematical Society 64 275 – 278.
Kumar, V. (1992). Algorithms for constraint-satisfaction problems: A survey. AI Magazine , 32-44.
López, M,E., Fernández, S.M., Plá, L.M. (2001), El problema de transporte de la caña de azúcar. Reporte de Investigación. Universidad de Holguín. Cuba.
McPhee, M. (2009). Mathematical modelling in agricultural systems: A case study of modelling fat deposition in beef cattle for research and industry. 18th World IMACS / MODSIM Congress. Cairns, Australia.
Munevar, F. (2001). Fertilización de la Palma de Aceite para obtener altos rendimientos. Bogotá: Fedepalma.
Overman, A., & Scholtz, R. (2002). Mathematical Models of Crop Growth and Yield. New York: CRC Press.
Peña, R. (2007). Manejo Integrado de la nutrición de la Palma de Aceite. Bogotá, UNAL.
Porter, M. (1985). Competitive Advantage: Creating and sustaining superior performance. New York: The Free Press. MacMillan.
Rardin, R. (1998). Optimization in operations research. New Jersey: Prentice Hall.
Raygada, R. (2005). Manual técnico para el cultivo de la Palma Aceitera
Revelo, M. (2002). Palmicultura Moderna
Rossi, F., Van Beek, P., & Walsh, T. (2006). Handbook of Constraint Programming. Amsterdam: Elsevier.
Shapiro, J.F. (2001). Beyond supply chain optimization to enterprise optimization. ASCET .
Shapiro, J.F. (2000). Modeling the Supply Chain. Boston: South-Western College Pub.
Shapiro, J. F. (2004). Challenges of strategic supply chain planning and modeling. Computers & Chemical Engineering, 28(6-7), 855-861. doi: DOI: 10.1016/j.compchemeng.2003.09.013
Thomas, D., Griffin, M.C. (1996), Coordinate supply chain management. European Journal of Operational Research 94 1-15.
Vidal C.J., Goetschalckx M. (1997), Strategic production-distribution models: A critical review with emphasis on global supply chain models. European Journal of Operational Research 98 1-18.
Villegas, J. G., Palacios, F., Medaglia, A.L. (2006), Solution methods for the biobjective (cost-coverage) unconstrained facility location problem with an illustrative example, forthcoming in Annals of Operations Research.
Zhimin Zhang, C. W. (1990). Application of operations research in agriculture decision making. ANNALS OF OPERATIONS RESEARCH , 299-307.
|
