Cadenas de suministro, logística y prácticas colaborativas en el Caribe colombiano. Vladimir Balza Franco
Читать онлайн книгу.
elaboración propia.
Utilizando el software Grafos®, desarrollado por el profesor de la Universidad Politécnica de Valencia (España) Alejandro Rodríguez Villalobos (2006), se resolvieron los algoritmos propuestos por Kruskal y Dijsktra (Yan, 2014).
Como datos de entrada se tomó la distancia ubicada entre cada uno de los municipios, así como la cantidad de fruta cosechada anualmente por cada uno. De tal manera que, con el producto de estos dos datos, se determinó el parámetro de distancia efectiva para cada trayecto, como se muestra en la tabla 11.
Tabla 11. Matriz de parámetros de distancia efectiva
Fuente: elaboración propia.
Se realiza un primer modelo en el cual se asume que el trayecto que recorrerá la fruta será puntual entre dos municipios interconectados por las vías terrestres de transporte. Los trayectos son:
•Ciénaga-Zona Bananera.
•Zona Bananera-Ciénaga.
•Zona Bananera-Santa Ana.
•Santa Ana-Zona Bananera.
•Zona Bananera-El Banco.
•El Banco-Zona Bananera.
•El Banco-Santa Ana.
•Santa Ana-El Banco.
En los casos de El Banco-Ciénaga y Santa Ana-Ciénaga (ida y regreso), son trayectos que están compuestos por la conmutación de los otros trayectos: para el primer trayecto se encuentran las rutas El Banco-Zona Bananera-Ciénaga y, para el segundo, se tiene El Banco-Santa Ana-Zona Bananera-Ciénaga y Santa Ana-Zona Bananera-Ciénaga. La ilustración 4 muestra la ubicación georreferenciada de los principales centros de acopio o nodos de conexión de las rutas citadas: Ciénaga, Sevilla (Zona Bananera), Santa Ana y El Banco.
Ilustración 4. Mapa georreferenciado de los potenciales centros de acopio del departamento del Magdalena
Fuente: elaboración propia a partir de Google Earth®.
Bajo el modelo desarrollado de acuerdo al algoritmo de Kruskal y ejecutado en el software Grafos®, se determinó que el árbol de ruta mínimo óptimo define al municipio de Ciénaga como el más adecuado para la futura construcción del centro de acopio, con un indicador de masa por distancia correspondiente 413.399,3 km-t. Este municipio, al norte del departamento, resultó ser la mejor opción entre los municipios considerados debido a que está conectado con centros urbanos como Barranquilla (al este) y Santa Marta (al norte). Para tomar esta decisión se realizaron cálculos teniendo en cuenta la distancia que hay entre cada municipio productor y la cantidad de mango que generan. Así, al ser Ciénaga el mayor productor de mango, los costos totales se incrementarían si se trasladara toda su producción a alguno de los otros municipios productores considerados en el estudio.
Conclusiones
A partir de los resultados obtenidos en la matriz aumentada de origen-destino y del algoritmo de Kruskal Dijsktra, y bajo el supuesto de un crecimiento significativo en la demanda del producto mango debido a la inversión por parte de los agentes productivos en estrategias de motivación de aumento de su producción y consumo, pasando de 15.184 toneladas reales a 18.875 toneladas como mercado meta, se puede concluir que:
•El municipio de Ciénaga en el Magdalena es el más idóneo para establecer el centro de acopio y recolección de toda la fruta del departamento debido a su alto volumen de producción y su ubicación estratégica. Se requiere que tenga una capacidad para almacenar las 18.875 toneladas por año demandadas por el mercado meta, aproximadamente unas 52 toneladas en promedio diario.
•La ruta de recolección, o el árbol mínimo de recorrido que reduce u optimiza los costos de transporte, está compuesta por los trayectos El Banco-Santa Ana (93.425 km-t), Santa Ana-Zona Bananera (213.675 km-t), Zona Bananera-Ciénaga (125.299 km-t).
•Una vez recolectada la fruta en el centro de acopio de Ciénaga, se inicia el proceso de distribución hacia los principales mercados de los departamentos de Sucre (3.712 toneladas), Santander (10.844 toneladas), Atlántico (468 toneladas) y La Guajira (3.852 toneladas). Esto requiere el envío de 37 camiones para Sucre, 109 para Santander, 47 para el Atlántico y 39 para La Guajira en promedio por año.
Los resultados anteriores se pueden convertir en verdaderas estrategias de inversión para los agentes pertenecientes a la cadena productiva del mango, quienes tendrían la posibilidad de tomar decisiones acertadas basadas en los sistemas de información estadística suministrada por las entidades de apoyo del Gobierno y por modelos de investigación desarrollados por las instituciones universitarias. Este capítulo se enfocó en un eslabón importante de la cadena de suministro: los productores agroindustriales, los cuales son grandes generadores de carga y cuentan con gran importancia para la seguridad y sostenibilidad alimentaria nacional. Sin embargo, existen otras cadenas de suministro de igual importancia en la economía como las que sostienen el comercio al detal y el e-commerce en el contexto urbano. En el siguiente capítulo veremos cómo pequeñas empresas comercializadoras enfrentan los problemas propios de la cadena física de distribución urbana mediante distintos modelos y herramientas.
Referencias bibliográficas
Agronet. (2017). Estadísticas agropecuarias. Recuperado de https://www.agronet.gov.co/estadistica/Paginas/home.aspx?cod=1, acceso 12 de diciembre de 2017.
Berodia, J. L. M., Portilla, Á. I., Dell’Olio, L. y Zamanillo, Á. V. (2006). Dos modelos de distribución de viajes: Modelo de entropía (hyman) versus triproporcional a través de una aplicación en la ciudad de Concepción (Chile). Revista de Obras Públicas, 153(3462), 33-40.
Blackburn, R. A., Hart, M. y Wainwright, T. (2013). Small business performance: business, strategy and owner-manager characteristics. Journal of Small Business and Enterprise Development, 20(1), 8-27. https://doi.org/10.1108/14626001311298394
Blainey, S. P. y Preston, J. M. (2010). Modelling local rail demand in South Wales. Transportation Planning and Technology, 33(1), 55-73.
Cámara de Comercio de Santa Marta. (2018). Información de indicadores agropecuarios del Magdalena. Recuperado de https://www.ccsm.org.co/servicios-empresariales/servicios-ofertas-empresariales/estudios-economicos/investigaciones-e-indicadores-economicos/send/78-investigaciones/48705-informacion-de-indicadores-agropecuarios-magdalena.html. Acceso 7 de diciembre de 2020.html
De Dios Ortúzar, J. y Willumsen, L. G. (2008). Modelos de transporte (Vol. 1). Cantabria, España: Ed. Universidad de Cantabria.
De Dios Ortúzar, J. y Willumsen, L. G. (2011). Modelling transport. John Wiley & Sons.
De Grange, L., Fernández, E. y De Cea, J. (2010). A consolidated model of trip distribution. Transportation Research Part E: Logistics and Transportation Review, 46(1), 61-75.
DeLorme, D., Huh, J. y Reid, L. (2006). Perceived Effects of Direct-to-Consumer (DTC) Prescription Drug Advertising on Self and Others: A Third-Person Effect Study of Older Consumers. Journal of Advertising, 35(3), 47-65. https://doi.org/10.2753/JOA0091-3367350304
Hitchcock, F. L. (1941). The distribution of a product from several sources to numerous localities. Journal of Mathematics and Physics, 20(1-4), 224-230.
Hyman, G. (1997). The development of operational models for time period choice. Londres: Department of the Environment, Transport and the Regions, HETA Division.
Luna-Amaya, C., Nieto-Bernal, W., Mercado-Cervera, H. y Pajares-Gutiérrez, J. (2017). Productive development model of the fisheries chain Spanish. Dyna, 84(203), 220-225.
Ministerio de Agricultura.