Anales XXIX Escuela de Perfeccionamiento en …...técnico y cientí ico en el campo de la...
263
Transcript of Anales XXIX Escuela de Perfeccionamiento en …...técnico y cientí ico en el campo de la...
Anales XXIX Escuela de Perfeccionamiento en Investigación Operativa y XXXI Encuentro Nacional de Docentes en Investigación Operativa / Juan Ariel Adams ... [et al.] ; compilado por Fernanda Villareal ; Mariana Funes ; coordinación general de Mariana Funes ; editado por Erica Chemes. - 1a ed compendiada. - Tandil : Escuela de Perfeccionamiento en Investigación Operativa, 2018. Memoria USB, PDF
ISBN 978-987-24267-9-8
1. Investigación Operativa. 2. Matemática Aplicada. 3. Estadísticas. I. Adams, Juan Ariel II. Villareal, Fernanda, comp. III. Funes, Mariana, comp. IV. Funes, Mariana, coord. V. Chemes, Erica, ed. CDD 330
ÍNDICE
Presentación 4
Autoridades 7
Comité Organizador 8
Comité Científico 9
Evaluadores 10
Conferencias / Cursos 11
Trabajos 23
Índice de Autores 262
Una vez más nos reunimos en una nueva edición de la Escuela de Perfeccionamiento en
Investigación Operativa y del Encuentro de Docentes en Investigación Operativa. Esta vez, es la
Universidad Nacional de Mar del Plata la sede de nuestro XXIX EPIO – XXXI ENDIO.
Desde sus orígenes, en el año 1988, nuestras reuniones promueven y difunden el conocimiento
técnico y cientí�ico en el campo de la Investigación Operativa y disciplinas a�ines, por medio de
un constante intercambio de ideas a través de cursos, seminarios, conferencias y trabajos de
investigación y de campo, en un ambiente de cordialidad y solidaridad.
Docentes, investigadores, profesionales y estudiantes de grado y de postgrado de diferentes
carreras universitarias con per�iles y orígenes curriculares diversos, se congregan cada año
para compartir sus experiencias.
Para este encuentro se propone un programa variado con dos conferencias, una mesa redonda,
cuatro cursos y tres sesiones en paralelo para la presentación de los 50 trabajos que fueron
evaluados y aceptados por el Comité de Programa, que forman parte de estos anales.
: 4 :
¿Quiénes somos?En el año 1988, con la participación de un grupo de docentes, investigadores, cientí�icos y
profesionales tecnológicos, tuvo lugar el Primer Encuentro Nacional de Docentes en
Investigación Operativa (I ENDIO). Dos años después, dada la necesidad de formalizar y
potenciar los ENDIOs, nace la Escuela de Perfeccionamiento en Investigación Operativa (EPIO).
Desde el punto de vista jurídico, la EPIO es una Asociación Civil sin �ines de lucro, registrada en
Personas Jurídicas con la matrícula N° 21.400 de fecha 12 de Febrero de 2001, Legajo 106133.
Su Presidencia es de carácter rotativo y los miembros de la Comisión Directiva y Revisores de
Cuentas son elegidos cada dos años de acuerdo a lo que establece el Estatuto de la Asociación.
Nuestros Objetivos• Promover y difundir el conocimiento técnico-cientí�ico y docente en el campo de la
Investigación Operativa y disciplinas a�ines, por medio de un constante intercambio de ideas,
trabajos de investigación y de campo y de periódicas reuniones.
• Vincular a las personas e Instituciones interesadas en esta disciplina para propender al
enriquecimiento vocacional común de sus integrantes.
• Mantener relaciones con entidades del país, extranjeras o internacionales que persigan
�ines semejantes.
• Asesorar en problemas técnicos y cientí�icos a sus asociados y a quienes lo requieran.
• Fomentar el estudio, la investigación y la aplicación de la Investigación Operativa en
instituciones educativas y particularmente las universitarias.
• Vincularse con organismos o�iciales y entidades privadas para brindar colaboración y
asesoramiento en la materia.
• Dictar cursos, seminarios, conferencias de capacitación relacionados con la disciplina.
• Organizar Encuentros Nacionales de Docentes en Investigación Operativa (ENDIO),
Simposios, Congresos nacionales e internacionales u otras actividades análogas sobre temas de
interés en la materia.
• Editar la Revista de la EPIO para la difusión de temas relacionados con la Investigación
Operativa y para el cumplimiento de los �ines de la Asociación Civil sin �ines de lucro.
• El ejercicio, en cumplimiento de �ines, de todos los demás actos que no estén expresamente
prohibidos y que no atenten contra las leyes fundamentales de la Nación.
• Desarrollar un ambiente de cordialidad y solidaridad entre sus asociados y propender al
mejoramiento intelectual y cultural de los mismos.
: 5 :
• El ejercicio, en cumplimiento de �ines, de todos los demás actos que no estén expresamente
prohibidos y que no atenten contra las leyes fundamentales de la Nación.
• Desarrollar un ambiente de cordialidad y solidaridad entre sus asociados y propender al
mejoramiento intelectual y cultural de los mismos.
Antecedentes de reuniones previasPor su carácter federal las sucesivas ediciones de los ENDIO - EPIO se han realizado en forma
rotativa en distintas Universidades del país:
Universidad Nacional del Sur: 1988, 1995, 2015.
Universidad Nacional de Cuyo: 1989.
Universidad Nacional del Centro de la Provincia de Buenos Aires: 1990, 2004, 2010.
Universidad Nacional de Rio Cuarto: 1991, 2000, 2011.
Universidad Nacional de Rosario: 1992, 2006.
Universidad Nacional de Córdoba: 1993, 2001, 2005, 2013, 2017.
Universidad Nacional de Salta: 1994.
Universidad Nacional de Mar del Plata: 1996, 2007.
Universidad Nacional de Tucumán: 1997.
Universidad Tecnológica Nacional Regional Córdoba: 1998.
Universidad Nacional de La Pampa: 1999.
Universidad Tecnológica Nacional Regional San Rafael: 2002.
Universidad Nacional de La Plata: 2003.
Universidad Nacional de Misiones: 2008.
Universidad Tecnológica Nacional Regional Buenos Aires: 2009
Universidad Nacional de Buenos Aires: 2012.
Universidad Tecnológica Nacional Regional San Nicolás: 2014.
Ponti�icia Universidad Católica Argentina 2016.
: 6 :
Comisión Directiva EpioRol Nombre Universidad de origen
Presidente José Luis Zanazzi Universidad Nacional de Córdoba
Vicpresidente Fernanda Villarreal Universidad Nacional del Sur
Secretario Nadia Ayelén Luczywo Universidad Nacional de Córdoba
Prosecretario Silvia Ramos Universidad de Buenos Aires
Tesorero Mariana Funes Universidad Nacional de Córdoba
Protesorero Mariela Estefanía Nares Universidad Nacional del Centro
Vocal Titular Horacio Rojo Universidad de Buenos Aires
Vocal Titular Daniel Pontelli Universidad de Nacional de Córdoba
Vocal Titular Ricardo Casal Universidad Nacional del Sur
Vocal Titular María Alejandra Castellini Universidad de Belgrano
Vocal Titular Juan Carlos Michalus Universidad Nacional de Misiones
Vocal Titular Mariana Arburúa Universidad Nacional de Río Cuarto
Vocal Suplente Laura Boaglio Universidad Nacional de Córdoba
Vocal Suplente Daniela Gómez Universidad Nacional de Rosario
Vocal Suplente Mariana Viri Universidad Nacional de Córdoba
Vocal Suplente Miguel Miranda Universidad de Buenos Aires
Vocal Suplente María del Carmen Romero Universidad Nacional del Centro
Vocal Suplente Catalina Alberto Universidad Nacional de Córdoba
Comisión Revisora de CuentasRol Nombre Universidad de origen
Titular Hernán Guevel Universidad Nacional de Córdoba
Titular José María de Luca Universidad Nacional de Misiones
Suplente Julio Fredes Universidad Nacional de La Pampa
Suplente Claudia Beatris Pereto Universidad Nacional de Córdoba
AUTORIDADES
: 7 :
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
..........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
...........................................................................................................................................................................................................................................................
COMITÉS
Comité Organizador LocalRol Nombre Universidad de origen
Coordinadores Adolfo Eduardo Onaine Facultad de Ingeniería UNMdP
Alejandra M. Esteban Facultad de Ingeniería UNMdP
Colaboradores Claudia N. Zárate Facultad de Ingeniería UNMdP
Verónica A. Mortara Facultad de Ingeniería UNMdP
Juan Carlos García Facultad de Ingeniería UNMdP
Marcos Schualle Facultad de Ingeniería UNMdP
Luciana B. Tabone Facultad de Ingeniería UNMdP
Nicolás Palermo Facultad de Ingeniería UNMdP
María Betina Berardi Facultad de Ingeniería UNMdP
Alicia Zanfrillo Facultad de Cs Económicas y Sociales UNMdP
: 8 :
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
.....................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
......................................................................................................................................................................................................................................................................
COMITÉS
: 9 :
Comité Cientí�icoCoordinadores GeneralesJosé Luis Zanazzi
Silvia Adriana Ramos
Coordinadores de SesiónSesión Nombre
Educación Liliana Caputo
Daniel Pontelli
Estadística María del Carmen Romero
María Inés Stimolo
Sistemas de Calidad José Luis Zanazzi
Mariela Beatriz Ambrustolo
DEA Horacio Rojo
Fernanda Villarreal
Multicriterio Claudia Carignano
José Francisco Zanazzi
Optimización Enrique Baquela
Gustavo Schweickardt
Simulación Alicia Salamon
Natalia Mira
Heurísticas y Metaheurísticas Silvia Ramos
Mariano Frutos
IO Soft Carmen Belderrain
Nadia Luczywo
Administración de la producción Adolfo Onaine
Juan Carlos Michalus
Finanzas Hernán Guevel
Mariana Arburúa
Otras metodologías y aplicaciones Mariana Funes
Patricia Iñiguez
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
.............................................................................................................................................................................................................................................
...............................................................................................
...............................................................................................
EVALUADORES
Abuabara, Leila
Ambrosini, Alejandro
Ambrústolo, Mariela Beatriz
Arburua, Mariana
Baquela, Enrique
Belderrain, Carmen
Boaglio, Laura
Cabral, Juan Bautista
Caputo, Liliana Noemí
Carignano, Claudia
Ciminari Smith, Luciano
Frutos, Mariano
Funes, Mariana
Gallardo, Juan Manuel
Garcia Mattio, Mariano
Giro, Juan
Gómez, Daniela
Guardiola, Mariana
Guevel, Hernán
Guevel, Hernán
Iñiguez, Patricia
Luczywo, Nadia Ayelén
Maller, Patricio
Martin, María De Los Angeles
Michalus, Juan Carlos
Onaine, Adolfo
Peretto, Claudia
Pontelli, Daniel
Ramos, Silvia
Rojo, Horacio
Romero, María del Carmen
Schweickardt, Gustavo
Stimolo, María Inés
Toncovich, Adrián
Toscana, Lidia
Villarreal, Fernanda
Zanazzi, José Luis
Zanazzi, José Francisco
: 10 :
CONFERENCIAS / CURSOS
CONFERENCIA ISOFT COMPUTING INSPIRED BY PROSPECT THEORY: TODIM
MESA REDONDA
IMPORTANCIA DE LAS PUBLICACIONES EN REVISTAS CIENTÍFICAS.OPCIONES PARA HACERLO
CONFERENCIA II
PROGRAMAS DE PARTICIPACIÓN PÚBLICA PRIVADA (PPP) EN LA REALIZACIÓN DE OBRA PÚBLICA EN ARGENTINA
CURSO I
ANÁLISIS DE DATOS CON TÉCNICAS DE INTELIGENCIA COMPUTACIONALEN SISTEMAS DE SOPORTE A LAS DECISIONES
CURSO II
FORMACIÓN BASADA EN COMPETENCIAS
CURSO IIIESTUDIO DE PROCESOS EN SISTEMAS DE GESTIÓN DE CALIDAD
CURSO IV
EVALUACIÓN DE EFICIENCIA: MÉTODOS DEA Y SU IMPLEMENTACIÓN EN EL ENTORNO R
: 12 :
CONFERENCIA
SOFT COMPUTING INSPIRED BY PROSPECT THEORY: TODIM
Luiz F. Autran M. Gomes Ibmec University Centre
RESUMEN
The soft computing field encompasses areas such as neural networks, fuzzy logic, rough set modelling, evolutionary and nature-inspired computing, and machine learning. Its most striking benefits are usually related to problems for which no satisfactory solution could be found by directly using traditional paradigms founded upon rigorous and firmly established mathematical results. Through this talk a survey of models that have evolved from the classical multi-criteria TODIM method and that can be inserted in the broad domain of soft computing will be reviewed. TODIM was the first discrete multi-criteria method based on ideas from prospect theory. The algorithm for using the classical TODIM method as well as a number of extensions and a generalization of this method will be outlined. Extensions will cover formulations to deal with interval-data, hybrid, fuzzy, hesitant fuzzy, intuitionistic fuzzy, grey and neutrosophic input data, SMAA-TODIM modelling, etc. The talk will close with possible future developments.
Luiz Flavio Autran Monteiro Gomes
The speaker has a PhD degree from the University of California at Berkeley, an MSc from Michigan State University, and the Civil Engineer degree from the Pontifical Catholic University of Rio de Janeiro. He has been full professor of Management Science in the Ibmec School of Business and Economics, in Rio de Janeiro, since 2000. He has worked as a researcher, a teacher, an academic advisor, and a consultant in the field of Multi-Criteria Decision Analysis since the 70s. He has advised about 200 theses and dissertations most of them dealing with MCDA. He was president of the Brazilian Society of Operations Research – SOBRAPO (1999-2003). He is a member of the National Academy of Engineering (Brazil), SOBRAPO and INFORMS.
: 13 :
MESA REDONDA
IMPORTANCIA DE LAS PUBLICACIONES EN REVISTAS
CIENTÍFICAS. OPCIONES PARA HACERLO
Luiz F. Autran M. Gomes Ibmec University Centre
Carmen Belderrain Instituto Tecnológico Aeronáutico
Fernanda Villarreal Universidad Nacional del Sur
Horacio Rojo
Universidad de Buenos Aires [email protected]
Luiz Flavio Autran Monteiro Gomes
The speaker has a PhD degree from the University of California at Berkeley, an MSc from Michigan State University, and the Civil Engineer degree from the Pontifical Catholic University of Rio de Janeiro. He has been full professor of Management Science in the Ibmec School of Business and Economics, in Rio de Janeiro, since 2000. He has worked as a researcher, a teacher, an academic advisor, and a consultant in the field of Multi-Criteria Decision Analysis since the 70s. He has advised about 200 theses and dissertations most of them dealing with MCDA. He was president of the Brazilian Society of Operations Research – SOBRAPO (1999-2003). He is a member of the National Academy of Engineering (Brazil), SOBRAPO and INFORMS.
Carmen Belderrain
Profesora Titular del Instituto Tecnológico de Aeronáutica. Becária CNPq en Productividad de Investigación. Doctorado en Ingeniería Aeronáutica y Mecánica por el Instituto Tecnológico de Aeronáutica. Maestria en Ingeniería de Sistemas y Computación por la Universidade Federal do Rio de Janeiro COPPE/UFRJ. Licenciado en Investigación Operativa - Universidad Nacional Mayor de San Marcos, Lima, Perú. Consultor ad-hoc en órganos gubernamentales FAPESP, CAPES e CNPq. Actúa en los siguientes temas: Métodos de estructuración de problemas (PSM), Métodos de apoyo a la decisión multicritério y Multimetodologia.
Fernanda Villarreal
Doctora en economía, Universidad Nacional del Sur (UNS), Argentina. Profesora adjunta Departamento de Matemática (UNS). Becaria posdoctoral CONICET. Docente investigador categoría III. Vicepresidenta de la comisión directiva de la Escuela de Perfeccionamiento en Investigación Operativa (EPIO) y miembro del comité editorial de la Revista Investigación Operativa. Directora de un Proyecto de investigación acreditado por la Secretaría de Ciencia y Tecnología de la UNS en el área de Métodos Cuantitativos. Posee publicaciones en congresos nacionales e internacionales, como así también, en revistas nacionales indexadas y no indexadas en temas relacionados a modelos cuantitativos para la toma de decisiones.
: 14 :
Horacio Rojo
Horacio Rojo es Profesor Consulto Titular en la Facultad de Ingeniería de la UBA, miembro del Comité Editorial FIUBA-EUDEBA, Director de tres tesis de Doctorado en Ingeniería de la UBA y de numerosas tesinas de grado de Ingeniería Industrial; ha sido Director de tres proyectos de investigación acreditados por la Secretaría de Ciencia y Técnica de la UBA, de numerosos artículos publicados en Revistas Científicas y presentados en Congresos Científicos y ha sido Coordinador de la Comisión Técnica Asesora nº 7 de la UBA para la acreditación de proyectos y becas de investigación.
: 15 :
CONFERENCIA
PROGRAMAS DE PARTICIPACIÓN PÚBLICA PRIVADA (PPP) EN LA REALIZACIÓN DE OBRA PÚBLICA EN ARGENTINA
Mg. Ing. José Luis Morea Ing. Tomás Darmandrail [email protected] [email protected]
RESUMEN
La conferencia aborda la cuestión del novedoso marco regulatorio de Participación Público Privada, como una herramienta de financiamiento de la infraestructura pública a través de las asociaciones entre el Estado y el sector privado. Bajo esta figura, se profundizará en las diferencias jurídicas que hacen de este instrumento una herramienta más robusta que otros marcos regulatorios, permitiendo un andamiaje financiero al estructurar las licitaciones de diseño, construcción, financiamiento, operación y mantenimiento de bienes públicos, de modo tal de volverlas competitivas y financiables por el sector privado. Además de los aspectos estructurales, se tratarán los mecanismos de adjudicación optima de ofertas proyectos múltiples y la aplicación de técnicas de diferentes disciplinas de ingeniería en el proceso.
José Luis Morea
Ingeniero Industrial por la Pontificia Universidad Católica Argentina. Tiene una Maestría en Economía Aplicada de la misma Universidad, así como una Maestría en Políticas Públicas y Gestión de Carnegie Mellon University (Adelaide, Australia). Fue gerente de planeamiento del grupo central Puerto, el mayor grupo de energía eléctrica de Argentina, habiendo ocupado anteriormente los cargos de Asesor Comercial y luego Jefe de Desarrollo de Negocios. Fue asesor estratégico de Santos, la mayor compañía australiana de Oil&Gas. Es además Director en el Banco de Inversión y Comercio Exterior.
Marcos Darmandrail
Es Ingeniero Industrial por la Pontificia Universidad Católica Argentina. Tiene una Maestría en Negocios de IAE Business School de la Universidad Austral, como así también un Posgrado en Administración de Proyectos de la Pontificia Universidad Católica Argentina. Después de más de 10 años de experiencia en el sector de la energía, y en particular, en la evaluación de proyectos de inversión, es Director Nacional de Coordinación Ejecutiva en la Subsecretaría de PPP para el Ministerio de Finanzas de Argentina. Anteriormente ocupó los cargos de Jefe de Desarrollo Corporativo y de Jefe de Departamento de Finanzas del grupo Central Puerto, el Mayor Utility de Argentina.
: 16 :
CURSO
ANÁLISIS DE DATOS CON TÉCNICAS DE INTELIGENCIA COMPUTACIONAL EN SISTEMAS DE SOPORTE A LAS
DECISIONES
Dra Lucía Isabel Passoni Dr. Gustavo Javier Meschino [email protected] [email protected]
Laboratorio de Bioingeniería-ICYTE - Facultad de Ingeniería UNMDP
RESUMEN
El curso tiene como finalidad presentar las técnicas de Inteligencia Computacional aplicadas al Análisis de Datos y al diseño de Sistemas de Soporte a las Decisiones. La Inteligencia Computacional (IC) abarca la teoría, el diseño, la aplicación y el desarrollo de algoritmos inspirados en la biología y en la lingüística con énfasis en Redes Neuronales Artificiales, Sistemas Conexionistas, Algoritmos Evolutivos, Sistemas Difusos, Sistemas de Inteligencia Colectiva y Sistemas Híbridos. El abordaje de esta temática siempre ha estado motivado en la posibilidad de resolver problemas reales, de interés manifiesto en diversas áreas tales como la Administración, la Economía, la Ingeniería, entre otras. Se propone generar un espacio de discusión en el ámbito del curso con el fin de que los asistentes logren captar los conceptos básicos de las potencialidades de estas técnicas y su aplicación en el modelo de negocios propio.
Isabel Pasoni
Ingeniera Electricista con orientación Electrónica y Doctora en Ingeniería por la Facultad de Ingeniería de la UNMDP, es Magister en Gestión Universitaria por la Facultad de Ciencias Económicas y Sociales de la UNMDP. Actualmente es Directora del Departamento de Ingeniería Electrónica y Computación. Profesora Titular de la Facultad de Ingeniería de la Universidad Nacional de Mar del Plata. Directora del Grupo de investigación en Bioingeniería del Instituto de Investigaciones Científicas y Tecnológicas en Electrónica (ICyTE: UNMDP-CONICET-CIC), lidera proyectos de I+D en el área de Inteligencia Computacional aplicada a problemas de Ingeniería, Biología y Medicina. Coordina acciones de transferencia y extensión al medio socio-productivo relacionados con esta temática.
Gustavo Javier Meschino
Ingeniero Electrónico (1997). Doctor en Ingeniería, Orientación Electrónica (2008). Títulos otorgados por la Universidad Nacional de Mar del Plata. Profesor Adjunto con dedicación Exclusiva. Investigador Categoría III, otorgada en 2011. Trabaja en el Laboratorio de Bioingeniería del Instituto de investigaciones Científicas y Tecnológicas en Electrónica (ICYTE – Universidad Nacional de Mar del Plata – CONICET). Sus áreas de investigación abarcan: técnicas de Machine Learning aplicadas al procesamiento de imágenes y señales biomédicas, en conjunto con la coordinación de proyectos de diseño de dispositivos biomédicos de adquisición y procesamiento de señales. Es parte de la Comisión Directiva de la Sociedad Argentina de Bioingeniería (SABI).
: 17 :
CURSO
FORMACIÓN BASADA EN COMPETENCIAS
ONAINE, Adolfo Eduardo ARTIGAS, María Velia [email protected] [email protected]
Departamento de Ingeniería Industrial – Facultad de Ingeniería
Universidad Nacional de Mar del Plata
RESUMEN
El taller se propone explicar cuáles son los lineamientos que fundamentan la incorporación del tema de las competencias y su inserción en la currícula de la educación superior. Las definiciones, en cuanto a los modelos de competencias, si bien son variadas, existen algunas características distintivas. Spencer y Spencer (1987) las definen como características de la personalidad al considerarse que indican formas de pensar, que generalizan diferentes situaciones y son duraderas a través del tiempo, es decir, son previsibles. Todas las personas tienen conocimientos adquiridos y atributos que definen sus competencias para cierta actividad, con lo cual son evidenciables. Por último su descubrimiento ayuda a saber si están alineados a lo que se busca en una organización. A ello se hace alusión cuando refiere a estándares. La metodología propuesta para el taller es teórico-práctica dado que se busca que los conceptos puedan ser articulados a la práctica docente mediante un ejercicio de auto-evaluación sobre la asignatura o la profesión en la cual cada participante se desempeña. La bibliografía que se toma como referencia son los documentos oficiales de organismos gubernamentales que han elaborado políticas al respecto y artículos científicos que dan una fundamentación teórica del tema. Se espera que se pueda lograr el objetivo general de sensibilizar al docente sobre la importancia del concepto de competencias y su aplicación en su práctica; fomentando el intercambio de experiencias y las buenas prácticas entre los docentes asistentes.
Adolfo Eduardo Onaine
Ingeniero Electricista (UNMdP), Master Internacional en Dirección de Empresas (UNSAL-DEUSTO) y cursando el Doctorado en Ingeniería Industrial (Universidad Nacional de Lomas de Zamora, Argentina). En la FI de la UNMdP es: Director del Departamento de Ingeniería Industrial; Profesor Titular; Miembro de los Comités Académicos de las Especializaciones en “Higiene y Seguridad en el Trabajo” y “Gestión de la Tecnología y la Innovación”. Director de los Grupos de Investigación y Extensión "Gestión Industrial" y “Mejora Continua, Calidad y Medio Ambiente”. Participa en: Proyectos de extensión universitaria, PDTS y Asistencia Técnica; el Comité Editor de la Revista “Tutoría en Educación Superior” del GITBA; Eventos regionales, nacionales e internacionales como miembro de Comités Organizadores y Académicos, moderador, expositor de trabajos y disertante en talleres. Posee publicaciones en revistas y trabajos presentados en congresos regionales, nacionales e internacionales.
: 18 :
María Velia Artigas
Doctora por la Facultad de Psicología de la UBA. Especialista en Psicología Organizacional y del Trabajo (UBA). Licenciada en Psicología (UNMdP). Docente Regular Exclusiva de Administración de Recursos Humanos en la Facultad de Ingeniería (FI-UNMdP). Responsable del Servicio de Orientación Laboral y Coordinadora de Tutorías de Ingreso: Programa Acompañando al estudiante de primer año de la FI-UNMdP. Formación de postgrado en Universidad de Bari, Italia. Curso de posgrado Experto en formación por competencias (UNAM), en curso. Investigadora categorizada trabaja sobre tutorías y competencias en la FI-UNMdP (Mg.Ing.Onaine) y sobre calidad de vida laboral (Dra. Ferrari). Ha publicado artículos científicos en revistas y congresos nacionales e internacionales. Miembro del Comité Editor de la Revista Tutorías en Educación Superior del GITBA.
: 19 :
CURSO
ESTUDIO DE PROCESOS EN SISTEMAS DE GESTIÓN DE CALIDAD
AMBRÚSTOLO, Mariela [email protected]
MIGUELES, Marina [email protected]
BERARDI, María Betina [email protected]
Grupo Mejora Continua, Calidad y Medio Ambiente Departamento de Ingeniería Industrial, Facultad de Ingeniería
Universidad Nacional de Mar del Plata
RESUMEN
El enfoque de procesos permite a las organizaciones operar de una manera eficaz identificando y gestionando todos los procesos interrelacionados. Durante la actividad se desarrollarán actividades didácticas que permitan aplicar herramientas para comprender y estudiar las actividades como procesos, mapear y determinar mediciones que promuevan la mejora continua. Los resultados deseados se alcanzan más eficientemente cuando los recursos y las actividades relacionadas, se gestionan como procesos interrelacionados que funcionan en un sistema coherente. Entender a la organización como sistema permite optimizar el desempeño de la organización. Dentro de las ventajas del enfoque a procesos podemos mencionar que enfatiza la comprensión y el cumplimiento de los requisitos, estimula la necesidad de evaluar a los procesos en términos de valor agregado, permite obtener resultados del desempeño y eficacia de los procesos y enfatiza la importancia de la mejora continua sobre la base de mediciones objetivas. Para poner en práctica este enfoque cada organización debe: identificar los procesos; determinar su secuencia e interacción; determinar entradas requeridas y salidas esperadas; analizar criterios y métodos para operación eficaz; asegurar disponibilidad de recursos para operación y seguimiento; implementar el control de los procesos, medirlos, realizar seguimiento y analizarlos; abordar riesgos y oportunidades; mantener y conservar información documentada e implementar acciones para la mejora de los mismos.
Mariela Ambrústolo
Ingeniera Química (UNMDP). Co-directora grupo de investigación y extensión “Mejora continua, Calidad y Medio Ambiente” Departamento de Ingeniería Industrial. Facultad de Ingeniería. (UNMDP). Profesor Adjunto exclusivo de Gestión de Calidad y Gestión Ambiental. Profesor Gestión Integrada de la Seguridad e Higiene en el Trabajo. Licenciatura en Higiene y Seguridad. Universidad Fasta. Proyecto de desarrollo tecnológico – social (PDTS)- Guía SGC en InfoLab. Integrante Comisión Directiva de la SAMECO y Coordinadora Encuentro Regional “Mar y Sierras”. Actividades de transferencia y publicaciones en congresos y revistas relacionadas con calidad, medio ambiente y mejora continua. Evaluadora del Premio Nacional a la Calidad Sector Público.
: 20 :
Marina Migueles
Ingeniera Química. Especialista en Higiene y Seguridad en el Trabajo. (UNMDP). Integrante grupo de investigación y extensión “Mejora continua, Calidad y Medio Ambiente” Departamento de Ingeniería Industrial. Facultad de Ingeniería. (UNMDP). JTP Titular exclusiva de las asignaturas de Gestión de Calidad y Gestión Ambiental. Docente Cátedra Gestión de la Calidad–Carrera de Especialista en Higiene y Seguridad en el trabajo. UNMDP. Profesor adjunto en Gestión Integrada de la Seguridad e Higiene en el Trabajo. Licenciatura en Higiene y Seguridad. Universidad Fasta. Proyecto de desarrollo tecnológico – social (PDTS)- Guía SGC en InfoLab. Autora de material con finalidad docente y científica.
María Betina Berardi
Ingeniera Química (UNMDP). Ingeniera Industrial (UNMDP). Especialista en Gestión de la Tecnología y la Innovación. (UNMDP). Docente asignatura Gestión de Calidad y Gestión Ambiental. Dedicación Exclusiva. Investigación en “Mejora continua, Calidad y Medio Ambiente” DII.FI (UNMDP).Proyecto: “Estudio del grado de desarrollo y aplicación de las técnicas de gestión de la calidad y ambientales en empresas regionales” Investigación en “Logística” DII. FI (UNMDP). Proyecto: “Técnicas de mejoramiento y optimización aplicadas a los procesos de la cadena de suministro de organizaciones regionales”. Proyecto de desarrollo tecnológico – social (PDTS): “Desarrollo de una Guía para la Implementación de un Sistema de Gestión de Calidad para Laboratorios de Informática Forense”
: 21 :
CURSO
EVALUACIÓN DE EFICIENCIA: MÉTODOS DEA Y SU IMPLEMENTACIÓN EN EL ENTORNO R
MARIANA ARBURUA
Universidad Nacional de Río Cuarto [email protected]
JUAN MANUEL GALLARDO Universidad Nacional de Río Cuarto
PATRICIA ALEJANDRA IÑIGUEZ Universidad Nacional de Río Cuarto
CLAUDIA PERETTO Universidad Nacional de Córdoba
SILVIA ADRIANA RAMOS Universidad de Buenos Aires
FERNANDA VILLAREAL Universidad Nacional del Sur
RESUMEN
En este curso se aborda, con la síntesis que al espacio corresponde, el problema de la evaluación de eficiencia y su medición mediante métodos de aproximación a la frontera no paramétricos. En particular, se centra en el estudio de los principales modelos de la metodología Análisis Envolvente de Datos (DEA), los básicos y los que se han desarrollado para superar algunas limitaciones de los de aquellos o considerar cuestiones como las variables exógenas y no controlables, las variaciones en el tiempo y los determinantes de los niveles de eficiencia. El curso se divide en dos partes. En la primera se realiza una presentación de los diferentes modelos y, en la segunda, se trabaja en una modalidad taller para que los participantes prueben los modelos sobre datos reales, definiendo los modelos empíricos y analizando los resultados obtenidos. Para esta segunda etapa se utilizan rutinas disponibles en el entorno R.
Mariana Arburúa
Mg. en Procesos Educativos Mediados por Tecnologías, Lic. en Administración de Empresas y Contadora Pública. Jefe de Trabajos Prácticos, dedicación exclusiva, en las asignaturas Investigación Operativa y Seminario de Matemática Aplicada - modalidad presencial y a distancia -en la Facultad de Ciencias Económicas de la Universidad Nacional de Río Cuarto. Docente investigador categorizado, actualmente integrante de un proyecto de investigación sobre eficiencia en los hospitales de gestión pública en el territorio de la provincia de Córdoba. Posee diversas publicaciones nacionales e internacionales que abordan el estudio de la eficiencia del sector público.
Juan Manuel Gallardo
Contador Público (Facultad de Ciencias Económicas – UNRC). Ayudante de Primera, dedicación exclusiva, en las asignaturas Análisis Matemático I y Análisis Matemático II - modalidad presencial y a distancia -de la Facultad de Ciencias Económicas – UNRC.
: 22 :
Subsecretario de Ciencia y Técnica – Facultad de Ciencias Económicas – UNRC. Consejero Directivo Titular – Facultad de Ciencias Económicas – UNRC.Docente investigador categorizado, actualmente integrante de un proyecto de investigación sobre eficiencia en los hospitales de gestión pública en el territorio de la provincia de Córdoba. Posee diversas publicaciones nacionales e internacionales que abordan el estudio de la eficiencia del sector público.
Patricia Iñiguez
Es profesor Asociado de Investigación Operativa en la Facultad de Ciencias Económicas de la UNRC, es investigador Categoría II y Especialista en Métodos Cuantitativos. Además, ha realizado cursos y seminarios de nivel doctoral. Ha sido integrante del Comité Científico de diversos congresos nacionales e internacionales. Ha sido evaluador de artículos para revistas y libros de nivel nacional e internacional. Ha sido codirectora y es directora de proyectos de investigación vinculados al estudio de la eficiencia en el sector público. Dirige becarios de investigación. Posee publicaciones en congresos nacionales e internacionales, como así también, en revistas nacionales indexadas y no indexadas.
Claudia Peretto
Doctora en Ciencias Económicas de la Facultad de Ciencias Económicas – U.N.C. Contadora Pública (Facultad de Ciencias Económicas – U.N.C.), Magister en Estadística Aplicada (U.N.C.). Profesora adjunta en las asignaturas Métodos Cuantitativos para la Toma de Decisiones y Matemática Financiera en la Facultad de Ciencias Económicas (U.N.C.). Profesora adjunta en Investigación Operativa en la Universidad Tecnológica Nacional (Regional Córdoba). Directora de un Proyecto de investigación acreditado por SeCyT en el área de Métodos Cuantitativos. Posee diversas publicaciones – capítulos de libros y revistas especializadas- en temas relacionados a modelos cuantitativos para la toma de decisiones.
Silvia Adriana Ramos
Licenciada en Análisis de Sistemas por la Facultad de Ingeniería de la Universidad de Buenos Aires. Profesora adjunta con dedicación exclusiva en la Facultad de Ingeniería de la Universidad de Buenos Aires. Profesora asociada en el ITBA. Investigadora categorizada de la Universidad de Buenos Aires. Consejera Superior UBA en el Instituto Libre de Segunda Enseñanza.
Fernanda Villarreal
Doctora en economía, Universidad Nacional del Sur (UNS), Argentina. Profesora adjunta Departamento de Matemática (UNS). Becaria posdoctoral CONICET. Docente investigador categoría III. Vicepresidenta de la comisión directiva de la Escuela de Perfeccionamiento en Investigación Operativa (EPIO) y miembro del comité editorial de la Revista Investigación Operativa. Directora de un Proyecto de investigación acreditado por la Secretaría de Ciencia y Tecnología de la UNS en el área de Métodos Cuantitativos. Posee publicaciones en congresos nacionales e internacionales, como así también, en revistas nacionales indexadas y no indexadas en temas relacionados a modelos cuantitativos para la toma de decisiones.
TRABAJOS
: 24 :
MADUREZ DEL SISTEMA DE GESTION DE UNA PYME INDUSTRIAL
FRANCO CHIODI – DIANA PARAVIE – SILVIA URRUTIA - MARIO JAUREGUIBERRY – AYLEN GONZALEZ GARCIA
Facultad de Ingeniería–Universidad Nacional del Centro de la Provincia de Buenos Aires [email protected] [email protected] [email protected]
[email protected] [email protected]
RESUMEN
La noción de madurez es introducida como una medida para indicar cuán excelente es el desempeño de un sistema de gestión. En general un modelo de madurez es una herramienta para evaluar y mejorar habilidades, capacidades y competencias. Por ello, es que se plantea como propósito del presente trabajo el desarrollo e implementación del proceso de diagnóstico de la madurez de un sistema de gestión de una PyME industrial. El proceso metodológico para abordar el estudio se basa en un sistema compuesto por un conjunto de seis etapas interrelacionadas. Implementada la metodología se arriba a que la madurez, según el modelo de Fisher, de la mayoría de las dimensiones del sistema de gestión de la PyME seleccionada se ubica en el nivel denominado Aislado.
Palabras Clave: Sistema de gestión – Madurez – PYME 1. INTRODUCCIÓN
Tal como señala Kosieradzka (2017), los modelos de madurez fueron desarrollados como una respuesta a la necesidad de medir el progreso logrado por una organización como resultado de procesos de mejora continua. Constituyen un intento de evaluación cuantitativa de características cualitativas. Un modelo de madurez es un marco de herramientas y prácticas, permitiendo una apreciación global de las competencias críticas de la organización para gestionar y mejorar los factores críticos guiando hacia los objetivos establecidos. Complementariamente Tarhan, Turetken y Reijers (2016) concluyen que el estado actual de la investigación sobre la madurez de las organizaciones está en sus primeras fases, y la literatura académica carece de aplicaciones metódicas de muchos modelos que se han propuesto.
En ese contexto, el objetivo del presente trabajo consiste en desarrollar e implementar un proceso de diagnóstico de la madurez de un Sistema de Gestión en una empresa PyME. Para ello resulta necesario abordar una serie de objetivos específicos: relevar el conjunto de modelos de madurez de sistemas de gestión, e identificar aquellos de aplicación al ámbito PyME, interés de este estudio. Luego se deben desarrollar los instrumentos de recolección de información, así como es condición seleccionar aquellas empresas donde realizar el estudio, para ejecutar la aplicación del instrumento. El resultado final de este proceso de diagnóstico consiste en la identificación del nivel de madurez del sistema de gestión de una empresa, a partir de la escala del modelo seleccionado.
Este trabajo realiza su aporte al campo científico, ya que la aplicación de un modelo de madurez de gestión en una empresa PyME valida su aplicabilidad, así como también agrega valor al mundo empresarial, brindando confiabilidad a herramientas que permitan evaluar la madurez organizacional, y plantear acciones concretas a partir de la situación de base identificada.
: 25 :
2. ENFOQUE METODOLÓGICO La realización de la investigación propuesta en el presente trabajo, no sólo
comprende actividades propias del conocimiento de la madurez de un sistema de gestión, sino también labores de gestión que permitan llevar a cabo de manera efectiva las etapas investigativas. Según Pérez Rave, Ruiz Córdoba y Parra (2007), el enfoque de procesos constituye una de las principales bases de las prácticas de gestión que caracterizan a exitosas organizaciones empresariales, en este caso el trabajo de campo de una investigación, como un sistema compuesto por un conjunto de procesos interrelacionados que buscan un objetivo.
Según ISO 9000 (2015) “se alcanzan resultados coherentes y previsibles de manera más eficaz y eficiente cuando las actividades se entienden y gestionan como procesos interrelacionados que funcionan como un sistema coherente” (p.11).
El proceso diseñado para abordar el objetivo propuesto está conformado por las siguientes etapas, según lo establece la Figura 1
Fig.1 – Etapas del Proceso de diagnóstico
A continuación se enumeran y describen las distintas etapas. - Identificar modelos de madurez de Sistema de Gestión: Encontrar éstos a través
de una revisión bibliográfica. Se pretende relevar sus dimensiones y/o variables principales, el ámbito de aplicación, sus escalas de madurez, entre otras características principales.
- Seleccionar el modelo de madurez del Sistema de Gestión: a partir del conjunto de modelos identificados, se deben establecer los criterios que permitan seleccionar el modelo más adecuado a los fines del estudio a realizar.
- Seleccionar la empresa PyME: dado que el objeto de estudio es la empresa PyME, resulta crítica la fijación de pautas para identificar la unidad de análisis. A modo de ejemplo, algunas de ellas pueden ser: tamaño de empresa, cantidad de personal, tipo de actividad (industrial, comercial, servicios, etc.), certificación de normas (calidad, seguridad, medioambiente), accesibilidad.
- Diseñar un instrumento de recolección de información: ya seleccionado el modelo de madurez del Sistema de Gestión y la empresa que será estudiada, surge la necesidad de elaborar una herramienta que permita obtener resultados de calidad para la evaluación de la madurez del sistema de gestión.
- Aplicar el instrumento y recolectar datos en la empresa: en esta etapa, se procede al relevamiento propiamente dicho, donde se propone la realización de una primera visita de reconocimiento a la PyME para conocer sus características generales, en particular su estructura organizacional, lo que permitirá poder definir aquellos actores que serán entrevistados. En un segundo paso, se concretará la coordinación de la implementación del instrumento y la recolección propiamente dicha de los datos, in company.
Identificar Modelos
Madurez SG
Seleccionar Modelo
Seleccionar pyme
Diseñar instrumento
de recolección
Aplicar instrumento y recolectar
datos
Analizar datos y
resultados
: 26 :
- Analizar los datos y resultados: El insumo de la etapa anterior permite transformar los datos, por medio de un análisis, en la información generadora del diagnóstico de la madurez del sistema de gestión. El resultado final de este proceso de diagnóstico consiste en la identificación del nivel de madurez del sistema de gestión de la empresa, a partir de la escala del modelo seleccionado.
3. RESULTADOS En esta sección se describe la implementación de las distintas etapas del
proceso de diagnóstico de la Madurez del Sistema de Gestión de una PyME, detallado en el apartado metodológico. Identificar modelos de madurez de Sistema de Gestión.
A través de una revisión bibliográfica ampliada de Pérez Malgarejo et al. (2014), se identifican diez modelos de madurez de sistemas de gestión de negocios. Los mismos se presentan en la tabla 1, ordenados cronológicamente desde el más nuevo hasta el más antiguo.
Modelo de madurez Año Autor
Evaluación de la madurez de la gestión de procesos (PMMA)
2010 Michael Rohloff
Norma ISO 9004 2009 ISO
Modelo de madurez de procesos de negocio (BPMM –OMG)
2008 Object managment Group (OMG)
Modelo de madurez orientado hacia los procesos de negocios (BPOMM)
2007 Kevin McCormack
Modelo de madurez de procesos de negocio (BPMM) 2007 Jihyun Lee, Danhyung Lee, y
Sungwon Kang
Modelo de madurez de procesos y empresa (PEMM) 2006-2007
Michael Hammer
Modelo de madurez holístico para procesos de negocios (BPMM)
2005 Michael Rosemann & Tonia De Bruin
Modelo de madurez de procesos de negocio (BPMM) 2004 David Fisher
Integración de modelos de madurez de capacidades (CMMI) 2000 SEI: Software Engineering Institute
Modelo EFQM de excelencia (EFQM) 1991 EUROPEAN FOUNDATION FOR QUALITY MANAGEMENT
Tabla 1. Modelos de madurez estudiados. Fuente: Adaptada de Pérez Malgarejo et al. 2014
Rohloff (2011), en su modelo proporciona una evaluación integral de todas las áreas relevantes para BPM (Bussiness Process Managment) basado en un conjunto de nueve criterios o categorías y como indicador para la madurez del proceso, consideran cinco niveles.
ISO 9004 (2009), promueve una autoevaluación revisando su liderazgo, estrategia, sistema de gestión, recursos y procesos utilizando cinco niveles de madurez.
Object managment Group (OMG) (2008), presenta un modelo con cinco niveles de madurez. Cada nivel incluye objetivos, prácticas y sub prácticas que deben implementarse.
McCormack (2009), define como componentes básicos del modelo, vista del proceso, los trabajos del proceso y la gestión y medición de procesos tomando como referencia cuatro niveles de madurez.
: 27 :
Lee, Lee y Kang (2007), proponen un modelo alineado a las Áreas de Procesos Claves con cuatro niveles de madurez.
Hammer (2007), propone dos tipos de elementos para ser evaluados, los facilitadores de procesos y las capacidades de la empresa, mediante cuatro niveles de madurez.
Rosemann y De Bruin (2005), definen la madurez a partir de cuatro dimensiones: factores críticos, alcance, cobertura y competencia las cuales pueden ubicarse dentro de cinco niveles propuestos.
Por su parte, Fischer (2004), propone cinco dimensiones de análisis, estrategia, procesos, tecnología, control y personas, denominadas palancas de cambios, las cuales se deben corresponder a uno de los cinco niveles de madurez fijados en el modelo.
Según Chrissis, Konrad y Shrum (2009), el modelo CMMI del SEI, establece cinco niveles de capacidad de los procesos, los cuales se asocian a cinco niveles de madurez. Este modelo es de utilidad sólo para industrias del software.
Por último, European Foundation For Quality Management (EFQM) (2009), define nueve criterios fundamentales que permiten evaluar el progreso de una organización hacia la excelencia y cada uno de ellos se califica en forma numérica, sin establecer escala. Seleccionar el modelo de madurez del Sistema de Gestión
En esta etapa, se definen los criterios para la selección del Modelo de Madurez del Sistema de Gestión. Para este estudio, cuyo foco es medir la madurez de gestión en empresas PyMEs, los tres criterios seleccionados son factibilidad de aplicabilidad, la complejidad de uso y la existencia de una escala con una clara descripción por nivel de madurez.
A partir del trabajo de Páez et al. (2018), elaborado con autores de este trabajo, se puede inferir que el modelo de madurez del Sistema de Gestión más adecuado resulta ser, en función de los criterios definidos, el de Fisher.
El modelo de Fisher tiene como objetivo ayudar a las empresas a identificar sus propias falencias en cada una de las cinco “palancas de cambio” y como consecuencia identificar acciones específicas para superar esas limitaciones actuales. Finalmente, las empresas alcanzarán los beneficios que se espera de ellas al superar sus limitaciones actuales.
El modelo se centra en el análisis de dos magnitudes, según Tabla 2. La primera magnitud “palancas de cambio” se disgrega en cinco dimensiones que representan el núcleo de la mayoría de las organizaciones. La segunda magnitud son los estados de madurez, de estas palancas de cambio, definidos en cinco niveles.
Niveles Palancas de cambio
Aislada Tácticamente integrada
Proceso conducido
Empresa optimizada
Red inteligente de operaciones
Estrategia
Controles
Proceso
Personas
TICs
Tabla 2: Modelo de madurez del Sistema de Gestión de Fisher (niveles y palancas).
: 28 :
Fuente: elaboración propia a partir de Fisher (2004)
Seleccionar la empresa PyME
Una vez definido el modelo de madurez del Sistema de Gestión, resulta necesario avanzar en la definición de los criterios de selección a aplicar para identificar posibles empresas PyME que puedan participar del estudio. Se pretende que la empresa posea trayectoria en el mercado, su tamaño en términos de personal esté en el rango 40 – 100 empleados, sea de actividad industrial y trabaje bajo algún sistema de gestión de calidad o medioambiente, con o sin certificación, y por último, la accesibilidad a la empresa para concretar el relevamiento y diagnóstico.
A partir de la aplicación de estos criterios, la empresa seleccionada es una PyME industrial metalmecánica, con un plantel de 80 personas y presencia en el mercado por más de 40 años. Esta compañía se localiza en el parque industrial de una localidad de la provincia de Buenos Aires. Actualmente cuentan con certificación ISO 9001:2008. Ante la consulta, esta empresa ha manifestado su disponibilidad y accesibilidad para brindar información al equipo de investigación. Diseñar un instrumento de recolección de información
Para aplicar el modelo de madurez del sistema de gestión de Fisher, resultó necesario definir y elaborar los instrumentos de recolección de información que permitan el abordaje del mismo. En este caso, se decidió emplear una entrevista semi-estructurada, con un conjunto de preguntas guía vinculadas a las cinco palancas de cambio del modelo de Fisher. Las preguntas son abiertas, dejando lugar a que el entrevistado puede extender su respuesta. El entrevistador puede profundizar o repreguntar en caso de necesitar mayor grado de especificación. Además, se utiliza la observación visual y acceso a documentación interna como forma complementaria de recolección de información. Aplicación del instrumento y recolección de datos en la empresa
Se realizó una entrevista de reconocimiento con el Gerente Industrial de la empresa, explicando el objetivo del trabajo y el feedback que recibirían del diagnóstico de su madurez de gestión. El entrevistado dió su aval para realizar futuras visitas a la compañía para entrevistar a él y otros actores de la organización.
En función de las dimensiones que debe abordar el diagnóstico, y a partir del organigrama de la empresa que facilitó el Gerente Industrial, se decide que los actores clave a entrevistar son el Gerente General (por las dimensiones de estrategia y personas), el Gerente industrial (por las dimensiones controles, proceso y personas) y el responsable de Recursos Humanos (en particular por la dimensión personas). También participaron el responsable del área Comercial y la empresa contratada para el área de Tecnologías de la Información (ambos por la dimensión TI).
La multiplicidad de actores a entrevistar permitió otorgar una visión más completa y diversa sobre la realidad del Sistema de Gestión que se pretende evaluar. Estas entrevistas fueron grabadas con permiso de los entrevistados, y luego desgrabadas y convertidas en formato texto para proceder al análisis discursivo de las respuestas. Análisis de Datos
Se identificó el nivel de madurez del Sistema de Gestión de la PyME metalmecánica, a través del análisis de las observaciones y entrevistas realizadas a
: 29 :
los diversos actores involucrados. El nivel de madurez obtenido en cada una de las cinco dimensiones del modelo de Fisher, se presentan en la Figura 2.
Fig.2 - Madurez del Sistema de Gestión de la PyME estudiada
Fuente: elaboración propia
En la Figura 2 se observa que la dimensión, “estrategia” se encuentra en el nivel de madurez “integrada tácticamente”. Las razones de tal ubicación se deben las siguientes consideraciones: la gerencia general realiza una revisión anual de estrategias a la exigencia de la
ISO 9001. al momento de detectar un problema con un producto en la planta, se resuelve con
las personas involucradas, ya sea el responsable de calidad, ingeniería, RRHH, producción, etc. Sin embargo, cuando el producto llega al cliente participa únicamente el Gerente General y el cliente.
De forma similar, cuando existe algún tipo de problema con un servicio de mantenimiento o montaje, interviene el Gerente General en comunicación directa con el cliente.
el Gerente General manifestó, que usualmente confía únicamente en sí mismo para resolver problemas con los clientes externos.
en cuanto a los proveedores, la empresa efectúa una clasificación binaria en función de la criticidad para el proceso. Con la mayoría de los considerados críticos se establece una relación de integración. Siguiendo con la información de la Figura 2 la ubicación de la dimensión “control” se corresponde con el nivel de madurez “Aislada”. Los móviles de tal ubicación son:
una estructura jerárquica formalmente definida mediante organigrama mostrado en la visita, pero no se hace uso del mismo en la toma de decisiones, sino que ésta última se encuentra centralizada en la Gerencia General y la Gerencia Industrial.
En referencia a los sistemas de TI, según manifiesta el Gerente General, sólo se utilizan tres software, a través de los módulos de contabilidad, administración, compras, depósito, producción y mantenimiento.
se pudo comprobar durante la entrevista que no existen procedimientos escritos que den normativas para el uso de estos sistemas de TI ni tampoco se realiza una evaluación del valor que agregan los mismos a la gestión de la empresa.
: 30 :
Asimismo, en la Figura 2 la posición de la dimensión “proceso” se visualiza en el nivel de madurez “Aislada”, debido a que presenta el siguiente comportamiento dentro de la PyME: Se pudo observar respecto al enfoque de procesos, que si bien existe un mapa de
procesos, éste sólo se ha elaborado para cumplir con un requisito de la Norma ISO 9001 (situación que fue validada por el responsable de la Gerencia Industrial).
El análisis de la información recolectada, evidencia que existe una departamentalización por funciones, sin interrelación directa ni comunicación formal entre éstas, sino que más bien la Gerencia General establece vínculos uno a uno con cada función.
Un aspecto a destacar es el desconocimiento de los clientes y proveedores internos en los procesos de la empresa. También, la información recolectada de la dimensión “personas” muestra, según la Figura 2, una ubicación en el nivel de madurez “Aislada” debido a:
la falta de definición y uso de equipos interfuncionales, genera una aislación entre los departamentos, haciendo que los problemas detectados sean manejados, en su mayoría, por el Gerente General o el responsable de la Gerencia Industrial.
Si bien ante ciertos problemas se generan consultas con los expertos internos en el tema, las decisiones frente a éstos siempre se centralizan en estas dos personas. Por último la dimensión “TICs” del modelo muestra al sistema de gestión en una madurez asociada al Nivel “Aislada”. Justificada por la siguiente información:
actualmente utilizan tres sistemas de TICs, Excel, Bejerman y Solomon. El primero es usado en forma independiente del último o como complemento para bajar información y poder analizarla. El segundo se utiliza para la liquidación de sueldos y jornales. Por último, el software Solomon es un sistema ERP que adquirió la empresa en búsqueda de una integración de las funciones de administración, cotización, compras, depósito, producción y mantenimiento. No tiene aún buenos resultados, según manifestó el Gerente General.
la empresa no cuenta con un área de TICs que dé soporte a una integración interna, por lo que subcontrata esta función a una empresa externa.
6. CONCLUSIONES
El beneficio de aplicar un proceso de diagnóstico de la madurez de un Sistema de Gestión en una empresa PyME, es proporcionar un vehículo simple para evaluar el estado actual de las cinco palancas de cambio a través del modelo de Fisher. En nuestro caso de estudio las palancas de cambio, llamadas dimensiones como proceso, controles, personas y TICs se encuentran en un nivel de madurez aislada; mientras que la dimensión estrategia, se halla integrada tácticamente. Esto quiere decir que la empresa ha comenzado el esfuerzo de cruzar las áreas a través de la estrategia, pero la misma no es acompañada por el resto de las dimensiones, que siguen trabajando en islas funcionales en pos de mejorar la eficiencia con información y controles aislados. Lo anterior hace que las respuestas sean lentas a las condiciones cambiantes del mercado.
Por lo tanto, se infiere que la PyME tiene que lograr una alineación organizacional de las cinco dimensiones, en principio, hasta el nivel de madurez “Integrada tácticamente”. Para ello, debe desarrollar un plan de acción que se traduzca en beneficios relacionados con una eficiencia cruzada entre áreas, un sistema que potencie el nivel de integración de la información y los estándares de procesos, la conformación de equipos de trabajo, entre otros. Estos cambios le van a permitir a la PyME tomar mejores decisiones y a futuro seguir trabajando para lograr niveles de
: 31 :
madurez superiores en su sistema de gestión que la lleven a un alineamiento completo de todos sus procesos para conseguir óptimos resultados. 7. REFERENCIAS
CHRISSIS, M., KONRAD, M. y SHRUM, S. (2009). CMMI. Guía para la integración de procesos y la mejora de productos. España: Pearson Educación. FISHER, D.M. (2004). The business process maturity model: a practical approach for identifying opportunities for optimization. Business Process Trends. 9(4), 11-15. EUROPEAN FOUNDATION FOR QUALITY MANAGEMENT (2009). The EFQM Excellence model 2010. Bruxelles: EFQM Publications. HAMMER, M. (2007). La auditoría de proceso. Harvard Business Review. 85(4), 92-104. INTERNATIONAL ORGANIZATION FOR STANDARIZATION (2009). Norma ISO 9004:2009. Gestión para el éxito sostenido de una organización. Enfoque de gestión de la calidad. KOSIERADZKA, A. (2017). Maturity Model for Production Management. Procedia Engineering, 182, 342–349. LEE, J., LEE, D. y KANG, S. (2007). An Overview of the Business Process Maturity Model (BPMM). Advances in Web and Network Technologies, and Information Management. Lecture Notes in Computer Science, 4537, 384-395. McCORMACK, K., WILLEMS, J., VAN DER BERGH, J., DESCHOOLMEESTER, D., WILLAERT, P., STEMBERGER, M., SKRINIAR, R., TRKMAN, P., LADEIRA, B., VALADERES DE OLIVEIRA,M.P., VUKSIC, V. y VLAHOVIC, N. (2009). A global investigation of key turning points in business process maturity. Business Process Management Journal. 15(5), 792-815. doi:10.1108/14637150910987946. OBJECT MANAGEMENT GROUP INC. (2008). Business Process Maturity Model (BPMM). Version 1.0. Recuperado de: https://www.omg.org/spec/BPMM/1.0/PDF. PÁEZ, G., ROHVEIN, C., PARAVIE, D. y JAUREGUIBERRY, M. (2018). Revisión de modelos de madurez en la gestión de los procesos de negocios. Ingeniare. Revista chilena de ingeniería. 26(4), en prensa. PÉREZ, J., RUÍZ, J. y PARRA, C. (2007). Uso del Enfoque por Procesos en la Actividad Investigativa. Ingeniare. Revista chilena de ingeniería. 15(3), 260-269. PÉREZ-MERGAREJO, E., PÉREZ-VERGARA, I. y RODRÍGUEZ-RUÍZ, Y. (2014). Modelos de madurez y su idoneidad para aplicar en pequeñas y medianas empresas. Ingeniería Industrial. 35(2), 146-158. Recuperado de: http://scielo.sld.cu/pdf/rii/ v35n2/rii04214.pdf ROHLOFF, M. (2011). Advances in business process management implementation based on a maturity assessment and best practice exchange. Journal Information Systems and e-Business Management, 9(3), 383-403.DOI:10.1007/s10257-010-0137-1 ROSEMANN, M. y DE BRUIN, T. (2005). Towards a business process management maturity model. 13th European Conference on Information Systems, ECIS; 26-28 May, pp. 1-12. TARHAN, A., TURETKEN, O. y REIJERS, H. A. (2016). Business process maturity models: A systematic literature review. Information and Software Technology, 75, 122–134.
: 32 :
COSTEO ABC, TEORIA DE LA RESTRICCIONES Y PROGRAMACIÓN LINEAL
SELECCIÓN DE UN MIX ÓPTIMO DE PRODUCIÓN
MARIA B. BERARDI – CLAUDIA ZARATE
Facultad de Ingeniería, Universidad Nacional de Mar del Plata [email protected]; [email protected];
1. RESUMEN
En el campo de las decisiones gerenciales no son pocas las críticas que se
realizan a los métodos tradicionales de asignación de costos, debido a sus dificultades para aportar información adecuada y relevante que lleven a los mejores resultados. El Costeo Basado en Actividades (ABC) y la Teoría de la Restricciones (TOC) representan abordajes alternativos a los sistemas tradicionales de costos. Ambos métodos están diseñados para superar las limitaciones de los sistemas tradicionales y, por lo tanto, proporcionan información más relevante para la evaluación de las consecuencias económicas de las decisiones de asignación de recursos. El sistema ABC utiliza la jerarquía de las actividades como base para realizar la asignación de recursos y además utiliza generadores de costos que están o no relacionados con el volumen. Por su parte, la Teoría de las Restricciones representa una aplicación de la teoría general de Optimización de Sistemas, que utiliza el análisis de las restricciones de las actividades de una empresa para orientar la producción y las acciones de mejora. Cuando se analiza el equilibrio entre la demanda de los productos y la capacidad instalada en general no son coincidentes y se debe entonces tomar una decisión respecto de la mezcla de productos que hay que fabricar. Este trabajo presenta el problema de la selección de la mezcla óptima de producción, con restricciones de capacidad en el proceso, en una Pyme de la ciudad de Mar del Plata que fabrica de muebles de oficina. Se plantearon tres alternativas para encontrar la mejor solución, derivadas de considerar los distintos modelos. Los resultados indican que el planteo por programación lineal conduce a la mezcla de producción que permiten obtener los mayores beneficios.
Palabras Clave: Costeo ABC – TOC – Programación lineal – Mezcla de producción
2. REFERENCIAS GOLDRATT, E.M., (1990). Theory of Constraints. North River Press. Croton-on-Hudson. New York. USA. KEE, R., (1995), "Integrating activity-based costing with the theory of constraints to enhance production related decision making", Accounting Horizons, December, Vol. 9, Issue 4, pp. 48-61. MOLINA de PAREDES, O. (2003). “Nuevas Técnicas de Control y Gestión de Costos en Búsqueda de la Competitividad”. Actualidad Contable FACES. Año 6 No.6, Enero-Junio 2003. Mérida. Venezuela.(25-32)
: 33 :
ORTIZ, V; CAICEDO A. (2012) .“Mezcla óptima de producción desde el enfoque gerencial de la contabilidad del throughput el caso de una pequeña empresa de calzado”. Cuadernos de Contabilidad; Bogotá Tomo 15, N.º 37. SOUZA,A; CLEMENTE, A; PERFECTO, J. (2006). “Costo Directo, Mundo del Valor y Programación Lineal”. Faces, Año 12, N° 25. Facultad de ciencias Económicas y sociales. UNMdP.
: 34 :
ANÁLISIS DE LOS CAMBIOS EN SISTEMAS DE GESTIÓN DE LA CALIDAD
Mariela Ambrústolo - Marina Migueles - María B. Berardi Grupo Mejora Continua, Calidad y Medio Ambiente,
Departamento de Ingeniería Industrial, Facultad de Ingeniería, Universidad Nacional de Mar del Plata.
[email protected], [email protected], [email protected]
RESUMEN
Las normas de gestión han sufrido revisiones tendientes a alinearlas con la estructura de alto nivel definida por ISO en el Anexo SL que permitirá mejorar las condiciones de integración de los diferentes sistemas de gestión. El período de revisión culminó en el 2015 con objeto de mejorar su compatibilidad no sólo a las empresas de productos sino también a las de servicios. El enfoque se basó en asegurar que los requisitos se adecuen a un entorno cada vez más complejo, generando una base consistente que permita implementar en un futuro sistemas de gestión de la calidad cada vez más eficientes y que generen una mayor confianza y satisfacción de sus clientes.
El propósito del presente trabajo es analizar los cambios más importantes entre la nueva versión de la Norma ISO 9001:2015 y la versión anterior, las ventajas y dificultades que puedan presentarse al momento de abordar la transición.
El estudio realizado por el grupo de investigación y extensión abordó revisión bibliográfica, consulta a informantes claves y a empresas regionales marplatenses que tienen implementada la norma ISO 9001:2008.
Dentro de las conclusiones más importantes, puede mencionarse que aquellas organizaciones que aborden la revisión utilizando todas las herramientas disponibles en la nueva versión de manera profunda podrán optimizar recursos y mejorar su gestión del negocio y el enfoque a los clientes.
Palabras Clave: Sistemas de gestión – Calidad – Sistemas integrados – Normas de certificación
1. INTRODUCCIÓN
Contando con más de un millón de certificados en el mundo, resulta muy
atractivo analizar el alcance de los cambios que la nueva versión de la norma ISO 9001:2015 generará en los mercados y en la sociedad.
El desarrollo de las mencionadas normas lleva más de 30 años, comenzando tenuemente con algunas normas parciales como las Military Standard 105 en EE. UU. y las British Standard 5750 en el Reino Unido hasta que la ISO (Organización de Estandarización Internacional) generó una norma de alcance mundial.
La ISO, es una organización internacional no gubernamental e independiente con una membrecía de 161 organismos nacionales de normalización.
A través de sus miembros, reúne a expertos para compartir conocimientos y desarrollar normas internacionales voluntarias, basadas en el consenso y relevantes para el mercado, que respalden la innovación y brinden soluciones a los desafíos mundiales. ISO crea documentos que proporcionan requisitos, especificaciones, directrices o características que se pueden utilizar de forma coherente para garantizar que los materiales, productos, procesos y servicios sean adecuados para su propósito.
: 35 :
La primera norma de Calidad se aprobó en 1987: ISO 9001:1987 Sistemas de calidad: modelo para el aseguramiento de la calidad en diseño y desarrollo, producción, instalación y servicio fijando un nuevo estándar y lenguaje respecto de la calidad siendo de alto impacto en el mercado internacional.
A partir de los años 90 según establece Cortés Sánchez (2017) existe “una inquietud en la sociedad por la calidad de los productos comprados, percibiéndose la calidad como procedimiento de negocio a través de toda la empresa, tomándose a los clientes internos y externos como eje de la actividad y la necesidad de la implantación de la mejora continua”.
La norma ISO 9001:1994 se enfoca en la necesidad de establecer un orden en los procedimientos e introduce el concepto de acciones preventivas para garantizar la calidad del producto en el proceso productivo.
Ya más cercano a nuestros días la versión ISO 9001:2000 se centra en la “Gestión de la Calidad” abandonando el enfoque de aseguramiento de la calidad que tenía su versión anterior. Y es por ello que este cambio fue trascendental para los enfoques de los sistemas de gestión de la calidad. El mismo prioriza la determinación de los requisitos y expectativas de los clientes para el diseño de los procesos fundamentales de la organización. La misma está basada en el ciclo PDCA dándole mayor relevancia a la mejora continua y estableciendo ocho principios surgidos de los grandes maestros de la calidad.
La versión 2008 trajo consigo una revisión menos profunda donde se introdujo más concretamente la necesidad del cumplimiento de los requisitos legales y una mayor implicación de la dirección además de precisar algunos términos y requisitos en forma más clara.
La nueva versión de la norma ISO 9001:2015, vuelve a generar cambios importantes para las organizaciones incorporando la alineación estratégica, el análisis de la organización en el contexto, la mayor implicación de la dirección, aspectos que mejorarían la eficiencia de los sistemas y de su integración con otros como se desarrollará a continuación.
1.1. Motivos por los cuales se genera la revisión de la norma ISO 9001 Los principales objetivos buscados con la revisión 2015 de la Norma ISO 9001 se orientan a generar una versión que sea la base para un sistema de gestión de la calidad para los próximos 10 años y garantizar su aplicabilidad a todo tipo de organizaciones sin importar su tamaño, o si suministra producto s o servicios. También busca mantener el foco actual sobre la gestión eficaz de los procesos para alcanzar los resultados deseados, reflejar los cambios y el cambio en la complejidad, exigencia y dinámica del entorno en el cual se desarrollan las organizaciones y garantizar la alineación entre las diferentes normas de sistemas de gestión. Sumado a esto, se buscó emplear un lenguaje simplificado y estilos de redacción que permitan el entendimiento y una consistente interpretación de los requisitos según Miraval (2017).
1.2. Principales elementos abordados en la revisión
La versión ISO 9001:2015 objeto del presente estudio presenta grandes
modificaciones entre las que se pueden mencionar: - Adecuación a la Estructura de alto nivel Anexo SL común a todas las
normas de sistemas de gestión a partir de 2011 - Mayor compatibilidad con el sector de servicios
: 36 :
- Refuerzo del enfoque basado en procesos establecido en la versión 2000 - Alineación con la estrategia global de la organización teniendo en cuenta el
análisis de contexto y las partes interesadas - Incorporación del pensamiento basado en riesgos - Fuerte énfasis en el liderazgo y la competencia del personal - Eliminación del concepto de acción correctiva debido a que se entiende que
está incorporada en la filosofía de la mejora continua y en el ítem anterior - Mayor libertad y adecuación de la información documentada - Abordaje de la importancia de la gestión del conocimiento de la
organización Comprender e interpretar correctamente este cambio de enfoque no sólo es
importante para las empresas que implementan por primera vez sino también para aquellas que deben realizar la adaptación de los procesos y la transición al nuevo estándar enfatiza López Lemos (2016). 1.3. Objetivo del trabajo
El propósito del presente trabajo es analizar los cambios más importantes entre
la nueva versión de la Norma ISO 9001:2015 y la versión anterior, la ISO 9001:2008, las ventajas y dificultades que puedan presentarse al momento de abordar la transición.
2. ENFOQUE METODOLÓGICO
El estudio se desarrolló mediante un análisis exhaustivo de bibliografía
proporcionada por la ISO, los entes de certificación, consultores especializados, la comparación de las versiones de la Normas ISO 9001:2008 e ISO 9001:2015, contacto con informantes claves y a partir del contacto con empresas regionales marplatenses que tienen implementada la norma ISO 9001:2008 y deben realizar su transición.
3. RESULTADOS
Las normas de sistemas de gestión de la ISO tienen mecanismos de revisión
constante para la adecuación al futuro y a las nuevas necesidades de las organizaciones. Pero en los últimos cinco años, se ha producido un estancamiento en la progresión del número de certificaciones, en parte por la crisis mundial y en parte porque la versión 2008 no lograba representar las necesidades del mercado cada vez más cambiante. Como se puede ver en la figura 1 esta situación evidencia la necesidad de generar una revisión que se adecue a los nuevos tiempos, proporcionar una base consistente para los próximos 10 años, asegurar que los requisitos de la norma se adecuen a un entorno cada vez más complejo y que los requisitos faciliten la implementación eficaz y una efectiva evaluación de la conformidad asegurando que la norma genere confianza en las organizaciones que cumplen sus requisitos.
Una de las cuestiones importantes es que la norma resulte más versátil y pueda adaptarse a diferentes clases de organizaciones en cuanto a sus actividades y tamaño entre otros factores. Hayle (2015) realiza un análisis del contenido y analiza la magnitud del cambio como se observa en la Tabla 1. Si bien en % no se observa una gran modificación en los requisitos analizados desde el punto de vista cuantitativo, al analizar la individualidad, el contexto y la interrelación entre los mismos puede observarse que el mismo es importante.
: 37 :
Figura 1 – Crecimiento de la ISO 9001 Fuente: ISO 9000 Quality Systems Handbook (Hoyle, 2015)
Tabla 1 -Magnitud del Cambio – Fuente (Hoyle, 2015)
Parámetro N° %
A Ningún cambio en la intención del requisito 92 26
B Requisito modificado 89 25
C Ningún cambio en requisitos 84 24
D Nuevos requisitos 62 18
E Requisito retirado 24 7
331 100
3.1. Enfoque global
El Secretario General interino de ISO Kevin McKinley (2015) explica: "ISO 9001 permite a las organizaciones adaptarse a un mundo cambiante. Mejora la capacidad de una organización para satisfacer a sus clientes y proporciona una base coherente para el crecimiento y el éxito sostenido ".
La edición de 2015 presenta cambios importantes, que Nigel Croft, presidente del subcomité ISO que desarrolló y revisó el estándar, se refiere a un proceso "evolutivo más que revolucionario". "Simplemente estamos incorporando ISO 9001 firmemente en el siglo XXI. Las versiones anteriores de ISO 9001 eran bastante preceptivas, con muchos requisitos para procedimientos y registros documentados. En las ediciones de 2000 y 2008, nos enfocamos más en la administración de procesos y menos en la documentación. Ahora hemos ido un paso más allá, y la norma ISO 9001: 2015 es aún menos preceptiva que su predecesora, centrándose en cambio en el rendimiento. Lo hemos logrado combinando el enfoque del proceso con el pensamiento basado en el riesgo, y empleando el ciclo Plan-Do-Check-Act en todos los niveles de la organización” (Lazarte, 2015). Este aspecto de modernización de la norma, adecuándola a las actuales (y mejores) prácticas de gestión se observa claramente en la evolución de estas, comenzando desde el Control, luego el
0
200000
400000
600000
800000
1000000
1200000
19
93
19
94
19
95
19
96
19
97
19
98
19
99
20
00
20
01
20
02
20
03
20
04
20
05
20
06
20
07
20
08
20
09
20
10
20
11
20
12
20
13
20
14
20
15
Certificaciones de Sistemas de Gestión de la calidad
: 38 :
Aseguramiento, llegando a la Gestión de la calidad, y ahora sumando el enfoque a los Resultados y la eficiencia.
González (2015) define como elemento referencial para el sistema de gestión a la estrategia de la organización, incluso por sobre la propia norma. Desde el primer párrafo en que se expresan los requisitos la norma se establece la obligatoriedad de identificar aspectos internos y externos relevantes a sus objetivos y dirección estratégica. Este enfoque permitirá a las organizaciones la alineación con la estrategia global de la misma disminuyendo muchas situaciones en la que las empresas lleven los sistemas de calidad en forma paralela y generando una orientación al rendimiento de su gestión. 3.2. Estructura de alto nivel
Muchas organizaciones disponen de más de una norma de sistemas de gestión implantada y certificada. Hacer esto de forma individual ocupa una gran cantidad de tiempo y recursos extras, por lo que existe una clara necesidad de encontrar una forma de integrar y combinar las normas de la mejor manera posible.
“Hasta la fecha, cada una de las normas de sistemas de gestión presenta diferentes estructuras, requisitos y terminología, por lo que la integración sigue siendo un reto. Para abordar este problema, ISO desarrolló el Anexo SL - el marco para un sistema de gestión genérico y la estructura para todas las normas de sistemas de gestión nuevas y revisadas de ahora en adelante.
Con el Anexo SL, los implementadores de sistemas de gestión pueden esperar menos conflictos, duplicidades, confusión y malentendidos que los que se produjeron como consecuencia de las diferentes estructuras de las normas de sistemas de gestión. Los auditores de sistemas de gestión ahora utilizarán un conjunto básico de requisitos genéricos en todas las disciplinas y sectores industriales” (Seear, 2014).
Pero principalmente son las organizaciones las que se benefician de la unificación ya que mejora el trabajo y gestión de la dirección, reduce la utilización de recursos, minimiza la documentación necesaria, aumenta la eficacia del sistema de gestión, permitiendo así la consecución de los objetivos marcados, simplifica la coordinación dentro de la empresa en sus diversos ámbitos de gestión y facilita la comunicación interna y con las partes interesadas.
3.3. Principales cambios
Dentro de los principales cambios que deben abordar las organizaciones
pueden puntualizarse los siguientes: liderazgo, análisis de contexto teniendo en cuenta las cuestiones internas y externas y las expectativas de las partes interesadas, gestión de los riesgos y oportunidades, gestión de la información documentada y gestión del conocimiento.
3.3.1 Liderazgo
La versión 2008 de la norma ya intentó darle mayor prioridad a este aspecto,
pero es en esta versión donde se establece la centralidad de este requisito para que los sistemas de gestión de la calidad sean eficientes. González (2015) resalta que en esta versión aumenta la responsabilidad de la alta dirección, reclamando mucho más que un “mero compromiso” y se le exige “liderazgo y compromiso” para con el sistema de gestión, las necesidades y expectativas de los clientes. Esto significa que los gerentes deberán demostrar sus habilidades para influir positivamente sobre el
: 39 :
entorno organizacional a fin de lograr los objetivos y metas. De este modo, el sistema de gestión de la calidad (SGC) no puede actuar ajeno al negocio de la organización, por el contrario, debe estar alineado de forma tal que sea considerado un medio para alcanzar eficazmente los objetivos del negocio (Miraval, 2017).
La inclusión de la gestión de la calidad dentro de la gestión estratégica del negocio, como uno de los elementos claves del liderazgo, será uno de los aspectos que las organizaciones deberán abordar. Ya que hasta el momento el papel de la dirección tenía que ver con la definición de la política y los objetivos de calidad, en la mayoría de las empresas conocidas. El compromiso de la dirección en los sistemas de calidad presenta una gran variabilidad como así también los estilos de liderazgo.
3.3.2 Análisis de contexto
Un SGC no es un sistema estático o un sistema documental “atornillado” a la organización, sino más bien un sistema interactivo que produce resultados en las organizaciones, por ello en la búsqueda de la calidad se debe entender el contexto de la organización y así ajustar el curso de acción para sortear obstáculos y encontrar oportunidades que lleven a la organización al éxito. (Hoyle, 2015)
Un aspecto importante de la revisión es justamente la inclusión de este punto que completa el requisito de “Liderazgo” dándole coherencia al enfoque estratégico. Si bien este aspecto puede ser abordado por las organizaciones, rara vez es contemplado desde la mirada de la calidad.
González (2015) al analizar la ISO 9001:2015 observa que la misma conserva la neutralidad respecto de la metodología a adoptar. Sin embargo, al definir el contexto, identificar las partes interesadas, establecer el alcance, aplicar el enfoque de procesos y seleccionar los objetivos; identifica con total claridad elementos y aspectos mínimos que deben contemplarse, eliminando cualquier posibilidad de ambigüedad.
De la experiencia de campo del equipo de investigación, si bien las empresas manifiestan hacer una identificación completa de las partes interesadas pertinentes al Sistema de Gestión de la Calidad y sus necesidades, lo más común es que este enfoque normalmente se puntualice en los proveedores. La implementación de este requisito se convertirá en un factor de éxito que permitirá avanzar en la efectividad de los sistemas de gestión de la calidad.
3.3.3 Gestión de los riesgos y oportunidades
La inclusión de este requisito es un aspecto que se ha incorporado hace unos años en las normas de sistemas de gestión ya que conceptualiza el enfoque preventivo que tienen dichas normas. Si bien el riesgo a menudo es visto como algo negativo, el “Pensamiento basado en el riesgo” puede ayudar a identificar no sólo aspectos que pueden atentar al cumplimiento de los objetivos sino también identificar las oportunidades que pueden generar una mejora de las condiciones de los sistemas.
Hugo González (2015) resalta que la norma exige que se aporten evidencias del análisis de riesgos en varios aspectos y procesos del sistema de gestión. Tanto en la concepción estratégica del sistema como en cada uno de los procesos deben explicitarse, analizarse y prevenirse los riesgos inherentes. Sin embargo, la forma en que se lleva a cabo la gestión del riesgo en las empresas regionales es de tipo intuitivo por parte de los directivos, haciendo un análisis de la realidad sin metodologías específicas.
: 40 :
3.3.4 Gestión de la información documentada.
Un gran punto de análisis es el cambio de enfoque para el presente apartado. Esta versión no busca solamente mantener y actualizar un sistema documental que aporte evidencia objetiva de la implementación del SGC. Sino que busca generar a través de la información documentada herramientas que aporten al desarrollo del SGC y que aporten datos de los resultados obtenidos por este para la mejora continua.
Un análisis de la comparación de la cantidad de documentos presentes en las diversas versiones de la norma ISO 9001 revela que se ha disminuido el número de documentación exigida como se observa en la Tabla 2.
Tabla 2 – Comparación de la documentación - – Fuente (Hoyle, 2015)
Parámetro 1994 2008 2015
Elementos 20 5 10
Cláusulas 59 51 51
Procedimientos 26 4 0
Registros 20 21 17
Documentos 8 10 9
González (2015) resalta que la presente revisión “Esquiva los recovecos
burocráticos de los temas documentales y se enfoca en la información documentada que aporta evidencia del cumplimiento efectivo. Aquí debe entenderse bien que se trata de “resultados documentados”, y no de “documentos aprobados””.
En la versión actual, es la organización la responsable de determinar qué información documentada se necesita conservar, el periodo de tiempo por el que se va a conservar y qué medios se van a utilizar para su conservación.
La experiencia del equipo de investigación en la industria muestra que la mayoría de las empresas consideran que la documentación presenta una excesiva cantidad de documentos y que no siempre resulta ser efectiva para el desarrollo del SGC. Es por ello, que este cambio resulta crucial para mejorar la visión que el mercado tiene de la propia norma ISO 9001. 3.3.5 Gestión del conocimiento
La importancia de la inclusión de este requisito se basa en dos grandes objetivos relacionados con el conocimiento organizacional:
Identificar el conocimiento necesario para los procesos críticos, resguardarlo, mantenerlo operativo y a disposición cuando se requiera.
Fomentar la adquisición del conocimiento Esto conduce a estimular el aprendizaje organizacional. A mayor aprendizaje
organizacional mayor eficiencia y mejores resultados. Y esta es la razón por la que este nuevo requisito aparece en la nueva versión de la norma. González (2015) destaca que la norma incluye el concepto de Gestión del conocimiento mediante el capítulo de “Conocimiento organizacional”, señalando que la organización debe determinar el conocimiento necesario para la operación de su SGC, y así asegurar la conformidad de los productos y servicios y mejorar la satisfacción del cliente. La organización tendrá que mantener, proteger y asegurar la disponibilidad de este
: 41 :
conocimiento colectivo, que puede incluir documentos, capacidades, experiencias, habilidades y conocimientos del personal entre otros.
Este ítem cobra gran relevancia en un mercado de personal con mucha movilidad y donde los profesionales y demás trabajadores no apuestan a la fidelidad a una organización. Respecto a este tema, del conocimiento en las empresas de la región, se pudo observar que se identifican en gran medida los conocimientos necesarios para llevar a cabo los procesos y alcanzar los objetivos fijados por el Sistema de Gestión de la Calidad. Las empresas utilizan diferentes fuentes para la identificación de estos: en primer lugar, resultados de mejoras, en segundo lugar, conocimientos adquiridos con las experiencias y normas y en tercer lugar, lecciones aprendidas de los fracasos y éxitos de los proyectos, Universidad y escuelas profesionales, congresos y conferencias y en último lugar los proveedores.
En algunas empresas el conocimiento es mantenido, protegido y puesto a disposición, pero no se observa un tratamiento sistemático de la temática.
Las empresas pueden anticiparse a los cambios en las necesidades de conocimiento y gestionar el riesgo de no adquirir el conocimiento en el tiempo debido, pero les cuesta asegurar su mantenimiento y circulación. 4. CONCLUSIONES
La incorporación de los requisitos anteriormente detallados en esta revisión de
la norma permite consolidar factores de éxito dentro del sistema de gestión de la calidad para alcanzar la sostenibilidad, la eficiencia y la gestión estratégica de la organización. Entre los cuales se resaltan: el liderazgo de la alta dirección, el compromiso de todas las funciones y niveles de la organización, la determinación de las oportunidades que sean estratégicas y que permitan la mejora de la competitividad, el abordaje de los riesgos y oportunidades y la incorporación de la Gestión de la calidad a la gestión global.
Si bien la gestión de la calidad de la mano de las normas ISO 9001 ha ido evolucionando alcanzando la mejora continua y tendiendo hacia los modelos de excelencia, muchas empresas se encuentran aún en estadios intermedios de su gestión y les falta un gran camino por recorrer. Es deseable que esta nueva versión de la norma permita agilizar el trayecto de aquellas empresas que se propongan emprender este viaje.
5. REFERENCIAS CORTÉS SÁNCHEZ, J.M.(2017).“Sistemas de Gestión de la Calidad (ISO 9001:2015)”. ICB, Interconsulting Bureau S.L. 1ra Edición. GONZALEZ, H. (2015). “ISO 9001:2015. hacia la madurez en la gestión”. Rec. de: https://calidadgestion.wordpress.com/2015/05/29/iso-90012015-hacia-la-madurez-en-la-gestion/ HOYLE, D. (2018) “ISO 9000 Quality Systems Handbook-updated for the ISO 9001: 2015 standard: Increasing the Quality of an Organization’s Outputs”. Seventh Edition by Routledge, New York, NY 10017 LAZARTE, M. (2015). “ISO 9001:2015 - Just published!”. Recuperado de https://www.iso.org/news/2015/09/Ref2002.html LOPEZ LEMOS, P. (2016) “Novedades ISO 9001:2015”. Fundación Confemetal Editora. Madrid, España. MIRAVAL, F.E. (2017). “Gestion de Calidad Segun Norma ISO 9001:2015”. Ed.Dunken. SEEAR, D.J.(2014). “ISO 9001: 2015 Back to the Future: A Review of the New ISO Annex SL Structure for Certification Standards Using the Draft ISO 9001: 2015 to Explain the Changes”. Author House, UK. 1ra Edición
: 42 :
PROPUESTA PARA POTENCIAR LAS ACTIVIDADES DE DISEÑO Y CONTROL DE PROCESOS. APLICACIÓN DE HERRAMIENTAS DE APRENDIZAJE COLABORATIVO EN EL ANÁLISIS DE PROCESOS
JOSÉ F. ZANAZZI – JOSÉ L. ZANAZZI
Laboratorio de Ingeniería y Mantenimiento Industrial, FCEFyN, Universidad Nacional de Córdoba [email protected] - [email protected]
1. RESUMEN
Las organizaciones de producción implementan habitualmente sistemas de
gestión de Calidad. La actual versión de estos requerimientos, pone énfasis en la necesidad de generar compromiso en el personal, trabajar en base a liderazgos y promover la formación permanente de los dependientes. Sin embargo, estos sistemas suelen presentar elevados números de incumplimientos o fallas. El origen de estos problemas suele encontrarse en que los actores que aplican los sistemas, no asignan sentido a alguno de sus requerimientos. Sucede que implementar en una organización, una modalidad de trabajo desarrollada en otros ámbitos, no resulta trivial. Por ello, es recomendable que los grupos de trabajo realicen actividades de construcción colaborativa de conocimientos. Esa estrategia permite que los grupos desarrollen competencias para plantear planes de acción, compartir conocimientos, asumir compromisos con dichos planes y aumentar la flexibilidad y confiabilidad de sus procesos. Frente a esa problemática, el presente trabajo propone una modalidad de análisis de procesos que contribuye a obtener esos resultados. La propuesta se apoya en recomendaciones realizadas por expertos en enseñanza, orientadas a mejorar el aprendizaje grupal, que señalan la importancia de analizar los procesos y de explicar en conjunto sus problemas y posibles soluciones. Con ese enfoque, este trabajo propone versiones mejoradas del flujograma de procesos y del Análisis de Modos de Falla y sus Efectos. De este modo se procura que las organizaciones puedan formar verdaderas comunidades de aprendizaje y que sus dependientes sean capaces de asignar sentido a las prácticas adoptadas. El trabajo presenta resultados positivos, obtenidos en diferentes organizaciones y evidencia los riesgos de no planificar el diseño y control de procesos con recursos apropiados. En las conclusiones, se destaca la importancia y conveniencia de mejorar los métodos utilizados en diseño y control de procesos, con recursos que favorezcan el aprendizaje en grupo.
Palabras Clave: Sistemas de Calidad – Diseño y control de procesos – Flexibilidad y confiabilidad - Construcción colaborativa de conocimientos – Flujogramas verbalizados
2. REFERENCIAS
BANO, M., & ZOWGHI D. (2015): “A systematic review on the relationship between user involvement and system success”. Information and Software Technology – Vol. 58 – pgs.148 – 69. FONSECA, L. M. (2015). “From Quality Gurus and TQM to ISO 9001: 2015: a review of several quality paths”. International Journal for Quality Research (IJQR), 9(1), 167-180.
: 43 :
STARBUCK, W. H., & HEDBERG, B. (2001). “How Organizations Learn from Success and Failure”. IN DIERKES, M., ANTAL, AB, CHILD, J. & NONAKA, I.(Eds.) Handbook of organizational learning and knowledge.
WEICK, K., SUTCLIFFE, K. & OBSTFELD, D. (2008): “Organizing for High Reliability: processes of collective mindfulness”. Crisis Management – Vol. 3 (1) - pgs. 81 – 123. WENGER-TRAYNER, E., & WENGER-TRAYNER, B. (2015): “LEARNING IN A LANDSCAPE OF PRACTICE”. Learning in Landscapes of Practice. Boundaries, Identity, and Knowledgeability in Practice-Based Learning - pgs. 13–30.
: 44 :
GESTIÓN POR PROCESOS IMPLEMENTACIÓN EN UN LABORATORIO FARMACÉUTICO
LEO E. GAITAN – ROBERTO A. CASTAÑO
Departamento de Ingeniería-Universidad Nacional del Sur [email protected] [email protected]
1. RESUMEN
El objetivo del presente trabajo es detallar las actividades y resultados de un
proyecto de implementación de un sistema de gestión por procesos en un laboratorio farmacéutico. La misión del proyecto fue cambiar el sistema actual de funcionamiento por un sistema de gestión basado en procesos y generar en los actores principales de la empresa una concientización del alcance a los objetivos por medio de la optimización en el uso de recursos y la estandarización de las actividades.
En primer lugar se numeran los motivos de la realización de este proyecto, a continuación se detallan todas las actividades que fueron necesarias realizar para llevar a cabo esta implementación así como los pasos efectuados para obtener los resultados.
Es de considerar que al momento del estudio la empresa tenía una estrategia corporativa de ampliación en tres áreas vitales, por lo que esto conllevó al diseño de dos manuales de gestión y la modificación y reformulación tanto de los procesos como todo aquello que estaba en relación a esto.
Como resultados se presentan todas las mejoras y cambios realizados con la respectiva trazabilidad y documentación respaldatoria.
Las conclusiones finales ponen de relieve las dificultades que hubo que afrontar para producir un cambio de paradigmas dentro de la organización.
Palabras Clave: Calidad – Proceso – Gestión – Mejora – Estandarización
2. REFERENCIAS
INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. (2015). “IRAM-ISO 9000: Sistemas de gestión de la calidad. Fundamentos y vocabulario”. Publicado por el Instituto Argentino de Normalización y Certificación. INTERNATIONAL ORGANIZATION FOR STANDARDIZATION. (2015). “IRAM-ISO 9001: Sistemas de gestión de la calidad. Requisitos.” Publicado por el Instituto Argentino de Normalización y Certificación. CAMISÓN C., CRUZ C., GONZÁLEZ T. (2006). “Gestión de la Calidad: Conceptos, Enfoques, Modelos y Sistemas”. Publicado por Pearson Educación S.A. PEREZ J. A. (2013). “Gestión por Procesos” Quinta edición. Publicado por Alfaomega, ESIC.
: 45 :
MEJORA CONTINUA E INNOVACIÓN SEGÚN ISO 9001:2015 IDENTIFICACIÓN EN PYMES
GLORIA R. TROVATO
Facultad de Ciencias Económicas-Centro de Estudios en Administración-UNCPBA [email protected]
1. RESUMEN
Las organizaciones necesitan aprender a ser competitivas para permanecer en sus mercados. Esa competitividad se nutre de elementos y factores internos y de aquellos que rodean a la organización. Oster (2000) define a la competitividad de una empresa haciendo mención a la capacidad para producir bienes con específicos patrones de calidad a través del uso eficiente de sus recursos, comparado con empresas semejantes y durante un cierto tiempo. En palabras de Porter (1985), la ventaja competitiva de una empresa está dada por el valor que logra crear para sus clientes, superando sus costos.
La nueva versión de la norma ISO 9001 (2015) establece que “El cumplimiento permanente de los requisitos y la consideración constante de las necesidades y expectativas futuras, representa un desafío para las organizaciones en un entorno cada vez más dinámico y complejo. Para lograr estos objetivos, la organización podría considerar necesario adoptar diversas formas de mejora además de la corrección y la mejora continua, tales como el cambio abrupto, la innovación y la reorganización” (p.7).
Si consideramos que una PyME posee su Sistema de Gestión de Calidad-SGC- certificado bajo ISO 9001:2008, podemos decir que conoce lo que es “mejora continua” y cómo gestionarla apoyada en el Círculo Deming. Sin embargo, la aclaración que realiza la ISO 9001:2015 acerca del alcance de la palabra “mejora”, se torna confusa a la hora de llevarla a la práctica.
En este trabajo se presenta una diferenciación conceptual entre “mejora” e “Innovación” según diversos autores (Bessant y Francis, 1999; Crossan and Apaydin, 2010), acompañada de ejemplos relevados en PyMEs de la ciudad de Tandil y Olavarría, a través de entrevistas a informantes claves pertenecientes a la organización.
Los resultados son de tipo descriptivos con el fin de convertirlos en disparadores de nuevas oportunidades de “mejora” dentro del alcance mencionado, y de esclarecer las principales diferencias entre palabras que pudieran interpretarse como sinónimos.
Palabras Clave: Sistema de Calidad – Mejora – Innovación – PyMEs
: 46 :
2. REFERENCIAS
BESSANT J. y FRANCIS D. (1999): “Developing Strategic Continuous Improvement Capability”. International Journal of Operations & Production Management 19 (11), pp.1106-1119. CROSSAN M.M. and APAYDIN M. (2010): “A Multi-Dimensional Framework of Organizational Innovation: A Systematic Review of the Literature”. Journal of Management Studies 47:6 September. ISO 9001 (2015): Sistemas de Gestión de la Calidad – Requisitos. Traducción oficial © ISO 2015. OSTER S.M. (2000): Análisis moderno de la competitividad. Oxford University Press. México. PORTER M.(1985): Competitive Advantage, Free Press, New York.
: 47 :
EFICIENCIA DEL GASTO TOTAL EN SALUD ANÁLISIS ENVOLVENTE DE DATOS PARA UN GRUPO DE PAÍSES
LATINOAMERICANOS
JUAN VIRDIS1 – MAURO FINUCCI1- RODRIGO WEIMANN1 – GISELA P. GONZÁLEZ2 –FERNANDA
VILLARREAL2,3 1Departamento de Economía, Universidad Nacional del Sur - 2Instituto de Investigaciones Económicas y
Sociales del Sur (CONICET-UNS)- 3Departamento de Matemática, Universidad Nacional del Sur [email protected] - [email protected] - [email protected] -
[email protected] - [email protected]
1. RESUMEN
A nivel mundial se observa que países con montos de inversión en salud
similares exhiben resultados sustancialmente diferentes, lo cual plantea el interrogante respecto de los niveles de eficiencia en el uso de los recursos.
El objetivo del presente trabajo consiste en medir la eficiencia de 27 países latinoamericanos en la producción de status de salud (física y mental) aplicando como metodología el Análisis Envolvente de Datos, DEA (Data Envelopment Analysis). Se consideran como inputs el Gasto Total en Salud (GTS) y como outputs la Esperanza de Vida al Nacer (EVN) y la tasa de suicidios (TS). La EVN se incorpora para medir el status de salud física puesto que el Programa de las Naciones Unidas la incluye como uno de los componentes esenciales para determinar el Índice de Desarrollo Humano; y la TS, considerada por la Organización Mundial de la Salud como variable proxy de la Tasa de Mortalidad por Trastornos Mentales, se incluye para medir el status de salud mental.
Específicamente se utiliza el modelo clásico DEA BCC el cual se caracteriza por admitir retornos variables a escala en el espacio de transformaciones posibles homogéneas. Considerando la literatura de referencia el GTS presenta, en términos generales, rendimientos decrecientes en relación a los resultados en salud. Se trabaja, en particular, con el enfoque orientado a insumos puesto que las unidades de decisión pueden controlar plenamente el insumo (GTS), pero no así el producto (Tasa de suicidios y Esperanza de Vida al Nacer), cuyos valores dependen de múltiples factores más allá del GTS.
Como resultados se encuentra que Argentina es uno de los seis países de Latinoamérica y el Caribe que presenta rendimientos constantes a escala y eficiencia técnica.
Palabras Clave: Análisis envolvente de datos- Eficiencia- Métodos no paramétricos- Salud
2. REFERENCIAS
GARCIA, F., MARCUELLO, C., SERRANO, D., & URBINA O. (1999): “Evaluation of efficiency in primary health care centres: an application of data envelopment analysis”. Financial Accountability & Management, 15(1), 67-83.
: 48 :
JAKOVJEVIC, M. B., VUKOVIC, M., & FONTANESI, J. (2016): “Life expectancy and health expenditure evolution in Eastern Europe-DiD and DEA analysis”. Expert review of pharmacoeconomics & outcomes research, 16(4), 537-546. NAYAR, P., & OZCAN, Y. A. (2008): “Data envelopment analysis comparison of hospital efficiency and quality”. Journal of Medical Systems, 32(3), 193-199. SIDDHARTHAN, K., AHEM, M., & ROSENMAN, R. (2000): “Data envelopment analysis to determine efficiencies of health maintenance organizations”. Health Care Management Science, 3(1), 23-29. YANG, Z. (2006): “A two-stage DEA model to evaluate the overall performance of Canadian life and health insurance companies”. Mathematical and computer modelling, 43(7-8), 910-919.
49 : 49 :
MEDICIÓN DE LA EFICIENCIA: RELACIÓN ENTRE LOS RANKINGS DE DEA, TOPSIS Y VIKOR
UNA PRUEBA MEDIANTE SIMULACIÓN
PATRICIA A. IÑIGUEZ – JUAN M. GALLARDO – MARIANA ARBURUA – FERNANDO J. NEGRO – ADRIANA L.
IÑIGUEZ Facultad de Ciencias Económicas - Universidad Nacional de Río Cuarto
[email protected] - [email protected] - [email protected] - [email protected] - [email protected]
1. RESUMEN
Si bien el objetivo del DEA1, es identificar las DMUs2 ineficientes y las eficientes
a partir de la estimación de una función de producción construida desde las mejores prácticas observadas; el modo en que se estime el indicador de eficiencia puede proporcionar una clasificación. Para que ésta resulte completa se han desarrollado diversos métodos, entre ellos puede mencionarse el índice de super-eficiencia (SE) y el de eficiencia cruzada (EC).
Los Métodos de Decisión Multicriterio (MDM), suponen la existencia de una serie de alternativas entre las cuales el decisor tiene que elegir. Para ello cada alternativa se evalúa según su desempeño en cada uno de los criterios, atributos y objetivos que se definan. Así, los MDM, buscan apoyar al decisor en el proceso de elegir entre alternativas y brindar una solución y/o alguna forma de clasificación.
Si bien ambas metodologías difieren en sus objetivos finales, si se considera a los inputs y outputs como atributos o criterios para evaluar las DMUs, minimizando los inputs y maximizando los outputs, ambas metodologías pueden concordar en la clasificación de las DMUs.
Diversos autores han mostrado que existe una relación entre el DEA y los MDM. Este trabajo compara, con variables hipotéticas, mediante simulación directa y para diversos tamaños de muestra, el ranking completo que surge de la aplicación del método DEA SE y el de EC con los que surgen de la aplicación de dos MDM que utilizan referentes ideales y anti-ideales y medidas de distancia en la construcción del indicador de orden –TOPSIS3 y VIKOR4. Para probar la significación entre los diversos rankings se aplica la correlación de Pearson, Spearman y Kendall. La comparación revisa si los rankings de las DMUs eficientes y las ineficientes resultan similares y cuál de los dos MDM refleja mejor una clasificación en términos de eficiencia.
Palabras Clave: Análisis Envolvente de Datos – Eficiencia – Ranking – TOPSIS – VIKOR. 2. REFERENCIAS ANDERSEN P. Y PETERSEN N. C. (1993): “A Procedure for Ranking Efficient Units in Data Envelopment Analysis”. Management Science, vol. 39.10, pp.1261–1294. BELTON V. Y VICKERS S. P. (1993): "Demystifying DEA-a Visual Interactive
1 Del inglés Data Envelopment Analysis. 2 Del inglés Decision Making Units. 3 Del inglés Technique for Order of Preference by Similarity to Ideal Solution. 4 Del bosnio VIseKriterijumska Optimizacija I Kompromisno Resenje.
50 : 50 :
Approach Based on Multiple Criteria Analysis," Journal of the Operational Research Society, vol. 44.9, pp. 883-896. JABLONSKY J. (2012): "Multicriteria Approaches for Ranking of Efficient Units in DEA Models". Central European Journal of Operations Research, vol. 20.3, pp. 435-449, 2012. SEXTON T. R. (1986): “Measuring Efficiency: An Assessment of Data Envelopment Analysis”. New Directions for Program Evaluation, vol. 1986.32, pp. 7-29. STEWART T. J. (1996): "Relationships Between Data Envelopment Analysis and Multicriteria Decision Analysis". Journal of the Operational Research Society, vol. 47.5, pp. 654-665.
: 51 :
ANÁLISIS DE EFICIENCIA EN LA GESTIÓN DE PRESUPUESTOS PÚBLICOS EDUCATIVOS PARA SEGURIDAD Y SALUD OCUPACIONAL
JOSÉ FRANCISCO ZANAZZI(1) – NADIA AYELEN LUCZYWO(1)(2)(3) – DANIELPONTELLI (1)) – CLAUDIA PERETTO(3)
– JOSÉ LUIS ZANAZZI (1) (1) Laboratorio de Ingeniería y Mantenimiento Industrial (LIMI). Facultad de Ciencias Exactas, Físicas
y Naturales – Universidad Nacional de Córdoba (2) Secretaría de Ciencia y Tecnología – Universidad Nacional de Córdoba (3) Facultad de Ciencias Económicas – Universidad Nacional de Córdoba
[email protected] – [email protected] – [email protected] – [email protected] – [email protected]
1. RESUMEN
El fatal accidente ocurrido en un laboratorio universitario, conduce a la
Universidad Nacional de Córdoba (UNC) a reforzar la gestión de las condiciones de seguridad en sus dependencias. Es así que crea áreas específicas y asigna recursos para la concientización y ejecución de acciones orientadas a prevenir accidentes. El trabajo se orienta a examinar la eficiencia relativa en unidades que gestionan presupuestos asignados a la realización de acciones en salud y seguridad ocupacional en la UNC. El análisis de aquellas dependencias que se destacan por la eficiencia en la gestión preventiva permitirá comprender su forma de administrar los recursos y establecer pautas de mejoramiento de las otras unidades que comparten este proceso. Con ello se busca mejorar su desempeño y formular una planificación ágil que ayude a la prevención de riesgos. Se utiliza el Análisis Envolvente de Datos (DEA), una herramienta ampliamente difundida con la que se puede evaluar la eficiencia relativa de un conjunto de unidades, en sus modelos CCR y BCC. El potencial de la herramienta no ha sido probado en el área de prevención de riesgos en una organización educativa, y en consecuencia se utilizan datos provenientes de los registros de la Aseguradora de Riesgo de Trabajo contratada y del propio sistema de gestión relacionados con el gasto anual, la superficie, el número de empleados, los accidentes laborales y los días de inasistencia para efectuar este análisis. Esta información surge como requisito para evaluar el desempeño, verificar los resultados y asignar el presupuesto de cada dependencia. Identificada la eficiencia relativa de las unidades académicas, se procede a evaluar la gestión entre el presupuesto asignado y los resultados obtenidos con el fin de mejorar la gestión global al identificar unidades eficientes y las posibles modificaciones sobre la planificación presupuestaria para lograr una mayor prevención del riesgo.
Palabras Clave: Análisis envolvente de datos (DEA) – Sistema de gestión en salud y seguridad ocupacional – Eficiencia – Gestión de presupuestos públicos
2. REFERENCIAS
COOPER W., SEIFORD L. M. Y TONE K. (2007). “Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References and DEA-Solver Software”. Springer 2007.
EL-MASHALEH, M. S., RABABEH, S. M., Y HYARI, K. H. (2010). “Utilizing data
: 52 :
envelopment analysis to benchmark safety performance of construction contractors”. International Journal of Project Management, 28(1), pp. 61-67.
LINDLBAUER, I., SCHREYÖGG, J., Y WINTER, V. (2016). “Changes in technical efficiency after quality management certification: A DEA approach using difference-in-difference estimation with genetic matching in the hospital industry”. European Journal of Operational Research, 250(3), pp. 1026-1036.
SHIRALI, G. A., SALEHI, V., SAVARI, R., Y AHMADIANGALI, K. (2018). “Investigating the effectiveness of safety costs on productivity and quality enhancement by means of a quantitative approach”. Safety Science, 103, pp. 316-322.
VIERENDEELS, G., RENIERS, G., VAN NUNEN, K., Y PONNET, K. (2018). “An integrative conceptual framework for safety culture: The Egg Aggregated Model (TEAM) of safety culture”. Safety Science, 103, pp. 323-339.
: 53 :
DESPERTANDO A EMPRENDEDORES EXPERIENCIAS DIDÁCTICAS PARA UN CAMBIO ACTITUDINAL EN LOS CURSOS
DE INVESTIGACIÓN OPERATIVA
JULIO E. FREDES – RAMIRO A. RODRÍGUEZ – YAMILA E. MAGIORANO
Facultad de Ciencias Económicas y Jurídicas- Universidad Nacional de La Pampa [email protected] [email protected] [email protected]
RESUMEN
En los procesos de enseñanza-aprendizaje es común observar una cultura que prioriza el individualismo y la competitividad, con predominio de actitudes pasivas de los estudiantes y clases magistrales de los docentes. Con el objetivo de contribuir a un cambio cultural basado en la participación activa de los estudiantes, en un curso cuatrimestral en la Universidad Nacional de La Pampa se aplica una estrategia didáctica apoyada en actividades colaborativas y de intercambio de experiencias practicadas en un ambiente de trabajo por equipos. Los docentes participan como guías metodológicos antes que como meros transmisores de conceptos adquiridos previamente. Simultáneamente se procura mejorar habilidades de comunicación, expresión oral y escrita, integración de conocimientos disponibles para la creación de los nuevos, y el análisis crítico, entre otras. Al finalizar el curso se observa una mejora en la actitud de varios de los cursantes, que adoptaron de buen grado la metodología propuesta y apreciaron los beneficios de la misma. También se registran estudiantes que siguen adheridos en alto grado a la pasividad propia de la cultura conductista que predominara durante su trayecto estudiantil. Cuando se analizan los resultados obtenidos se concluye que existen oportunidades de mejora en cursos venideros. Puesto que el cambio que se procura requiere un esfuerzo prolongado y a largo plazo, se debe reforzar el clima de participación socializada y mejorar las propias habilidades de los docentes para actuar como mediadores del conocimiento.
Palabras Clave: Educación – Didáctica – Aprendizaje activo – Trabajo en equipo – Formación holística 1. INTRODUCCIÓN
Las carreras de Contador Público Nacional y Licenciatura en Administración con orientación en Emprendedurismo de la Universidad Nacional de La Pampa tienen en común la asignatura Métodos Cuantitativos para la Administración, que cubre ocho temas de Investigación Operativa. Se dictan en un cuatrimestre el curso por promoción sin examen final y el de sólo trabajos prácticos para quienes no están en condiciones de realizar el curso por promoción o lo desaprueban por resultados insatisfactorios en las evaluaciones. Estos últimos, si aprueban, deben rendir examen final posterior.
Históricamente, los Profesores Titular y Adjunto han desarrollado exposiciones teóricas con ejemplificaciones y alguna ejercitación práctica, y los Auxiliares Docentes la resolución de trabajos prácticos. En 2017 la Cátedra inició un proceso de cambio en la forma de dictar la asignatura, en línea con la iniciativa de la Facultad de Ciencias Económicas y Jurídicas de formar profesionales con capacidades para emprender negocios y ser eficaces asesores en la gestión emprendedora de las organizaciones.
El objetivo de este trabajo es evidenciar que es posible un cambio actitudinal en los procesos de enseñanza-aprendizaje de estudiantes de grado. Se procura crear el
: 54 :
hábito de elaborar conocimiento en base a conocimientos previos, mediante actividades colaborativas y de intercambio de experiencias con quienes comparten el problema o tienen características distintivas que los hacen idóneos en determinado tema o especialidad. En la consecución de este objetivo se forjan competencias de utilidad para el desempeño profesional futuro ya que el estudiante adquiere saberes que exceden a la simple acumulación de contenidos: habilidad para trabajar y elaborar propuestas en equipo; mejoras en la expresión oral; iniciación en la escritura de textos de calidad profesional; respeto por los plazos de entrega; aplicación de la Nuevas Tecnologías de la Información a la creación de trabajos profesionales.
2. PROPUESTA DIDÁCTICA
Las estrategias didácticas aplicadas enfatizaron en la creación de conocimiento
por parte de los estudiantes más que recurrir a la mera repetición de conceptos. Adicionalmente, en esta ocasión se decidió recurrir a diferentes estímulos para favorecer el proceso permanente de enseñanza-aprendizaje en el estudiante. McCormack y Kenny (2006) consignan que en el aprendizaje de personas adultas tienen importancia tres factores: motivación, orientación al uso inmediato y experiencia. En base a estas ideas se confecciona esta propuesta, en la que la recompensa inmediata para el estudiante es la posibilidad de aprobar sin examen final.
2.1. Estado de la situación
La mayoría de los estudiantes trae una herencia de prácticas basadas en la recepción de conceptos emanados de sus docentes, con evaluaciones en las que se revisa cuánto retuvieron. Son las características de una cultura del individualismo y de la inmediatez: obtención y medición de resultados para cada individuo y con la intención de obtener lo más pronto posible el título que cierra el ciclo de estudios (Santos Guerra, 1996). Los docentes adhieren a esta modalidad, y continúan enseñando de la manera en que aprendieron. Un estudiante acredita y avanza si en la evaluación demuestra que retuvo una cierta cantidad de conocimientos impartidos; muy raras veces por la capacidad creativa del estudiante.
¿Los conocimientos previos requeridos para este desafío son suficientes? En la evaluación diagnóstica la mayoría de los estudiantes reconoce que tienen carencias en conceptos que deberían manejar con soltura al llegar a cursar esta asignatura. Los docentes también deben adecuarse a la nueva situación; ya que los cambios son para las dos partes y deben ensamblarse a la perfección.
La motivación y actitudes personales también juegan su rol. Según una breve encuesta realizada al iniciar el curso 2017 una mayoría relativa de los participantes (36%) cursa porque quiere aprobar una asignatura más para estar más cerca del título; el 27% busca mejorar habilidades de análisis, comunicación y negociación; el 19% procura adquirir nuevos conocimientos; sólo el 14% quiere construir nuevos conocimientos en base a los ya adquiridos y el 4% aspira a desarrollar conocimientos y habilidades con apoyo de sus pares. La Figura 1 ilustra esta distribución.
2.2. Antecedentes similares en cursos de la asignatura
En el pasado inmediato se reconocen dos experiencias, con resultado diverso. Durante 2014 se realizó un curso por promoción, que siguió estrictamente los
aspectos reglamentarios bajo la modalidad clásica de dictado de clases y
: 55 :
evaluaciones. Hubo estudiantes que aprobaron la asignatura después de sortear las diferentes instancias, y eso fue todo: quedó una sensación de que las cosas se podrían hacer mejor para mayor satisfacción de estudiantes y docentes.
En 2016 en una prueba piloto se fomentó el trabajo en equipo, impulsó la idea de aprendizaje continuo y la elaboración colectiva de conocimiento. El resultado final para los estudiantes fue únicamente la aprobación de los trabajos prácticos de la asignatura, pero la experiencia fue de utilidad y sirvió para mejorar el próximo curso. Los equipos de estudiantes debían resolver ejercicios con problemas más complejos que los insertados en la guía de trabajos prácticos, con evaluaciones de control de avance cada dos semanas. Estas actividades requerían conformar equipos de cinco estudiantes. Este número puede parecer caprichoso, pero aquí se concilian:
la capacidad de los docentes para confeccionar los ejercicios a desarrollar. Un curso de aproximadamente cien inscriptos requiere temas distintos para unos veinte equipos, y esfuerzo importante de elaboración y seguimiento posterior.
la facilidad (o dificultad) de reunir a los integrantes del equipo fuera del horario de clase. Si es más numeroso siempre hay alguien que tiene motivos para no concurrir y se resiente la integridad del equipo.
minimizar el impacto de la deserción sobre el rendimiento de los equipos. Si los integrantes iniciales son pocos y se disgrega por ausencias o pérdida del curso por desaprobación de evaluaciones parciales, se desvanece el “equipo”. Si bien se consiguieron buenos resultados y los estudiantes reconocieron que
mejoraba la calidad, al finalizar el curso formularon un reclamo: este esfuerzo, adicional al que tenían los cursos tradicionales, debería compensarse de alguna manera. Y esta compensación fue pensada -desde la cátedra- como un incentivo para motivar mayor y mejor dedicación en la resolución de los problemas. Por esta razón, en 2017 se incluyó esta práctica en el sistema de aprobación por promoción sin examen final que, a su vez, exige otros esfuerzos adicionales. O sea, se adoptaron recursos didácticos en los términos que explicita Dehter (2017): “Una estrategia que ayuda a crear una experiencia para facilitar aprender y ejercitar una destreza para aprender y gestionar el emprendimiento y/o motivar y ejercitar un cambio actitudinal”.
2.3. El curso 2017
La reglamentación del curso de promoción sin examen final exige, como requisito de aprobación, que exista un trabajo final integrador con defensa en forma oral. Para cumplir con tal requisito se aprovechó la idea del año anterior, y se solicitó a los estudiantes que conformaran los equipos a su gusto; la única condición que estableció la cátedra fue el número de cinco integrantes (que en algunos casos se flexibilizó permitiendo que los formaran cuatro o seis estudiantes).
Con lo especificado en el párrafo anterior, y mediante la evaluación de los trabajos realizados, se cumple con el aspecto reglamentario. Si se pretende encaminar a docentes y estudiantes hacia un proceso sometido a “la reflexión, a la interrogación permanente, al debate continuo“(Santos Guerra, 1996, p. 9) que estimule la creatividad y la solución de problemas en base al trabajo colaborativo, es necesario incorporar actividades y metodologías de trabajo que vayan más allá de la simple resolución de ejercicios complejos. En tal sentido, es útil tener en cuenta que los participantes del curso son adultos y, como tales, se sienten cómodos cuando, para aprender, abordan y resuelven problemas particulares aplicables a sus experiencias cotidianas (Draves, 2007).
: 56 :
2.3.1. Propuesta de trabajo
Para quienes cursan la promoción sin examen final el desarrollo del curso prevé dos evaluaciones parciales (que incluyen temas teóricos) y dos trabajos prácticos complejos (a resolver a lo largo del cuatrimestre por los equipos conformados, y sujeto a la defensa oral individual en un coloquio al final del período).
Los cursantes de la promoción comparten actividades con quienes solamente cursan los trabajos prácticos según la otra modalidad prevista en la reglamentación. Éstos últimos no tienen evaluación de temas teóricos ni participan del coloquio final, pero se los invita encarecidamente a participar de la iniciativa de trabajo grupal. Se considera conveniente que -aún en el caso de perder la regularidad de la promoción por desaprobación de evaluaciones parciales- continúen colaborando con el equipo ya que en este emprendimiento no se trata solamente de validar conocimientos sino, en alto grado, de crear actitudes de aprendizaje continuo y, además, el equipo debe llegar al final del recorrido incluyendo a todas sus capacidades individuales.
Cada equipo recibe el enunciado del trabajo grupal1 en la clase de presentación del tema respectivo: Apoyo Multicriterio a la Decisión y Simulación. Se debe plantear el modelo que corresponda, resolverlo con el software adecuado (Open Decision Maker -ODM- y planilla de cálculo electrónico, respectivamente), interpretar la solución y aportar ideas desafiantes post-optimización que amplíen las posibilidades para el decisor. El aula virtual de la asignatura, gestionada mediante la plataforma Moodle, permite distribuir material de cátedra y la comunicación mediante foros de opinión. Como aporte para mejorar la expresión oral los equipos expondrán los avances realizados, públicamente, en el aula -seleccionados al azar, una vez a la semana-.
El resultado del trabajo de “casos” involucra a múltiples criterios. Entre ellos: rapidez de entrega; calidad del texto conforme a normas de escritura y utilización del idioma castellano; claridad conceptual y precisión del marco teórico y metodológico; claridad y contundencia del enfoque práctico, desarrollo de la solución y conclusiones obtenidas; creatividad en la propuesta de variantes a la solución encontrada (basado en los enunciados, datos y resultantes del desarrollo de la solución; no por agregado de ideas fantasiosas que requieren alteración del texto del “caso” para ser creíbles); desempeño personal en la entrevista de defensa (coloquio). Se valoriza utilizando el Modelo de Calificación (Anderson, Sweeney y Williams, 2005) con ponderaciones que surgen de las aportadas por cada uno de los docentes evaluadores.
2.3.2. Obstáculos operativos: tiempo, conocimientos previos y el formato científico
El desarrollo de los trabajos en tiempo extra clase requiere que los estudiantes y docentes dediquen mayor tiempo a la asignatura fuera de las clases; y también es necesario acompañamiento adicional durante los encuentros presenciales. Aquí el dilema que se presentó fue: ¿cómo conciliar esta mayor demanda de tiempo (requerido para actividades que en cursos anteriores no existían) con el dictado y desarrollo de temas que sí existían en dichos cursos? La solución al inconveniente fue resignar algún tiempo de clase del Profesor Titular, que en años anteriores se utilizaba para desarrollar temas teóricos. Se supone que, aunque haya un menor despliegue de recursos y conocimientos del responsable de la clase, con una correcta orientación los
1 Para facilitar la redacción e interpretación de este documento, se los denominará “casos”, aunque no son estrictamente casos reales tal como se los utiliza en los procesos de enseñanza-aprendizaje.
: 57 :
estudiantes podrán acceder a iguales o mejores contenidos en bibliotecas, sitios de Internet, etc., aplicando su propia iniciativa. El tiempo de clase que se liberó se aplicó a reforzar conocimientos de asignaturas correlativas anteriores que no estaban debidamente fijados, y a acompañar el avance de los trabajos extra-clase. En menor medida, el resto de la Cátedra también dedicó tiempo de clase a tal acompañamiento.
Uno de los obstáculos encontrados fue la escasez de conocimientos previos en temas que los requieren para avanzar en los trabajos grupales. Se le dedicaron horas adicionales al repaso de los temas y explicación sobre la manera en que los equipos deben aplicarlos en la resolución de sus “casos”.
Otro inconveniente es que hasta este nivel de la carrera los estudiantes no han tenido oportunidad de trabajar en textos de carácter científico, y recién en años venideros cursarán la asignatura que específicamente los prepara para ello (Introducción al conocimiento científico y metodología de la investigación). Desde la cátedra se preparó material introductorio para el tema y distribuyeron algunas Normas APA, para obtener un nivel mínimo de calidad profesional de los textos.
3. RESULTADOS
3.1. Encuesta a los estudiantes
Al momento de realizar la segunda evaluación parcial se distribuye un cuestionario entre quienes están terminando el curso, para que evalúen aspectos como: desempeño de los docentes, disponibilidad y uso de bibliografía, pertinencia del sistema de evaluación y dedicación personal al curso. La respuesta no es obligatoria, y tampoco es obligatorio registrar nombre y apellido del encuestado.
Una mayoría de alrededor del 70% (superior al porcentaje de 2016) respondió que existió predisposición de parte de los docentes para posibilitar la participación activa del alumnado durante el curso. Esto es: se percibió que desde la conducción del aula se tomó la iniciativa para sacarlos de la pasividad que ha caracterizado su tránsito por el sistema de educación formal. Pero, un porcentaje de respuestas similar reconoce que, a pesar de la invitación a participar, lo hicieron en pocas oportunidades.
En cuanto al trabajo con los “casos” en horario extra-clase, en el 80% de las respuestas se consideró provechosa la experiencia. Igual proporción de cursantes reconoció que para eso debió actualizar conocimientos. Porcentaje similar se registró para confirmar que estas tareas permitieron consolidar una visión integrada de conocimientos entre esta y otras asignaturas, entre los cuales son mayoría los que vieron “muy importantes” avances de integración -a diferencia de 2016, cuando fueron preponderantes las respuestas que reconocieron “bastantes” mejoras-. (Ver Figura 2)
En la visión global del curso sólo 31% de los estudiantes dice que se superaron en mucho sus expectativas iniciales y para el 54% se superaron “medianamente”. En el 32% de los casos consideraron que los aportes recibidos durante el curso excedían en gran medida a la mera transmisión de conocimientos, pero para el 43% excedían “medianamente”. El resto consideró nula la satisfacción de expectativas y aportes.
La mitad de los encuestados opinó que el tiempo asignado al curso es muy adecuado, y la otra mitad lo consideró medianamente suficiente o insuficiente. El 50% de los cursantes dedica hasta diez horas al curso fuera del horario de clases y un porcentaje similar indica “entre 10 y 20 horas”. En iguales proporciones, manifiestan que esa dedicación es similar a las de otras asignaturas que cursan.
La encuesta cuenta con un espacio de preguntas abiertas en las cuales los estudiantes pueden opinar sobre los aportes que consideran que recibieron durante el
: 58 :
curso y comparar con otras asignaturas. Aquí, a diferencia del año anterior, muchas opiniones refieren al esfuerzo que implica esta forma de aprender (más tiempo, recuperación de conceptos de asignaturas anteriores), pero reconocen que, a partir de una cátedra organizada adecuadamente, consolidan conceptos adquiridos ahora con otros de asignaturas anteriores. También varios comentarios refieren a la vinculación de los temas con la realidad de cada día, cuestión que no siempre se manifiesta en otras asignaturas. La Tabla 1 muestra algunas de las apreciaciones que los estudiantes insertaron en ese espacio de libre opinión.
3.2. La observación desde dentro de la cátedra
El plan propuesto al inicio del cuatrimestre tuvo cumplimiento aceptable aunque debió alterarse a medida que se desarrollaban las clases. Por caso, no pudo evaluarse la exposición oral de los avances de cada equipo. En su lugar, fue necesario reforzar conceptos de Estadística que no estaban debidamente asimilados por los estudiantes.
Habilitar instancias de debate en las reuniones presenciales, si bien impacta negativamente en el desarrollo de los temas planificados, redunda en mejoras cuyos efectos no se observan a primera vista: se refuerzan competencias sociales y actitudinales, como comunicación efectiva y estimulación para el aprendizaje continuo.
La crítica importante está en la falta de fortalecimiento de conceptos teóricos, observada en el coloquio final. Faltos de un seguimiento exhaustivo, los estudiantes pusieron más el foco en la utilización de las nuevas tecnologías para la resolución de las prácticas grupales que en su fundamentación teórica. Si bien al perfilarse de esta manera evidencian que adoptaron actitudes activas en la práctica y aplicación de nuevos saberes -y satisfacen el objetivo de esta experiencia- también es deseable que avancen por igual en ambos frentes en forma autónoma, ya que la misma actitud activa debería llevarlos a un ciclo virtuoso práctica-teoría-práctica de mejora continua.
4. DISCUSIÓN Y CONCLUSIONES
Se concluye que la experiencia realizada el último año, orientada a la
transformación de los estudiantes en sujetos activos en el proceso enseñanza-aprendizaje aplicando recursos didácticos típicos del aprendizaje basado en problemas, ha tenido aspectos favorables así como otros que se pueden mejorar.
En la opinión de los estudiantes, volcada en las encuestas finales, se encuentran indicios del buen rumbo adoptado. Es evidente que conocer, por anticipado, que la participación correcta conduce al premio final de la aprobación de la asignatura, facilita su participación. Esta motivación no deja de ser un recurso de la cultura meritocrática individualista que ha regido en la mayoría de los procesos de enseñanza-aprendizaje, pero la habilidad está en utilizarla de manera sistémica para convertir a esta experiencia en un instrumento válido de aprendizaje continuo.
Se reconoce la predisposición del cuerpo docente para proponer la participación activa del curso, abriendo la posibilidad de debatir ideas e intercambiar opiniones en un medio que abarca más allá del círculo cercano de relaciones personales. Sin embargo, todavía existen limitaciones (que deberían ser indagadas) para dicha participación y los mismos estudiantes concluyen que no han sabido aprovechar estas posibilidades para la mejora de sus habilidades y competencias. Esta circunstancia obliga a repensar las estrategias a aplicar en próximos cursos, de manera que se logre mayor participación de los cursantes.
: 59 :
En el plano de las evaluaciones, es necesario concretar las exposiciones orales parciales (omitidas en 2017). Son instrumentos adecuados para mejorar el análisis de los avances parciales de cada equipo en un proceso de evaluación continua y para enriquecer los saberes de todos los participantes del curso ya que posibilitan socializar el conocimiento.
La carencia de exploración de conceptos teóricos, que fuera observada durante el coloquio final, provoca un debilitamiento de la calidad profesional. Requiere que (mediante replanteo de estrategias) se oriente a los estudiantes en la adquisición de estos conocimientos y se genere ese círculo virtuoso mencionado en el apartado 3.2. in fine. Podría ser insertando más preguntas sobre los conceptos teóricos en las evaluaciones parciales, principalmente de aquellos temas que no cuentan con “casos” de trabajo grupal, ya que es la única oportunidad de indagar sobre los temas.
Se debe insistir en una mayor utilización de las nuevas tecnologías como instrumento idóneo para apalancar este proceso de aprendizaje continuo. La mayoría de los estudiantes manifestó que, para realizar los trabajos encomendados, no necesitó de dispositivos o tecnologías que no disponía y, evidentemente este fue un factor motivador en el desarrollo del curso.
5. FIGURAS y TABLAS
Figura 1. Expectativas de los estudiantes al iniciar el curso 2017
Figura 2. En qué grado consolidó una visión integrada de conocimientos de esta y otras asignaturas. Comparación 2016/2017
19%
27%14%
4%
36%
Adquirir nuevos conocimientos
Mejorar habilidades de análisis, etc.
Construir nuevos conocimientos
Ayudar y apoyarse en pares
Aprobar una asignatura más
0
10
20
30
40
50
60
Muy importante Bastante Poco/nada N/C
2016
2017%
: 60 :
Aporte principal Opinión general
Formar un pensamiento que me ayude a adaptarme a la resolución de problemas en distintas situaciones
Con una mejor base de Estadística, es una materia muy linda para aprender los temas que vimos y otros mas
Considero que algunos temas fueron aplicados por lo que personalmente pude mejorar mis conocimientos
Me gusta la materia y el hecho de que se complemente con otras, para tener una visión global de las cosas
Razonamiento abstracto, además de nuevos contenidos que me servirán en la profesión
Muy bien organizada y con ganas de que los alumnos aprendan
El proceso de aprendizaje se hace más interesante con esta nueva modalidad: uso de software, trabajos grupales para afianzar la aplicación teórica
Los temas vistos requieren ser pensados y analizados con el "sentido común" no meramente resolver por aplicación de fórmulas
Aprender a razonar cada situación independientemente de las teorías
Ayuda más que adquirir conocimientos de la asignatura en sí misma, a formarse desde la parte profesional
Se reafirma conocimientos de Estadísticas y se obtiene información útil y aplicable a la realidad
Es una materia que te obliga a razonar y no solamente a leer del libro
Podría aplicar MULTICRITERIO en mi trabajo, selección de características en OBRAS PUBLICAS
Me parece una catedra organizada, estricta, pero la forma de evaluar no me gusta
Visión de los temas tratados en los problemas del día a día
Además de los conocimientos teóricos que se enseñan, mi opinión sobre esta materia y su forma de enseñarla es poder plasmar los conocimientos a la realidad y hacerla más entendible y comprensible
Aprender a estudiar razonando y relacionando temas Está bien estructurada. Muy responsables los profesores. Sería interesante como bajar los conceptos/casos prácticos de nuestro entorno, como aplicarlo a pequeñas empresas.
Aprender a relacionar conceptos y todo lo que la materia conlleva
Esta materia me ayuda a visualizar como se relacionan todas las materias
Aprovechamiento y entendimiento de temas para aplicar a la hora de tomar decisiones
Es una buena materia para tratar de cambiar ciertas estructuras establecidas
Tabla 1. Opinión en preguntas abiertas. Encuesta de evaluación del curso 2017
6. REFERENCIAS
ANDERSON, D., SWEENEY, D., Y WILLIAMS, T. (2005): Métodos Cuantitativos para los Negocios (9ª Ed.). Ed. Thomson, México.
DEHTER, M. (2017): “Herramientas para Enseñar a Aprender a Aprender a Emprender”. Módulo Recursos Didácticos, Programa Experto en Didáctica del Emprendimiento y la Innovación. Versión obtenida el 18/05/17. http://miclase.es
DRAVES, W. (2007): How to Teach Adults. Ed. Learning Resources Network (LERN), Wisconsin, U.S.A.
MCCORMACK, D. Y KENNY, M. (2006): “Introductory Module. Unit 2: Study Skills for Adults Returning to Learning”. Department of Adult and Community Education,
National University of Ireland, Maynooth. Versión obtenida el 18/12/17. http://eprints.maynoothuniversity.ie/1077/
OPEN DECISION MAKER - ODM (Versión 1.0.1.) [Software libre de computación]. Recuperado de https://sourceforge.net/projects/opendecisionmak/
SANTOS GUERRA, M. A. (1996): “Evaluar es comprender. De la concepción técnica a la dimensión crítica”. Investigación en la Escuela, Nro. 30, pp. 5-13.
: 61 :
EL PROBLEMA DE SUPERPOSICIÓN DE HORARIOS MIRANDO MÁS ALLÁ DE LA SOLUCIÓN ÓPTIMA
Pablo Echevarría – Gustavo Pereyra – Silvia Ramos
Universidad de Buenos Aires - Facultad de Ingeniería [email protected] – [email protected] – [email protected]
RESUMEN
En este trabajo desarrollaremos las tareas realizadas en los últimos dos años para resolver el problema de superposiciones horarias de las asignaturas que según el Plan de Estudios de cada carrera deben cursarse en el mismo cuatrimestre, pero que en la práctica resulta imposible dado que se dictan en los mismos horarios. La situación se asemeja a un problema de timetabling, con algunas particularidades propias, como no partir de un modelo “en blanco” en el que hay que asignar horarios a materias, sino de un horario ya fijado en el que hay que hacer cambios para permitir las cursadas. Como las partes involucradas (en este caso, los docentes) suelen resistir a los cambios que se les imponen desde afuera, se trabajó con algunos alumnos utilizando el método de los seis sombreros para pensar, con el objetivo de presentar diferentes alternativas que impliquen o no cambios de horarios para los docentes, para resolver las superposiciones. Algunas de estas alternativas están en proceso de análisis. Hasta la fecha se ha resuelto el 33% de las superposiciones preexistentes, y con la implementación de dichas alternativas, podría resolverse otra cantidad similar
Palabras Clave: Educación – Timetabling – Seis Sombreros - Negociación 1. INTRODUCCIÓN
A principios de 2016, se creó la Coordinación de Vinculación Estudiantil (CVE)
de la Facultad, con el objetivo de resolver los problemas que afectaban a los alumnos. Uno de los principales inconvenientes que se nos planteó era resolver las superposiciones de horarios entre materias obligatorias que deben cursarse simultáneamente en la Facultad de Ingeniería de la Universidad de Buenos Aires (FIUBA), en sus tres sedes.
En la FIUBA se dictan doce carreras de grado, algunas de ellas tienen temporalmente dos planes de estudio vigentes, por lo que la oferta total es de diecisiete planes de estudio con una duración de entre siete y diez cuatrimestres. En cada cuatrimestre se cursan entre tres y cinco materias obligatorias.
En el presente trabajo desarrollaremos las diferentes estrategias que aplicamos para la resolución del problema, los resultados conseguidos y la situación obtenida luego de casi dos años de trabajo.
2. RESOLUCIÓN MATEMÁTICA
El problema es básicamente un modelo clásico de timetabling (Méndez Díaz,
Miranda Bront, Zabala, 2016). Se comenzó a trabajar planteando dicho modelo matemático, que comprende las siguientes definiciones:
: 62 :
Cm el conjunto de cursos de la materia m S el conjunto de cuatrimestres sugeridos para los diferentes planes de estudio. M el conjunto de materias de la facultad F el conjunto de franjas horarias ofrecidas por la facultad
𝐾𝑓𝑠𝑚𝑐 {1 𝑠𝑖 𝑒𝑙 𝑐𝑢𝑟𝑠𝑜 𝑐 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑒𝑟𝑖𝑎 𝑚 𝑑𝑒𝑙 𝑐𝑢𝑎𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 𝑠𝑢𝑔𝑒𝑟𝑖𝑑𝑜 𝑠 𝑠𝑒 𝑑𝑖𝑐𝑡𝑎
𝑒𝑛 𝑙𝑎 𝑓𝑟𝑎𝑛𝑗𝑎 ℎ𝑜𝑟𝑎𝑟𝑖𝑎 𝑓 0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
Las variables del problema son las siguientes:
𝑋𝑠𝑚𝑐 {1 𝑠𝑖 𝑠𝑒 𝑑𝑖𝑐𝑡𝑎 𝑒𝑙 𝑐𝑢𝑟𝑠𝑜 𝑐 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑒𝑟𝑖𝑎 𝑚 𝑑𝑒𝑙 𝑐𝑢𝑎𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 𝑠𝑢𝑔𝑒𝑟𝑖𝑑𝑜 𝑠
0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
𝑋𝑓𝑠𝑚𝑐 {1 𝑠𝑖 𝑙𝑎 𝑓𝑟𝑎𝑛𝑗𝑎 ℎ𝑜𝑟𝑎𝑟𝑖𝑎 𝑓 𝑒𝑛 𝑒𝑙 𝑐𝑢𝑎𝑡𝑟𝑖𝑚𝑒𝑠𝑡𝑟𝑒 𝑠𝑢𝑔𝑒𝑟𝑖𝑑𝑜 𝑠 𝑒𝑠𝑡á 𝑐𝑢𝑏𝑖𝑒𝑟𝑡𝑎 𝑝𝑜𝑟
𝑒𝑙 𝑐𝑢𝑟𝑠𝑜 𝑐 𝑑𝑒 𝑙𝑎 𝑚𝑎𝑡𝑒𝑟𝑖𝑎 𝑚 0 𝑒𝑛 𝑐𝑎𝑠𝑜 𝑐𝑜𝑛𝑡𝑟𝑎𝑟𝑖𝑜
El modelo está conformado por las siguientes restricciones:
∑ 𝑋𝑠𝑚𝑐 = 1
𝑐 ∈𝐶𝑚
∀ 𝑠 ∈ 𝑆, 𝑚 ∈ 𝑀 (1)
∑ 𝑋𝑓𝑠𝑚𝑐 ≤ 1 + 𝑆𝑓 ∀ 𝑓 ∈ 𝐹 (2)𝑠 ∈ 𝑆, 𝑚 ∈ 𝑀,𝑐 ∈ 𝐶𝑚
2 𝑋𝑓𝑠𝑚𝑐 ≤ 𝐾𝑓𝑠𝑚𝑐 + 𝑋𝑠𝑚𝑐 ≤ 1 + 𝑋𝑓𝑠𝑚𝑐 ∀ 𝑓 ∈ 𝐹, 𝑠 ∈ 𝑆, 𝑚 ∈ 𝑀, 𝑐 ∈ 𝐶𝑚 (3)
La función objetivo del mismo es:
min 𝑍 = 𝑆𝑓 ∀ 𝑓 ∈ 𝐹
En el problema hay dos tipos de restricciones a cumplir: Las restricciones (1) obligan a que se elija exactamente uno de los diferentes
cursos ofrecidos por cada materia. Las restricciones (2) intentan que los cursos elegidos no se superpongan, contando la cantidad de cursos ofrecidos en cada franja horaria. Si para una franja horaria, la cantidad de cursos es mayor a 1, da valor a Sf, lo
: 63 :
que es penalizado en la función objetivo. Las restricciones (3) vinculan a cada materia elegida con las franjas horarias que ocupa.
La función objetivo indica la cantidad de franjas horarias que presentan superposiciones. Idealmente, dará un resultado de 0 (no hay superposiciones).
La primera restricción se repite para las 505 materias. Considerando una
variable bivalente por cada curso ofrecido, son aproximadamente 1400 variables a utilizar, solo para los cursos ofrecidos.
La segunda restricción es mucho más amplia. La facultad está abierta de lunes a viernes de 7 a 23, y los sábados de 8 a 19 horas. Considerando que la unidad mínima de tiempo en que se organizan las materias es cada media hora, hay un total de 102 unidades de tiempo a considerar para cada uno de los 144 cuatrimestres ofrecidos en los diecisiete planes de estudio. Es decir, que se generan 14688 restricciones de este tipo.
Para vincular ambas restricciones, se deben indicar los horarios que ocupa cada curso. Considerando que las materias tienen una carga horaria promedio de seis horas, se generarían para todos los cursos 142.800 variables bivalentes, de las cuales 16800 tomarían valor.
Este modelo, que es fácil de plantear genéricamente, pero que no es tan trivial de implementar, permitiría detectar cuántas superposiciones hay actualmente, aunque sin tener en cuenta que hay materias que se cursan en diferentes sedes, por lo que se debe considerar un tiempo de viaje (una hora) entre dos materias consecutivas si se dictan en distintas sedes.
Analizar manualmente las superposiciones a partir de los planes de estudio y los horarios publicados implica entre doce y dieciséis horas de trabajo cada cuatrimestre. Entre la publicación de los horarios y el comienzo de la inscripción hay un plazo de tres semanas para realizar modificaciones, por lo que el tiempo insumido no es excesivo. Además la principal dificultad no consiste en detectar las superposiciones sino en resolverlas. 3. ESTRATEGIAS IMPLEMENTADAS
En los cuatro cuatrimestres que llevamos analizando el problema, se implementaron diferentes estrategias, que se pueden agrupar en las propuestas por Ackoff (1981) para la resolución de problemas.
- Solución: consiste en aceptar las condiciones del problema y buscar obtener lo que se desea, sin importar lo que cueste al oponente. Una de las partes en conflicto impone su posición, teniendo o no en cuenta la posición de las otras partes. Puede generar futuros conflictos, al sentirse las diferentes partes como “ganadores” o “perdedores”
- Resolución: consiste en aceptar las condiciones del problema y tratar de buscar una situación que sea aceptable para todos los participantes, haciendo un reparto de ganancias/pérdidas.
- Disolución: consiste en cambiar las condiciones del problema, de manera que este desaparezca. Ambas partes obtienen lo que desean sin tener que transigir.
: 64 :
3.1. Solución
En el primer cuatrimestre (2016-01), surgió el problema de “abrir” un nuevo cuatrimestre para el plan nuevo de una de las carreras que se cursan en la FIUBA. Si bien todas las materias ya se dictaban en el plan anterior, estaban organizadas de diferente manera en el plan nuevo. Las cinco materias del cuatrimestre se estaban dictando en los siguientes horarios:
Figura 1: Horarios propuestos para el cuatrimestre (Elaboración propia)
Al analizar el gráfico, resultó evidente que la mejor solución era cambiar el
horario de la materia 11.11 a los días lunes. De esta manera se podían cursar todas las materias, manteniendo la opción de cursos para 55.55.
: 65 :
Figura 2: Propuesta de horarios sin superposición (Elaboración propia)
La solución así obtenida era positiva para todos los involucrados, excepto para
el docente de 11.11. Al planteársele el cambio, indicó que no podía cambiar y que su único horario disponible era “los martes de 18:00 a 20:30”.
Evidentemente, la estrategia elegida para solucionar el problema (Imponer una
solución a las partes en conflicto, generando un “ganador” y un “perdedor”) no era buena, y estaba condenada al fracaso.
3.2. Resolución
Para el cuatrimestre siguiente (2016-02), se tuvo más tiempo para analizar y relevar las superposiciones existentes, detectándose dieciocho en todas las carreras.
Esta vez se planteó una estrategia más participativa, en lugar de imponer a los docentes una solución pensada por la CVE, se les planteó el horario con superposiciones en cada cuatrimestre. Además, en lugar de decirles a qué horarios tenían que pasar, se les indicó a qué horarios NO podían cambiar para evitar nuevas superposiciones en otras carreras (dado que algunas materias son comunes a varias carreras), con el objetivo de generar más empatía y demostrar que se consideraba la situación particular.
Las respuestas fueron muy diversas. Si bien hubo varios que se limitaron a responder “yo no puedo cambiar de horarios”, y otros que desconocían el problema; también hubo varios que pidieron que consultáramos a los alumnos y que propusieran ellos mismos cambiar de horarios.
De esta forma, se pudieron solucionar 5 de las 18 superposiciones encontradas. En lugar de imponerles una solución, se les planteó el problema a los involucrados y se les pidió que resuelvan entre ellos los horarios, de manera que no hubiera “perdedores”.
: 66 :
3.3. Disolución
En ese mismo cuatrimestre, pudimos observar que una de las superposiciones se “disolvió”, usando la terminología de Ackoff (1981). Una de las materias involucradas no estaba teniendo buenos resultados, por lo que el Departamento docente del que dependía dicha materia decidió abrir un nuevo curso de dicha materia, en un horario nuevo que no generaba inconvenientes.
Esto nos hizo re-pensar la forma de encarar el problema. No se trataba de compatibilizar los horarios de los diferentes profesores, sino de las materias. Para evitar caer en más restricciones autoimpuestas, se decidió plantear el problema con los alumnos de la materia Análisis y Resolución de Problemas de esta Facultad, para que ellos diseñaran diferentes estrategias para resolverlo, utilizando la técnica de los Seis Sombreros para Pensar (De Bono, 1985).
4. ANÁLISIS Y RESOLUCIÓN DE PROBLEMAS Y UN PROYECTO DE SOLUCIÓN
En la asignatura Análisis y Resolución de Problemas se trabaja sobre todo
considerando el aspecto humano en los problemas de toma de decisiones, que es justamente lo que sucedía en este caso. Además, en la asignatura se evalúa trabajando por proyectos (Ramos, Ramonet, Sadras, Vito, 2011). Por eso se desde la CVE se consideró que era un ámbito adecuado para poder plantear el problema.
El problema se encaró como un caso, para el cual había que trabajar en conjunto para ofrecer soluciones.
Se les presentó a los estudiantes de la asignatura un trabajo en el que el cliente (en este caso el representante de la CVE) necesitaba que los estudiantes analizaran el problema utilizando la metodología de los Seis sombreros para pensar y realizaran una propuesta colectiva (de todo el curso en general) en un lapso de dos semanas para que fuera evaluada por el cliente. Además, los estudiantes tenían que entregarles a los docentes de la asignatura una bitácora que mostrara el trabajo que habían hecho en conjunto y la aplicación del método, además de las alternativas de solución encontrada. La organización del trabajo quedaba a cargo del grupo de estudiantes (por ejemplo, si se dividían el uso de los seis sombreros o hacían una ronda en la cual todos se ponían un determinado sombrero y trabajaban hasta agotarlo y cambiaban posteriormente de sombrero), lo que se les pedía es que en la bitácora quedara reflejado cómo habían trabajado, para poder discutirlo con posterioridad en el marco de la asignatura. Todas estas actividades se planificaron siguiendo la metodología de proyectos en educación (Noonan, 2010).
Cuando los estudiantes presentaron su trabajo al representante de CVE
surgieron varias alternativas, las más interesantes de ellas fueron:
Alternativa Tipo de solución Proponer el dictado de clases a través del campus virtual (cursada semipresencial)
Disolución: Los docentes no tienen que cambiar sus horarios, y los alumnos pueden ver las clases en el horario que más les conviene.
Buscar incentivar a los docentes para motivar el cambio. (charlas, otros cursos, etc.)
Resolución: Busca lograr que los docentes acepten cambiar de horario
: 67 :
Priorizar los cuatrimestres de las carreras con más alumnos.
Solución: Proporciona un criterio para definir quién debe cambiar el horario. Solo aplicable en los cursos que afectan a varias carreras.
Comunicar el problema eficazmente a los docentes para que estos conozcan cómo afectan a los estudiantes
Resolución: Apela a lograr que los docentes acepten el cambio de horario.
Proponer que las clases que da un docente que no puede cambiar de horario las de otro docente de la misma materia que sí pueda cambiar
Disolución: Sin cambiar completamente el horario de las materias y los docentes, cambiarlo parcialmente para evitar las superposiciones. Sólo aplicable a materias con múltiples horarios y docentes.
Cambiar las materias conflictivas de cuatrimestre, respetando las correlatividades.
Disolución: Los docentes mantienen sus horarios, lo que cambia es el momento de la carrera en que se cursan las materias. No aplicable a todas las materias.
5. PRÓXIMOS PASOS A partir de la experiencia recogida y de las propuestas de los alumnos, se
están trabajando las diferentes alternativas de disolución de los problemas: Con la ayuda del Centro de Educación a Distancia de la Facultad, se está
trabajando la difusión del régimen semipresencial de cursado, en el que se reduce el tiempo de asistencia a la Facultad a la mitad, desarrollándose el resto de la materia a través del campus virtual, generalmente en forma asincrónica1. (CEAD, 2016)
Los cuatrimestres de cursado de cada asignatura son definidos por la Comisión Curricular Permanente de cada carrera, y pueden ser cambiados por dichas comisiones sin necesidad de modificar el Plan de Estudios. Desde la CVE se elaboraron propuestas de resolución de las superposiciones y se enviaron a los alumnos miembros de las Comisiones para que planteen el problema y las alternativas de resolución dentro de las mismas.
En colaboración con el Departamento de Computación de la Facultad se plantea desarrollar una aplicación que permita analizar la oferta horaria y detectar las superposiciones automáticamente. Ello daría más días de plazo para trabajar sobre las superposiciones en el período de tiempo entre la publicación de la oferta horaria y el comienzo de las inscripciones, período que no suele ser superior a las dos semanas.
Desarrollar una guía de los pasos que debe cumplir un docente que desea cambiar de horario su materia, para evitar que se generen nuevas superposiciones mientras se intenta resolver las ya existentes.
Tender a un esquema de “fairness” para determinar los horarios de los cursos (Mühlenthaler, 2015) 6. CONCLUSIONES
La resolución del problema es mucho más compleja de lo que se suele pensar ante este tipo de casos.
1 Asincrónico: indica que la interacción entre docentes y alumnos no es simultánea, sino que cada uno interactúa con el campus virtual, y los demás verán su participación cuando ingresen al mismo.
: 68 :
Se trata de un problema conocido y estudiado dentro de la Investigación Operativa. El verdadero problema radica en lograr persuadir a las personas involucradas (en este caso, los docentes) de que la solución obtenida matemáticamente es la óptima para la comunidad educativa, aunque no sea la mejor para cada uno de ellos individualmente.
Es por ello que el ángulo desde el que se enfocó el problema cambió notablemente, y con él, las herramientas utilizadas. Se pasó de un problema de Optimización Entera a un problema de negociación, en el que nos vimos obligados a utilizar herramientas no siempre tenidas en cuenta en los cursos de Investigación Operativa.
Para los alumnos que participaron de la actividad, fue una oportunidad de aplicar los métodos de resolución de problemas vistos en la asignatura, a un problema real y que es conocido por ellos, con el incentivo adicional de que una buena solución redundaría en su propio beneficio.
7. REFERENCIAS ACKOFF, R. (1981): El arte de resolver problemas. México: Ed Limusa DE BONO, E. (1985): Seis sombreros para pensar. Buenos Aires: Ed. Granica CENTRO DE EDUCACIÓN A DISTANCIA DE LA FACULTAD DE INGENIERÍA DE LA UNIVERSIDAD DE BUENOS AIRES (CEAD) (2016) Apuntes del curso “Enseñanza de la ingeniería con TICs” MENDEZ DÍAZ, I., MIRANDA BRONT, J. J., ZABALA P. (2016): “Un nuevo enfoque para la programación horaria en universidades”. Revista Ingeniería de Sistemas, vol. XXX, pp. 91–112 MÜHLENTHALER, M. (2015): “Fairness in Academic Course Timetabling”. Springer pp 75-105. NOONAN, P. S. (2010): Course Projects & Project Courses. Adopting Best Practices from the Consulting. Buenos Aires: ALIO-Informs. RAMOS, S.; RAMONET, J.; SADRAS, D.; VITO, S. (2011): “Evaluando con proyectos para aplicar Investigación Operativa a problemas del mundo real”, Anales ENDIO 2011.
: 69 :
ANÁLISIS DE CORRESPONDENCIA MÚLTIPLE CON SOFTWARE R EN LA ASIGNATURA CONTABILIDAD GERENCIAL
MARCELO E. MEDINA GALVÁN – JAVIER A. GARCÍA
Facultad de Ciencias Económicas, Instituto de Administración, Universidad Nacional de Tucumán [email protected] – [email protected]
RESUMEN
El presente trabajo tiene como objetivo analizar la influencia de los trabajos prácticos y del promedio académico en el proceso de aprendizaje de los alumnos de la asignatura Contabilidad Gerencial, materia del tercer año del plan de estudios 2014 de la licenciatura en administración de la Facultad de Ciencias Económicas, Universidad Nacional de Tucumán. Se emplea como metodología el análisis de correspondencia múltiple para analizar las diferentes variables bajo estudio, y se trabaja con el software estadístico R. Finalmente, se elabora una reflexión sobre la contribución de los trabajos prácticos como herramienta para favorecer el proceso de aprendizaje en la asignatura. En el primer parcial parece claro que los parcialitos favorecen (confirman) el aprendizaje. En el segundo parcial, quizás los parcialitos sirven para que los alumnos mejoren previamente al parcial (es decir, como impulsores para lograr un mejor aprendizaje y logren reforzar su bajo desempeño).
Palabras Clave: Educación – Aprendizaje – Trabajos prácticos – Variables cualitativas 1. INTRODUCCIÓN
Partiendo de la premisa de que el aprendizaje es una variable fundamental en las Instituciones Educativas, se proponen técnicas y herramientas que puedan incrementarla y mejorar la calidad de sus procesos. Ahora bien, resulta completamente difícil medir esta variable (porque en su naturaleza es cualitativa). Típicamente, las instituciones utilizan escalas numéricas para obtener una aproximación y así determinar si un alumno aprendió o no.
La asignatura Contabilidad Gerencial forma parte de la currícula del plan de estudios 2014 de la licenciatura en administración de la Facultad de Ciencias Económicas, Universidad Nacional de Tucumán. Como uno de sus objetivos principales, la Cátedra Contabilidad Gerencial busca formar los mejores licenciados en administración de la región NOA. Es por ello, que, en su afán de alcanzar este objetivo, propone técnicas y herramientas para mejorar los procesos de enseñanza-aprendizaje en el aula.
Es por dicho motivo que desde el año 2016 se implementan en la asignatura, instancias de evaluación previas a sus dos exámenes parciales. Dichas instancias de evaluación se asemejan a un trabajo práctico que el alumno debe realizar en forma individual en los últimos 45 minutos de la última luego de haber finalizado una unidad específica. Como el objetivo es imitar el contexto de un parcial, la Cátedra llamó a estos trabajos prácticos “parcialitos”. Existen en total 8 parcialitos, 4 previos al primer parcial y 4 previos al segundo.
Un parcialito consiste en el enunciado de un problema que el alumno debe resolver en un tiempo específico y que luego de dicho tiempo debe entregarlo a sus docentes. El docente a cargo corrige cada uno de los parcialitos y realiza una devolución general sobre el rendimiento de los estudiantes. Esto sirve a manera de
: 70 :
feedback formativo, pues su objetivo es que el alumno mejore sus flancos débiles previos al examen parcial.
La pregunta que surge en los últimos cursos de la materia es la siguiente: ¿contribuyen los parcialitos a favorecer el aprendizaje de los estudiantes? Es decir, ¿existe una relación entre el número de parcialitos aprobados y la nota del parcial? En el fondo, lo que se trata de testear es la utilidad de los parcialitos como instancia de aprendizaje previa al examen. Estas y algunas otras preguntas se intentan responder con la utilización del análisis de correspondencia múltiple.
2. ENFOQUE METODOLÓGICO
El análisis de correspondencias (AC) es una técnica descriptiva para representar tablas de contingencia (Cuadras, 2014), es decir, tablas donde recogemos las frecuencias de aparición de dos o más variables cualitativas en un conjunto de elementos. Constituye el equivalente de componentes principales y coordenadas principales para variables cualitativas. La información de partida ahora es una matriz de dimensiones I × J, que representa las frecuencias absolutas observadas de dos variables cualitativas en n elementos (Peña, 2002). La primera variable se representa por filas, y suponemos que toma I valores posibles, y la segunda se representa por columnas, y toma J valores posibles.
En general, una tabla de contingencia es un conjunto de números positivos dispuestos en una matriz, donde el número en cada casilla representa la frecuencia absoluta observada para esa combinación de las dos variables.
El AC combina y representa dos variables categóricas (Uriel y Aldás, 2005). Pero se puede adaptar para estudiar más de dos variables. Escribimos entonces la matriz n x (I + J).
3. DESARROLLO
Como primer paso se recopilaron los datos del curso 2017 de la asignatura Contabilidad Gerencial. Una parte de los mismos se expone en la Tabla 1. La base de datos consiste en 86 filas de observaciones (número de alumnos que cursaron la materia desde el primer hasta el segundo parcial) y 11 columnas que consisten en el promedio académico de dichos alumnos, sus notas en los 8 parcialitos (trabajos prácticos de clases) y sus respectivas notas del primer y segundo parcial.
Para aplicar el análisis de correspondencia se procedió a categorizar cada una de las 11 columnas de las variables bajo estudio de la siguiente manera:
Promedio y notas del primer y segundo parcial: se utilizó la siguiente categorización:
Nota Categorización
Menos de 4 Insuficiente
Entre 4 y menos de 6 Regular
Entre 6 y menos de 8 Bueno
Entre 8 y menos de 10 Muy bueno
Igual a 10 Excelente
Tabla 2: categorías de variables cualitativas para el promedio y las
notas de los parciales
: 71 :
Resulta importante aclarar que se consideró el promedio con aplazos de cada alumno. Adicionalmente, cabe mencionar que los alumnos que cursan la asignatura presentan un número similar de exámenes rendidos, por lo cual sería razonable su inclusión. La hipótesis es que a los alumnos que tienen buen promedio, les habría ido mejor en los parciales.
Notas de los parcialitos: en este caso se tomaron solamente dos
categorías. Se consideró como aprobados a aquellos alumnos que obtuvieron una nota igual a 6 o más y desaprobados a aquellos alumnos que obtuvieron una nota de menos de 6. Para poder realizar esta categorización, se consideró que aquellos alumnos ausentes que no rindieron un parcialito dado (ver registros con letra A en Tabla 1) obtuvieron una nota menor a 6, es decir, no aprobaron.
Como se analiza la influencia de los parcialitos y del promedio académico en
las notas de los estudiantes, resulta razonable considerar las categorías anteriores, dado que el aprendizaje es por naturaleza una variable cualitativa.
De la base de datos inicial, se obtuvieron dos bases de datos distintas, una para el primer parcial y otra para el segundo. Nótese en las Tablas 3 y 4 las primeras 10 observaciones de las nuevas bases de datos con las variables ya categorizadas.
Luego de contar con las variables ya categorizadas, se procede a utilizar el software R para aplicar el análisis de correspondencia múltiple. A continuación, se describen los scripts utilizados.
Primero, se copia la base de datos trabajada en Excel al software R. Para ello utilizamos el siguiente script:
N1P<-read.delim("clipboard", dec=",")
Con ello introducimos la base de datos del primer parcial al software. Lo
siguiente que debemos realizar es cargar los paquetes necesarios para realizar el análisis de correspondencia. Los scripts se detallan debajo:
library("ggplot2") library("factoextra") library("FactoMineR") Una vez listos los paquetes necesarios se procede a ejecutar los comandos
requeridos para el análisis de correspondencia múltiple: res.mca <- MCA(N1P, graph = FALSE) print(res.mca) Los resultados del análisis de correspondencia son los siguientes:
: 72 :
name description 1 "$eig" "eigenvalues" 2 "$var" "results for the variables" 3 "$var$coord" "coord. of the categories" 4 "$var$cos2" "cos2 for the categories" 5 "$var$contrib" "contributions of the categories" 6 "$var$v.test" "v-test for the categories" 7 "$ind" "results for the individuals" 8 "$ind$coord" "coord. for the individuals" 9 "$ind$cos2" "cos2 for the individuals" 10 "$ind$contrib" "contributions of the individuals" 11 "$call" "intermediate results" 12 "$call$marge.col" "weights of columns" 13 "$call$marge.li" "weights of rows"
Ahora se procede a graficar el resultado del análisis de correspondencia
múltiple para el primer parcial. Se utiliza el siguiente script: fviz_mca_var(res.mca, col.var = "blue", addEllipses = FALSE, repel = TRUE) +
theme_minimal() El gráfico obtenido es el siguiente:
Gráfico 1: análisis de correspondencia para el primer parcial
De manera similar se procede a realizar el análisis de correspondencia múltiple
para las notas del segundo parcial. Se transcriben debajo todos los scripts utilizados: N2P<-read.delim("clipboard", dec=",") res.mca <- MCA(N2P, graph = FALSE)
: 73 :
print(res.mca) fviz_mca_var(res.mca, col.var = "blue", addEllipses = FALSE, repel = TRUE) +
theme_minimal() El resultado del análisis de correspondencia y su respectivo gráfico se
muestran a continuación:
name description 1 "$eig" "eigenvalues" 2 "$var" "results for the variables" 3 "$var$coord" "coord. of the categories" 4 "$var$cos2" "cos2 for the categories" 5 "$var$contrib" "contributions of the categories" 6 "$var$v.test" "v-test for the categories" 7 "$ind" "results for the individuals" 8 "$ind$coord" "coord. for the individuals" 9 "$ind$cos2" "cos2 for the individuals" 10 "$ind$contrib" "contributions of the individuals" 11 "$call" "intermediate results" 12 "$call$marge.col" "weights of columns" 13 "$call$marge.li" "weights of rows"
Gráfico 2: análisis de correspondencia para el segundo parcial 4. CONCLUSIONES
Del análisis del Gráfico 1 se puede esgrimir lo siguiente: Existe correspondencia entre los alumnos que tienen una nota
: 74 :
excelente en el primer parcial y un promedio muy bueno, Los alumnos que desaprueban los cuatro parcialitos se corresponden
con una nota regular y/o insuficiente y un promedio regular, Los alumnos que aprueban los cuatro parcialitos se corresponden con
una nota buena o muy buena y con un promedio bueno. De manera similar, analizamos el Gráfico 2 y observamos lo siguiente:
Los alumnos que tienen una nota buena se corresponden con un promedio bueno,
Desaprobar los parcialitos 6 y 7 se corresponde con una nota insuficiente y/o regular y un promedio regular,
Aprobar los parcialitos 6 y 7 se corresponde con un promedio bueno y una nota buena.
La nota muy buena no parece tener una correspondencia clara con alguna otra variable.
De lo expresado anteriormente se puede decir que aprobar los primeros 4 parcialitos favorece obtener una buena nota en el primer parcial. De igual manera podría decirse lo contrario. Con respecto al segundo parcial, la cuestión no parece tan clara. Lo que más claro parece estar es que los alumnos que tienen buen promedio tienen un buen desempeño en el parcial. Cabe destacar que los contenidos del segundo parcial requieren de una madurez mucho mayor por parte del alumno.
Para finalizar cabe proponer continuar con un proceso de mejora continua en el dictado del segundo parcial de la asignatura, en pos de que los resultados exhiban una evidencia más clara para poder concluir sobre la utilidad de los parcialitos.
Sea cuales fueran estos resultados, se debería pensar en qué tan cierto es que, para los alumnos de Contabilidad Gerencial, aprobar implica aprender los contenidos estudiados. La respuesta se devela cuando los egresados se enfrentan al mercado laboral. Por lo tanto, es importante mantener un diálogo y un vínculo con ellos. 5. TABLAS
Nº Promedio T1 T2 T3 T4 Nota 1 T5 T6 T7 T8 Nota 2
1 6,25 3 8 8 9 6 A 2 2 2 3,5
2 6,50 3 7 6 1 5 6 1 2 A 3
3 5,55 3 2 8 6 6 6 3 2 8 6
4 6,00 3 3 3 1 4,5 6 2 2 A 4
5 6,60 7 4 6 6 8 A 4 3 2 3
6 4,06 7 1 5 7 3,5 2 A 4 A 4
7 6,59 1 5 9 5 3,5 5 1 2 1 4
8 6,87 6 8 6 1 6 A 6 2 3 6
9 4,89 4 8 6 2 0 6 A 2 A A
10 4,67 5 5 6 2 4 5 5 2 4 3
Tabla 1: primeras 10 observaciones referidas al rendimiento (notas) de los alumnos del
curso 2017 de Contabilidad Gerencial
: 75 :
N° Promedio T1 T2 T3 T4 Nota1
1 Bueno Desaprobado Aprobado Aprobado Aprobado Bueno
2 Bueno Desaprobado Aprobado Aprobado Desaprobado Regular
3 Regular Desaprobado Desaprobado Aprobado Aprobado Bueno
4 Bueno Desaprobado Desaprobado Desaprobado Desaprobado Regular
5 Bueno Aprobado Desaprobado Aprobado Aprobado Muy bueno
6 Regular Aprobado Desaprobado Desaprobado Aprobado Insuficiente
7 Bueno Desaprobado Desaprobado Aprobado Desaprobado Insuficiente
8 Bueno Aprobado Aprobado Aprobado Desaprobado Bueno
9 Regular Desaprobado Aprobado Aprobado Desaprobado Insuficiente
10 Regular Desaprobado Desaprobado Aprobado Desaprobado Regular
Tabla 3: primeras 10 observaciones con las variables ya categorizadas del rendimiento
en el primer parcial de los alumnos del curso 2017 de Contabilidad Gerencial
Nº Promedio T5 T6 T7 T8 Nota2
1 Bueno Desaprobado Desaprobado Desaprobado Desaprobado Insuficiente
2 Bueno Aprobado Desaprobado Desaprobado Desaprobado Insuficiente
3 Regular Aprobado Desaprobado Desaprobado Aprobado Bueno
4 Bueno Aprobado Desaprobado Desaprobado Desaprobado Regular
5 Bueno Desaprobado Desaprobado Desaprobado Desaprobado Insuficiente
6 Regular Desaprobado Desaprobado Desaprobado Desaprobado Regular
7 Bueno Desaprobado Desaprobado Desaprobado Desaprobado Regular
8 Bueno Desaprobado Aprobado Desaprobado Desaprobado Bueno
9 Regular Aprobado Desaprobado Desaprobado Desaprobado Insuficiente
10 Regular Desaprobado Desaprobado Desaprobado Desaprobado Regular
Tabla 4: primeras 10 observaciones con las variables ya categorizadas del rendimiento
en el segundo parcial de los alumnos del curso 2017 de Contabilidad Gerencial 6. REFERENCIAS CUADRAS, C. M. (2014): Nuevos Métodos de Análisis Multivariante. Barcelona, España: CMC Editions. PEÑA, D. (2002): Análisis de Datos Multivariantes. México DF, México: Mc Graw-Hill. URIEL, E., ALDÁS, J. (2005): Análisis Multivariante Aplicado. Madrid, España: Thomson.
: 76 :
FORMACIÓN GERENCIAL EN PRODUCCIÓN MEDIANTE JUEGO DE SIMULACIÓN EMPRESARIAL
ROBERTO GUIDEK- GUILLERMO A. DOMÍNGUEZ- MARCOS D. BENÍTEZ- JUAN A. ADAMS - ANABELA DE
LUCA Departamento de Administración - Facultad de Ciencias Económicas - Universidad Nacional de Misiones -
Misiones - Argentina. [email protected] – [email protected] – [email protected] –
[email protected] – [email protected]
RESUMEN
El objetivo de este trabajo es presentar una experiencia de enseñanza gerencial en producción mediante el uso de un juego de simulación para capacitación de alumnos de la Licenciatura en Administración de Empresas desarrollada en la Facultad de Ciencias Económicas (FCE) - Universidad Nacional de Misiones (UNaM). El problema que motiva el trabajo surge de la necesidad de lograr un acercamiento por parte del estudiante a la realidad, que le permita aplicar los conceptos teóricos y practicar en un entorno virtual adquiriendo competencias sin los costos conexos que ello conlleva en caso de cometer errores. La metodología del trabajo consistió en aplicar en la formación profesional de alumnos, la toma de decisiones de producción mediante la incorporación de un juego de empresas a través de la utilización del software “JSE Demo” programado en el Departamento de Administración de la Facultad de Ciencias Económicas de la UNaM y perfeccionado a través de sucesivas aplicaciones en cursos de grado y posgrado y en grupos de empresarios y emprendedores. Como resultado se observa que se logra una mejor comprensión y aprendizaje de la programación lineal, de diversos modelos matemáticos utilizables en empresas y de la importancia de los mismos como apoyo a la toma de decisiones. Además, se constató que alrededor del 80% de los participantes ha logrado desarrollar un modelo de programación lineal aplicado a optimizar la producción en la tercera corrida del juego y el 100% en la cuarta. De igual forma el 100% de los alumnos ha mejorado sus decisiones a lo largo de las corridas del juego. Mediante el uso de cuestionarios se recogen las opiniones que expresa el alumnado sobre esta metodología. Se concluye que la utilidad y funcionalidad de esta herramienta han permitido alcanzar los objetivos de aprendizaje marcados en la materia.
Palabras Clave: Formación para la Toma de Decisiones - Juego de empresa - Producción - Simulación Empresaria. 1. INTRODUCCIÓN
La realidad cada día más compleja y cambiante requiere una adaptación de forma permanente, contar con una visión sistémica y experiencias en ámbito profesional a desempeñarse. La realidad de nuestro sistema educativo hace que sea muy difícil que todos los estudiantes de las universidades trabajen mientras desarrollan su formación académica, y aunque debemos tender hacia un sistema con más experiencias, con aplicación práctica de los conocimientos teóricos a la realidad, una manera simple de hacerlo es mediante la simulación.
La simulación permite que juguemos en un entorno virtual representando a una realidad. Es por ello que desde la cátedra de Investigación Operativa de la Facultad de Ciencias Económicas de la UNaM trabajamos en el desarrollo de una realidad virtual simplificada para que los estudiantes simulen la toma de decisiones y vayan adquiriendo experiencia.
: 77 :
Por ello es que hemos desarrollado el Juego de Simulación Empresarial (JSE) en marco del Programa de Identificación de Oportunidades, Ideas y Negocios (PIOIN).
El JSE es un software que simula el funcionamiento de una empresa en un ambiente competitivo y tiene por fin introducir, capacitar y perfeccionar a alumnos, empresarios y gerentes en el desenvolvimiento cotidiano de una empresa, lo que implica el análisis de información tanto cualitativa como cuantitativa, el estudio de la competencia, los consumidores, la toma de decisiones múltiples, la revisión de sus repercusiones y la adopción de medidas correctivas de ser necesario, entre tantas otras. A cada jugador se le proporciona una “Empresa virtual” que quedará bajo su conducción -con lo que todo esto implica- durante el tiempo que dure el juego.
El mismo tiene por objeto la gestión integral de la empresa a través de información financiera y la toma de decisiones económicas en todos los ámbitos de la empresa, poniendo en posición de gerente al estudiante, y para ello provee de información que consiste en los siguientes reportes:
Reporte de producción:
Detalle de costos e inventario de productos terminados;
Detalle de materias primas, mano de obra disponible y un potencial de producción.
Detalle de almacenes para cada uno de los mercados.
Reporte de resultados;
Reporte patrimonial (Activo, Pasivo y Patrimonio Neto);
Reporte financiero. En base a la mencionada información, a la estrategia y al perfil de riesgo que
tiene cada “gerente estudiante” se deben tomar decisiones para maximizar la rentabilidad de la empresa a la que se encuentra a cargo.
Aunque las decisiones se encuentran simplificadas, se puede brindar diferentes orientaciones para que los estudiantes aprendan a tomarlas. En esta oportunidad hemos orientado el análisis a la toma de decisiones en el sector de producción, solicitando a los alumnos que cumplan el rol de gerentes, se aboquen al armado de modelo matemáticos y la utilización de la programación lineal como soporte para la toma de decisiones.
2. METODOLOGIA
La metodología de la investigación y desarrollo del software JSE Demo (De Luca, 2000) que incorpora herramientas de producción y su relación con las otras áreas de la empresa, resulta de la programación en el Departamento de Administración en los últimos años, además de la perfección del mismo por medio de aplicaciones sucesivas en cursos de grado y posgrado y en grupos de empresarios y emprendedores de la región.
El mismo tiene por objeto la gestión integral de la empresa y a cada alumno le es asignada una firma y debe tomar decisiones económicas y financieras en todos los ámbitos de la empresa, poniéndose en posición de gerente. Cada Compañía viene operando desde hace dos años, por lo cual dispone de los estados concernientes a las decisiones que han sido tomadas durante estos ocho trimestres. Con dicha información pueden tomar decisiones en función a la misma, a la estrategia y al perfil de riesgo que tiene cada “gerente” o estudiante. El juego además brinda datos sobre finanzas, logística y aplicaciones orientadas al marketing. Todas las firmas están equipadas con maquinarias, mano de obra y materias primas y deben balancearse estos medios a fin de producir las cantidades requeridas del producto.
: 78 :
Al comienzo de cada trimestre el alumno tomará sus decisiones y las volcará a una minuta que se le proporciona. Luego de operado el JUEGO DE SIMULACIÓN DE EMPRESAS que es un instrumento informático, un grupo completo de estados le dará las consecuencias de las decisiones que han sido tomadas y la nueva situación al término del trimestre.
Las acciones que el alumno debe llevar adelante son, en lo relacionado a producción, planificar el cronograma de Producción (cantidad de productos a elaborar en cada turno). En caso de que sus recursos no permitan cumplir con su plan de producción, el programa llevará a cabo automáticamente la producción máxima factible. Además, determinar el número de personas a contratar, el número de personas a cesar (despedir), la cantidad de máquinas a pedir y las materias primas a adquirir. En cuanto a las acciones de comercialización, determinar el precio al cual se ofrecen los productos en cada mercado, también sobre cómo ha de invertirse los fondos en publicidad (nacional) y en promoción (en cada mercado que en total son cuatro) y los despachos a efectuar a cada uno de los mercados.
El Ganador del juego se determina teniendo como criterio de evaluación “El Incremento de la Rentabilidad del Patrimonio Neto”, por lo tanto, el objetivo de cada participante es aumentar al máximo la rentabilidad de los propietarios.
Además, si no pudieran emitirse suficientes cheques que permitan a la firma terminar el trimestre con caja positiva en efectivo, la compañía se declara en quiebra. El coordinador del juego la debe retirar de la competencia a la empresa que se encuentre en tal situación.
La metodología de aplicación consiste en: 1) Proveer material teórico sobre gestión de la producción, 2) Entregar al alumno el conjunto de información del juego y explicarlo (reglas, estados, informes, funcionamiento, etcétera.), 3) Realizar las corridas mediante el software en base a las decisiones tomadas por los participantes y 4) analizar los resultados de las herramientas utilizadas como ayuda para la toma de decisiones.
3. DESARROLLO 3.1. Juegos de simulación empresarial
Un juego de simulación empresarial es una herramienta que permite a los participantes aplicar y practicar sus aprendizajes en un entorno virtual, adquiriendo competencias sin los costos conexos que ello conlleva en caso de cometer errores. De hecho aquí los errores son solo experiencia, para que en el futuro se tomen mejores decisiones. Es una herramienta basada en un Modelo Matemático, en una simplificación de la realidad empresarial que permite el desarrollo de habilidades, aplicación de herramientas por parte del alumno para la toma de decisiones empresariales integrales. Que además de tratarse de un Juego competitivo como es en nuestro caso aumenta los niveles de motivación.
Y aunque no deberíamos desterrar los métodos de educación utilizados hasta ahora, se necesitan nuevas herramientas pedagógicas ajustadas a la realidad de nuestros estudiantes. Nuestra propuesta se centra en una docencia con diversificación de fuentes de conocimiento, presencial basada en un aprendizaje guiado por el profesor, que se apoya en una serie de recursos novedosos y variados con el fin de potenciar un “aprendizaje significativo” por parte del alumno (Ausubel, Novak y Hanesian, 1983 en Basilotta y Herrada, 2013).
: 79 :
3.2. Producción y las reglas del juego Consiste en la tarea de administrar los medios para lograr producir lo deseado,
esto es, ordenar las materias primas y las máquinas, contratar, capacitar y despedir al personal. Los productos terminados se pueden almacenar temporariamente en la planta fabril.
Se deberá decidir la cantidad de producto a fabricarse durante cada uno de los 4 turnos. Si se tomara la decisión de fabricar en cada turno más productos de los que permiten los recursos, las cantidades producidas se limitarán a los recursos disponibles. 3.2.1 Recursos necesarios para elaborar 1 (una) unidad de producto
Máquinas, mano de obra y materias primas son necesarias a fin de fabricar el producto. El jugador los puede conocer leyendo “TABLA DE RELACIÓN INSUMO PRODUCTO” del informe de situación de su empresa.
3.2.2 Operación por turnos
Hay 65 días en cada trimestre. En cada día puede optarse por trabajar en:
Primer turno de 8 horas, esto es, 520 horas por trimestre.
Segundo turno de 8 horas, esto es, 520 horas por trimestre.
Primer turno extra de 4 horas, esto es 260 horas por trimestre.
Segundo turno extra de 4 horas, esto es 260 horas por trimestre.
3.2.3 Máquinas Puede usarse cada una de las máquinas hasta 8 horas en cada turno normal y
hasta 4 horas en cada turno extra. Cada máquina está disponible para ser usada de una de las siguientes formas:
Primer Turno Normal.
Primer Turno Extra.
Primer Turno Normal + Primer Turno Extra.
Primer Turno Normal + Segundo Turno Normal.
Primer Turno Normal + Segundo Turno Extra.
Segundo Turno Normal.
Segundo Turno Extra.
Primer Turno Extra + Segundo Turno Normal.
Segundo Turno Normal + Segundo Turno Extra.
No ser empleada (Permanece Totalmente Ociosa). Cada una de las máquinas puede ser empleada como máximo 16 horas diarias
(es decir, en los dos turnos normales de 8 horas, con un descanso intermedio), o hasta 12 horas en forma continua. Las máquinas no pueden ser vendidas.
Una compañía puede decidir incrementar su capacidad de fabricación en cualquier momento. El valor de cada máquina adicional se lo puede conocer leyendo del informe “POTENCIAL DE FÁBRICA”.
La instalación de las máquinas adicionales tendrá lugar el trimestre siguiente al de pedidas, pero deben abonarse el trimestre del pedido. Cada una de las máquinas se deprecia totalmente en 5 años, en cuyo momento deja también de ser productiva. La depreciación es del 5% trimestral, durante 5 años sin importar si la máquina se encuentra en marcha u ociosa. Los cargos por mantenimiento de las máquinas son por máquina y por trimestre, sin importar las horas trabajadas.
: 80 :
El componente del costo estándar referido a las amortizaciones (que figura en el Estado de Resultados) se determina de la siguiente manera: Cantidades vendidas por el costo estándar de la hora máquina por unidad. La Variación en el costo se calcula: Depreciación real de las máquinas menos el estándar (cantidades fabricadas por el costo estándar horas máquina por unidad.
3.2.4 Mano de Obra
La dotación inicial de personal, está totalmente capacitada. Los datos sobre ésta los obtiene de los archivos históricos de su empresa.
La tasa de abandono automático del personal existente en la compañía, es medida el primer día del trimestre siguiente al dado. Adicionalmente, al inicio de cada trimestre puede despedirse personal. Sea cual fuere el motivo de la salida, todo empleado cesante recibe una indemnización.
Los ingresos del personal pueden producirse al principio de cada trimestre. Sólo puede ingresar mano de obra no experimentada. La capacitación tiene un costo mensual. Una compañía no puede contratar mayor cantidad de empleados de los que figuraban al cierre del trimestre anterior.
Los trabajadores nuevos reciben una capacitación en el trabajo con una remuneración completa durante un período de tres meses y quedan totalmente efectivos sólo después de ese tiempo. Por este motivo el personal en entrenamiento durante el primer trimestre de empleo, es sólo productivo en un 25%. El personal sin experiencia sólo puede ser asignado a trabajar en el primer turno normal (sin extras) durante su período de capacitación.
El personal experimentado puede trabajar en cualquier turno normal pero no en ambos, con o sin horas extras, esto es, un máximo de 12 horas diarias. Los empleado socios y sin experiencia reciben el salario correspondiente al 1er turno normal. La variación del costo de la mano de obra se calcula de la siguiente manera: Costo real mano de obra menos el costo estándar (cantidades fabricadas x costo estándar mano de obra por unidad).
Las remuneraciones básicas del personal se las puede conocer leyendo el informe de su empresa.
La estructura laboral es la siguiente:
Primer turno normal de 8 horas.
Segundo turno normal de 8 horas.
Primer turno extra de 4 horas.
Segundo turno extra de 4 horas. 3.2.5 Materia Prima
Todas las materias primas en existencia al comienzo de un trimestre pueden usarse durante ese trimestre. Desde el punto de vista financiero se considera que todas las materias primas pedidas durante un trimestre se abonan durante ese trimestre.
Hay un "tiempo de demora" en la entrega de las materias primas por parte de los proveedores de la compañía. De este modo sólo el 25% de las materias primas pedidas durante un trimestre están disponibles para su utilización durante el mismo trimestre y el saldo se entrega al finalizar el trimestre. Las materias primas tienen un costo, el valor está medido en pesos por unidad de materia prima.
El costo de almacenamiento de la materia prima se lo puede observar en el INFORME DE MERCADOS, VENTAS Y BENEFICIO MARGINAL.
: 81 :
3.2.6 Información general
Si una compañía que posee títulos estuviera por quebrar, tales títulos, en la medida necesaria para cumplir con las obligaciones de la firma, se venderán a un 0,90 de su valor. Si no pudieran emitirse suficientes cheques que permitan a la firma terminar el trimestre con caja positiva en efectivo, la compañía se declara en quiebra. El coordinador del juego la debe retirar de la competencia a la empresa que se encuentre en tal situación.
El Ganador del juego se determina teniendo como criterio de evaluación “El Incremento de la Rentabilidad del Patrimonio Neto”, por lo tanto el objetivo de cada participante es aumentar al máximo la rentabilidad de los propietarios. El alumno o jugador deberá implementar un modelo de ayuda a la decisión (MAD) para gestionar los recursos de su firma. El fin de la entrega iterativa de la información en cada jugada es necesario para comparar los valores y parámetros que toma cada jugador en su MAD.
3.3. Modelos, informes y participación en el juego
Se le provee al alumno de informes para la toma de decisiones y los mismos pueden ser graficados y analizados por los jugadores. El alumno deberá elaborar y calcular los demás modelos para afianzar sus decisiones en el juego.
Uno de los informes es el Modelo de Estado de Resultados (EERR) que se compone de los ingresos y costos (erogables o no erogables) de una empresa que posibilita medir su desempeño. El mismo, es un estado económico que muestra ordenada y detalladamente cómo se obtuvo el resultado del ejercicio durante un periodo determinado. Los estados contables en Argentina exponen los componentes de un estado de resultados y un concepto similar es tomado por el juego para presentar la información de desempeño económico de la empresa. Las causas que generaron el resultado del ejercicio se clasifican del modo que se indica a continuación: 1)Ventas netas facturadas a las que se le restan los 2) los Costos directos de ventas y los 3) Costos indirectos de ventas, obteniendo de esa manera el 4) Beneficio bruto, al que a su vez se le deducen los 5) Gastos administrativos y de ventas para obtener el 6) Beneficio neto de explotación, al que se le suman los 7) Resultados extraordinarios y se alcanza hallar el 8) Beneficio neto antes de impuestos, que menos los Impuestos a las ganancias, se logra determinar la 9) Utilidad Neta.
En la FIGURA 1 se pueden observar algunas de las salidas que ofrece el JSE Demo.
: 82 :
FIGURA 1: Modelos de informes de Estado de Resultado del juego
Fuente: Captura realizada de las salidas del JSE
3.4. Abordaje hacia el periodo siguiente En cada corrida el juego permite ir comprendiendo la evolución de los
resultados y mejorando la toma de decisiones, hace que el jugador empiece a comprender la dinámica y el aprendizaje de conceptos. El objetivo a medida que avanza el juego es que el alumno intente proyectar los datos para tener información del futuro o del periodo siguiente. O sea tomar decisiones para obtener beneficios en el futuro de nuestra decisión y armando estados de resultado proforma en función a la proyecciones para analizar el impacto de sus decisiones en el resultado neto global de la firma.
4. CONCLUSIONES Se observa que se logra una mejor comprensión por parte de los “gerentes” de
las herramientas que se brindan en las clases. Además, de las encuestas realizadas a los estudiantes, se obtiene que al finalizar el cuatrimestre terminan muy motivados con los aprendizajes. Por otro lado, de entrevistas realizadas a profesionales y charlas que se organizan para que estos transmitan sus experiencias a los alumnos, cuentan que en el ejercicio de la profesión, aplican un gran número de herramientas utilizadas en el juego por los estudiantes.
Como resultado se ha logrado una mejor comprensión y aprendizaje de la programación lineal, de diversos modelos matemáticos utilizables en empresas y de la importancia de los mismos como apoyo a la toma de decisiones. Además, se constató
TRIMESTRE: 1 Firma: 1
CUENTA DE PERDIDAS Y GANANCIAS ($000)
====== == ======== = ========= ======
VENTAS NETAS FACTURADAS..............................................1.361
COSTO DIRECTO DE VENTAS.................................. -242
COSTO DE MANO DE OBRA---------------------135
STANDARD -139
DESVIACION 4
AMORTIZACION MAQUINARIA-----------------------93
STANDARD -113
DESVIACION 20
COSTO DE MATERIAS PRIMAS--------------------12
COSTO DE TRANSPORTES-------------------- -2
COSTO STANDARD UNITARIO MATERIAS PRIMAS $0, 25
COSTO INDIRECTO DE VENTAS................................ -37
MANTENIMIENTO------------------------- -3
COSTO DE INVENTARIO EN ALMACEN-------------34 ________
BENEFICIO BRUTO....................................... 1.082
GASTOS ADMINISTRATIVOS TRIMESTRALES VIGENTES (MILES):12
GASTOS ADMINISTRATIVOS Y DE VENTAS.........................-183
ADMINISTRACION-----------------------------------18
PROMOCION DE VENTAS------------------- -160
INVESTIGACION DE MERCADO------------5 -5
0 ________
BENEFICIO NETO DE EXPLOTACION............................ 899
RESULTADOS EXTRAORDINARIOS............................. 0
INTERESES DE VALORES-----------------------0
INTERESES DE DEUDAS-----------------------------0 ________
BENEFICIO NETO ANTES DE IMPUESTOS........................ 899
IMPUESTOS SOBRE BENEFICIOS............................. -198
________
BENEFICIO NETO ......................................... 701
========
DIVIDENDOS REPARTIDOS.......................... 664
VARIACION DEL PATRIMONIO NETO...........................36
: 83 :
que alrededor del 80% de los participantes ha logrado desarrollar un modelo de programación lineal aplicado a optimizar la producción en la tercera corrida del juego y el 100% en la cuarta. De igual forma el 100% de los alumnos ha mejorado sus decisiones a lo largo de las corridas del juego.
Puntualmente notamos que en las diversas corridas del juego los estudiantes han ido mejorando la toma de decisiones, logrando aumentar la rentabilidad, y optimizando los indicadores financieros. En las encuestas realizadas a los estudiantes, se aprecia que todos consideran que esta experiencia va a ser de gran utilidad en la realidad empresaria local.
Lo interesante de este juego es que permite por medio de la simplicidad de una empresa virtual aplicar conceptos claves para la toma de decisiones, siendo de gran aporte para el desarrollo del mismo.
Se concluye que la utilidad y funcionalidad de esta herramienta han permitido alcanzar los objetivos de aprendizaje marcados en la materia.
5. REFERENCIAS ARANDA, D. A., SÁNCHEZ, O. F. B., & DJUNDUBAEV, R. (2016). Efectos de los juegos de simulación de empresas y Gamification en la actitud emprendedora en enseñanzas medias Effects of gamified business simulations on entrepreneurial attitude at high school level. Revista de Educación, 371, 133-156. AUSUBEL, D. P., NOVAK, J., y HANESIAN, H. (1983). Psicología educativa: un punto de vista cognoscitivo (2ª ed.). Mexico: Trillas. En BASILOTTA, V. y HERRADA, G. (2013). Aprendizaje a través de proyectos colaborativos con TIC. Análisis de dos experiencias en el contexto educativo. EDUTEC, Revista Electrónica de Tecnología Educativa, 44. Recuperado de http://edutec.rediris.es/Revelec2/Revelec44/aprendizaje_proyectos_colaborativos_TI_C_experiencias.html DE LUCA, J.M.; CARRATINI A. y XANDER J. G. (2000); “Reglas del Juego de Simulación de Empresas”. Universidad Nacional de Misiones. GUTIÉRREZ, J. A., MOLINA, B., & AGUIRRE, J. (2014). Juegos de Guerra Empresariales Frente a los Fundamentos del Carácter Estratégico de las Compañías Internacionales. Ingeniare, (17), 143-159. VASQUEZ, J. P. R., CÁRDENAS, D. C., CARRILLO, M. G. G., & ROSERO, C. H. S. (2015). Modelo de programación lineal para planeación de requerimiento de materiales. Revista Tecnológica-ESPOL, 28(2). VILCARROMERO RUIZ, R. (2017). Gestión de la Producción. ORTIZ TRIANA, V. K. (2015). Procedimiento para la programación y control de la producción de una pequeña empresa. Revista Ingeniería Industrial, 14(1).
: 84 :
APRENDIZAJE ACTIVO PARA RESIGNIFICAR LA CLASE PRESENCIAL
MARIANA FUNES Facultad de Ciencias Económicas UNC
1. RESUMEN
El aprendizaje activo es toda actividad que realizan los estudiantes en el aula,
que no sea sólo la de escuchar pasivamente al docente y tomar nota, y contribuya a aumentar su participación activa en clase, de manera que, a través de la retroalimentación sea posible evaluar su nivel de comprensión y retención sobre el material de estudio.
Se propone repasar un conjunto de herramientas aplicadas en un curso de Investigación Operativa que cumplieron el propósito de involucrar plenamente a la mayoría de los estudiantes en el aula: pausas de revisión, trabajos en un minuto (one minute papers), revisión de pares, pensar–formar parejas–compartir (think-pair-share), uso de diapositivas incompletas y juegos.
Estas actividades permitieron trabajar los contenidos de una manera diferente, entretenida, rápida y concisa, facilitando la comprensión de los temas y contribuyendo al logro de aprendizajes significativos, cambiando el ambiente del aula, aumentando la atención y el seguimiento de las clases.
Palabras Clave: Educación – Aprendizaje Activo – Clase – Actividades -Retroalimentación
2. REFERENCIAS
FAUST, J.L. Y PAULSON, D.R. (1998). “Active learning in the college classroom”. Journal on Excellence in College Teaching, 9 (2), pp. 3-24.
FELDER, R.M. Y BRENT, R. (2009). “Active Learning: An Introduction”. ASQ Higher Education Brief, 2(4).
FELDER, R.M. Y BRENT, R. (2003). “Learning by doing”. Chemical Engineering Education, 37(4), pp. 282–283.
PRINCE, M. (2004). “Does Active Learning Work? A Review of the Research”. Journal of Engineering Education 93 (3), pp. 223-231.
SANJURJO, L. Y RODRIGUEZ, X. (2009): Volver a pensar la clase. Las formas básicas de enseñar. Homo Sapiens Ediciones. Rosario, Argentina.
: 85 :
CONOCIMIENTOS PREVIOS SOBRE PROPIEDADES DE OPERACIONES CON NÚMEROS REALES DE INGRESANTES A LA UNIVERSIDAD DESDE
LA PERSPECTIVA DEL ANÁLISIS ESTADÍSTICO IMPLICATIVO
MARÍA E. MENDOZA – LILIANA N. CAPUTO – EDUARDO A. PORCEL – PAULA D. BORDÓN Facultad de Ciencias Exactas y Naturales y Agrimensura (FACENA). Universidad Nacional del Nordeste (UNNE) [email protected] - [email protected] - [email protected] [email protected]
RESUMEN
Este trabajo tiene por objetivo determinar los conocimientos de los ingresantes universitarios respecto a las propiedades de operaciones con números reales (suma, multiplicación, potenciación y radicación) y qué relaciones establecen entre los saberes que al respecto han construido en su formación preuniversitaria. Para cumplir los objetivos propuestos, en este trabajo se analizaron, utilizando Análisis Estadístico Implicativo (ASI), las respuestas a un ítem de una prueba de diagnóstico de conocimientos previos de números reales suministrada a ingresantes a la Facultad de Ciencias Exactas de la UNNE, al inicio del ciclo lectivo 2017. ASI es una técnica de análisis multivariado que permite establecer relaciones del tipo “si p, entonces, casi q” (cuasi-implicaciones o reglas) entre variables (las respuestas al ítem de evaluación citado). Estas relaciones permiten explorar las relaciones conceptuales establecidas por el sujeto evaluado y detectar las dificultades cognitivas que dichos conceptos les ofrecen. Los resultados se presentan y visualizan mediante un “grafo implicativo” y posteriormente se construyen árboles de similaridad y árboles cohesitivos que permiten establecer R-reglas (cuasi implicaciones que relacionan variables con reglas o reglas entre sí). Se observaron saberes y relaciones conceptuales establecidos por los alumnos que dan cuenta de su escasa evolución desde el pensamiento aritmético al algebraico. Palabras clave: Análisis estadístico implicativo – Cuasi-implicaciones – Operaciones con números reales 1. INTRODUCCIÓN
Es usual que los docentes y autoridades de las Instituciones de Educación
Superior vinculen los elevados niveles de fracaso de sus alumnos de primer año con deficiencias de la formación de los jóvenes en los niveles educativos previos. Esta problemática se acentúa aún más en el caso de estudiantes de carreras técnicas o científicas relacionadas con las ciencias exactas y que, en consecuencia, requieren de una sólida formación matemática para un mejor desempeño en sus estudios.
Por lo general, los docentes afirman que estas deficiencias cognitivas conducen a que los estudiantes de los cursos iniciales de Matemática cometan errores que les impiden superar con éxito las instancias de evaluación requeridas para la acreditación de dichos cursos. Existen numerosas investigaciones que dan cuenta de los errores cometidos por ingresantes a la universidad al ser indagados respecto a sus conocimientos matemáticos, antes de iniciar sus estudios superiores. Por ejemplo, Abrate, Pochulu y Vargas (2006) al analizar los resultados de un examen de diagnóstico de ingresantes a carreras de Ciencias Económicas de la Universidad Nacional de Villa María (Córdoba, Argentina) concluyen que los estudiantes cometen
: 86 :
numerosos errores vinculados con un pensamiento inductivo que los conduce a generalizaciones abusivas y, principalmente, con los hábitos escolares adquiridos en la formación matemática previa.
A diferencia de los trabajos antes mencionados, en este trabajo interesa conocer cuáles son los saberes de los ingresantes con respecto a las propiedades de las operaciones con números reales y qué relaciones establecen entre ellos.
Para alcanzar los objetivos propuestos, en este trabajo se utilizó el Análisis Estadístico Implicativo (ASI, sigla de su nombre en francés Analyse Statistique Implicative) (Spagnolo, Gras, Régnier, 2009) para analizar las respuestas a un ítem de la evaluación de diagnóstico de conocimientos matemáticos previos referida a números reales, suministrada el 24 de febrero de 2017 (previo al tratamiento didáctico del tema en el marco de la asignatura) a los ingresantes a las carreras Ingeniería Eléctrica, en Agrimensura, en Electrónica, Licenciatura en Ciencias Químicas, en Ciencias Físicas y Profesorado en Física de la Facultad de Ciencias Exactas y Naturales y Agrimensura (FACENA) de la Universidad Nacional del Nordeste (UNNE) que asistieron a la primera clase práctica de Algebra y Geometría Analítica, prueba constituida por 3 ejercicios en los cuales se solicita:
1. Identificar si 10 números son reales o no y, en el caso de serlo, consignar a qué subconjunto numérico de ℝ pertenece cada uno de ellos.
2. Representar en la recta real 5 de los números reales dados en 1. 3. Determinar el valor de verdad de 10 proposiciones referidas a definición y
propiedades de las operaciones con número reales, justificando la respuesta mediante un contraejemplo si alguna fuera falsa, o citando las definiciones y/o propiedades que justifiquen que es verdadera, en caso contrario (no se exigía aquí una demostración formal en el caso de las proposiciones verdaderas, considerando que la evaluación se implementó en la primera clase de la asignatura, cuando aún no se habían presentado métodos de demostración de proposiciones).
El presente trabajo, consiste en el análisis implicativo de las respuestas de los estudiantes al ítem 3 de la prueba. Asimismo, se ha restringido el análisis a los valores de verdad de las 10 proposiciones dadas, puesto que los alumnos no han utilizado contraejemplos en los casos que dichas afirmaciones son falsas, utilizando sí – en muchos casos – ejemplos numéricos para justificar que las proposiciones son verdaderas. Así pues, resulta imposible vincular los conocimientos sobre las propiedades de las operaciones que han construido, con las acciones que podrían llevar a cabo para justificar afirmaciones.
2. DESARROLLO
2.1. Metodología
ASI es un método de Estadística Multivariada que fuera creado por Régis Gras
y sus colaboradores de la Universidad de Nantes (Francia) a partir de la hipótesis: si un ejercicio es más complejo que otro, entonces todo alumno que resuelve el primero debería resolver también el segundo (Régnier, 2013) para establecer relaciones del tipo “si a, entonces, casi b” (llamadas cuasi – implicaciones o reglas) entre las respuestas a ítems de evaluación; por ello se diferencia de los métodos clásicos de asociación de variables (que identifican relaciones simétricas), puesto que las relaciones que se detectan entre las variables son, de alguna manera, de tipo causa-efecto.
: 87 :
Para la aplicación de ASI se hace necesario contar con un conjunto finito de variables V, variables que en este caso se consideran dicotómicas y que están dadas por los ítems y/o subítems de evaluación de la prueba analizada. Además, es preciso contar con un conjunto, también finito, formado por los individuos evaluados, al que denotaremos con E. ASI pues, la variable vi(x) = 1 si el individuo x respondió correctamente el ítem i del examen, mientras que vi(x) = 0 si la respondió incorrectamente o no la respondió.
Sabemos que en la lógica bivalente la implicación p q, sabiendo que p es verdadera, sólo es verdadera si también q lo es, pero es probable que al analizar las
respuestas de los alumnos suceda que dadas vi, vj V y x E, vi(x) = 1 pero vj(x) = 0. Eso, sin embargo, no significa que conocer vi no es suficiente para conocer vj y es por eso que ASI establece cuasi-implicaciones: “si el alumno responde correctamente vi, casi siempre responde correctamente vj”; para determinar la existencia o no de la regla
vi vj es necesario relativizar el peso de los contraejemplos es decir, los casos de aquellos sujetos x tales que vi(x) = 1 y vj(x) = 0.
Así pues, sean va, vb V y los conjuntos A = {x E / va(x) =1} y B = {x E /
vb(x) =1}. Resulta evidente que, en el sentido clásico, para que va vb sea verdadera,
debe ocurrir que A B, pero ya se ha dicho que, en la práctica, esto no sucede, por lo
cual A – B . Sean X e Y dos subconjuntos de E equipotentes con A y B, respectivamente, de los cuales se ignora a priori si están vinculados entre sí.
Entonces, Gras y Kuntz (2009) afirman que la implicación va vb es admisible a un
nivel de confianza 1 - si, y sólo si, Pr[#(X – Y) #(A – B)] . Estas probabilidades pueden calcularse utilizando la distribución Hipergeométrica, Binomial o de Poisson, según sea el tipo de población (finita o infinita) y el tamaño de muestra (fijo o aleatorio) (Bodin; 1995). Ahora bien, cuando el tamaño de la población (N) tiende a infinito, la Hipergeométrica tiende a la Binomial de parámetros n y p (siendo n el tamaño de muestra y p el cociente entre el número de casos favorables al suceso de interés y N), con p constante; pero – a su vez – cuando el tamaño de la muestra tiende a infinito, la
Binomial converge a la ley de Poisson de parámetro λ = #(A).#(E− B)
#(E) (Caputo, Jorge,
Espinoza, Porcel y Romero, 2016). Por otra parte, se define el índice de implicación como el número:
q(va, vb) = #(A − B) −
#(A).#(E−B)
#(E)
√#(A).#(E−B)
#(E)
que estima la diferencia entre #(A – B) y el valor que habría tomado si va y vb fueran
independientes (a la cual denotamos con Q(va,vb). Bajo determinadas condiciones
Q(va, vb) se aproxima a la distribución Normal (0,1), por lo que - a partir de q(va, vb) - se define la intensidad de implicación, que mide la calidad inductiva de va sobre vb, como sigue:
φ(va, vb) = {1 − Pr[Q(va, vb) ≤ q(va, vb)] =
1
2π∫ e
t2
2 dt∞
q(va,vb)
0 si #(B) = #(E)
si #(B) ≠ #(E)
Entonces, se puede redefinir la admisibilidad de la implicación va vb al nivel
de confianza 1 - , diciendo que la misma es admisible a dicho nivel si (va, vb) 1 - .
: 88 :
Cuando #(E) es muy grande, Gras y Kuntz (2009) afirman que es necesario introducir el concepto de entropía de Shannon y definir un índice que da cuentas de la admisibilidad de la implicación y de su contrarrecíproca, a partir de un número pequeño de contraejemplos de ambas.
Llamando α = #(A)
#(E), β =
#(E−B)
#(E) y t =
#(A−B)
#(E), definimos la entropía de vb
habiéndose dado va, como sigue:
h1(t) = {−(1 − tα−1)log2(1 − tα
−1) − tα−1log2tα−1 si t ∈ [0,
α
2[
1 si t ∈ [α
2, α]
De la misma manera, la entropía de va, si no se verifica vb está dada por:
h2(t) =
{
−(1 − tβ−1)log2(1 − tβ
−1) − tβ−1log2tβ−1 si t ∈ [0,
β
2[
1 si t ∈ [β
2, β]
Así pues, el índice mencionado es i(va, vb) = √(1 − h12(t))(1 − h2
2(t)4
.
Finalmente, se define la intensidad entrópica de va vb mediante el número
ψ(va, vb) = √i(va, vb). φ(va, vb).
La llamada Ley del Silogismo Hipotético ((p q q r) (p r)) es la tautología que fundamenta, en general, las demostraciones matemáticas. Pero, cuando se trabaja con cuasi- implicaciones de variables va, vb, vc no es necesariamente una ley de inferencia. Por ello, se considera que se cumple dicha ley si, y sólo si, ψ(vb, vc) ≥ 0,5 (Gras y Kuntz; 2009).
De esta manera, vemos que pueden modelizarse reglas que implican otras reglas (llamadas meta - reglas o R - reglas) y pueden darse las siguientes posibilidades:
a) Que a b (donde a y b pueden ser variables o reglas) implique una
variable c. Es decir que la relación encontrada es (a b) c.
b) Que una variable a implique una regla b c (donde c y b pueden ser
variables o reglas). Es decir, la regla es a (b c).En este caso puede ser útil
recordar que la implicación antes mencionada es equivalente a (a b) c.
c) Que una regla implica a otra es decir, (a b) (d c). ASI pues, la estructura que deviene de la combinación de estas posibilidades
es jerárquica y supone una perspectiva dinámica y no estática, como es la de una simple tipología. Para describir esta estructura jerárquica se hace necesario introducir el concepto de cohesión que supone la definición de un orden parcial entre clases de variables. Para ello se definen:
La cohesión de la clase (a, b) es el número c(a, b) definido como sigue:
c(a, b) = {
1 si ψ(a, b) = 1
0 si ψ(a, b) = 0,5
√1 − H2 si ψ(a, b) = p ∧ H = −plog2p − (1 − p)log2(1 − p)
: 89 :
De la misma manera, la cohesión de la clase ordenada A = (a1, …, ar) es la
media geométrica de las cohesiones de parejas ai y aj (con i, j variando de 1 a r e i j), que se anula únicamente cuando es nula alguna de dichas cohesiones.
Para obtener los resultados, se utiliza el software Classification Hiérarchique Implicative et Cohésitive (CHIC), creado también por el grupo de investigación de Régis Gras. CHIC presenta los resultados mediante una tabla de doble entrada con la intensidad de todas las posibles cuasi- implicaciones y, para una mejor interpretación de los resultados, un digrafo ponderado llamado “grafo implicativo” (Couturier; 2009) en el cual el peso de cada arco representa la intensidad de la correspondiente cuasi-implicación (clásica o entrópica): con arcos verdes se representan las cuasi-implicaciones que tienen una intensidad de 0,85 y con arcos rojos las cuasi-implicaciones que tienen intensidad de 0,95.
Para determinar las clases de variables e interpretar las R – reglas surgidas al analizar un conjunto de datos con ASI, CHIC proporciona gráficos (similares a los dendogramas) a los que se los llama árbol de similaridad y árbol jerárquico, respectivamente (Couturier; 2009). 2.2. Uso de ASI para el análisis del Ejercicio 3 del test
A continuación se presentan las proposiciones de las cuales los alumnos
debían determinar el valor de verdad y se identifica el nombre de las variables en estudio:
TABLA 1. Variables en estudio
I1 ab2 − 1
10m − 1=
ab2
10m I6 (a.b)3 = a3.b3
I2 3a
n− 10b5 + 3
m= 3am − 10nb5 − 3n
n.m I7 (an)m = an.m
I3 ac2 + 2b
c2 = a +
2b
c2 I8 am.an = (a2)m + n
I4 a2 – b2 = (a – b).(a + b) I9 +√a2 = a
I5 a0 = 1 I10 m
√m= √m
A continuación se harán algunas consideraciones necesarias para, a posteriori,
presentar los resultados del análisis:
Si se denota con Ii, con 1 i 10, a las proposiciones consignadas en cada fila, se obtienen pues 10 variables, Ii. Es importante señalar que Iij = 1 si el valor de verdad dado por el estudiante j es correcto. En caso contrario (si la respuesta del alumno j es incorrecta o no respondió), Iij = 0.
Dado que el número de sujetos evaluados (#(E)) es 185, para realizar el análisis se utilizó la implicación entrópica y, por ser el tamaño de la muestra aleatorio, la ley de Poisson.
2.3. Resultados Luego del análisis con ASI se pudieron detectar cinco cuasi implicaciones
(FIGURA 1) con una intensidad de implicación mayor al 0.85.
: 90 :
Las más fuertes tienen una intensidad de 0.95 y se puede observar que:
I1 I3: El sentido de la implicación esta dado porque, al tener el mismo sumando tanto en el numerador como en el denominador, la mayoría de los alumnos tiende a pensar que es posible simplificar estos términos, confundiendo ASI sumando con factor. Detectar que la proposición es falsa supone el conocimiento de que la igualdad de dos cocientes equivale a la de los productos cruzados, conocimiento que en este caso, requiere un pensamiento algebraico y no meramente aritmético. Todo esto sugiere una mayor complejidad cognitiva que la necesaria para detectar que el cero no es invertible.
I3I6: El sentido de esta regla vuelve a mostrar la falta de construcción del pensamiento algebraico, ya que generalmente los alumnos tienen dificultad en identificar que en I3 el divisor puede ser nulo, mientras que en la proposición I6 que uno de los factores sea nulo no afecta su valor de verdad. De ahí el sentido de la implicación.
Luego encontramos otras implicaciones que dan cuenta de que:
I9I7: Esta regla vincula la definición de valor absoluto con la propiedad de potencia de potencia. Esta relación se debe a que en la definición mencionada subyace una especie de “potencia de potencia” que obviamente no es válida al ser una de dichas potencias un número racional no entero.
I9I5: Para determinar que I9 es falsa es necesario conocer las definiciones de valor absoluto, potenciación y radicación en IR, en cambio en el ítem 5 es suficiente conocer de manera completa la definición de potenciación.
I7I3: El sentido de la implicación esta dado porque las propiedades de la potenciación demandan un nivel de conocimiento superior al que requiere I3 que involucra sólo suma y producto y la segunda potencia de un número real.
FIGURA 1: Grafo implicativo.
: 91 :
Al analizar el árbol de similaridad (FIGURA 2) pueden observarse dos clases de cuasi- equivalencia: una que incluye las variables ya presentes en el grafo implicativo y la otra, al resto de las variables. La primera clase demuestra la existencia de cuasi equivalencia entre I3 e I6.
FIGURA 2: Árbol de similaridad.
En cambio en el árbol cohesitivo (FIGURA 3) se observa la R-regla I1I6 la cual
ratifica lo ya observado en el grafo implicativo de que I1 I3 I3I6 - con (I3, I6)= 0.95 – por lo cual, utilizando el silogismo hipotético puede afirmarse que los alumnos relacionan las condiciones para que dos cocientes sean iguales con la validez de la propiedad distributiva de la potenciación con respecto al producto.
FIGURA 3: Árbol cohesitivo.
3. CONCLUSIONES
De los resultados obtenidos, puede concluirse que hay muy pocos alumnos que
han logrado realizar el pasaje de la Aritmética al Álgebra, el cual es uno de los objetivos prioritarios de la enseñanza de la Matemática en la Escuela Secundaria. Esta conclusión viene del hecho de que la poca intensidad de las implicaciones halladas sugiere que dichas relaciones son débiles y establecidas por pocos estudiantes.
Estos resultados constituyen un importante aporte para orientar las actividades de enseñanza de los docentes de la cátedra en que se realizó el estudio en la búsqueda de actividades de enseñanza tendientes a superar las dificultades cognitivas señaladas.
: 92 :
4. REFERENCIAS
ABRATE R., POCHULU M., VARGAS J. (2006): Errores y dificultades en matemática. Análisis de causa y sugerencias de trabajo. Buenos Aires, Argentina: Universidad Nacional de Villa María. 198 páginas. ISBN-10: 987-98292-9-8; ISBN-13: 978-987-98292-9-5. BODIN A. (1995): “Analyse implicative: modèles sous-jacents à l’analyse implicative et outils complémentaires”. Publications de l’Institute de Recherche Mathématiques de Rennes, fascicule 3 “Fascicule de didactique de mathématiques I’E.I.A.O.” exp nº 3, pp 1 – 23. CAPUTO L., JORGE M., ESPINOZA R., PORCEL E., ROMERO J. (2016): “Análisis estadístico implicativo de los conocimientos previos sobre números reales de ingresantes a la universidad”. Cadernos do IME – Série Estatística. Volumen 42, p 30 – 44. Río de Janeiro, Brasil: Universidade do Estado do Rio de Janeiro. ISSN impreso 1413 – 9022. ISSN on line 2317 – 4535. COUTURIER R. (2009): “CHIC: Utilización y funcionalidades”. En Teoría y aplicaciones del análisis estadístico implicativo. Primera aproximación en lengua hispana. Compiladores: Orús, P.; Zamora, L.; Gregori, P. (Eds). Stgo de Cuba, Cuba: Universitat Jaume I de Castellón y Universidad de Oriente. pp 51 - 64. GRAS R., KUNTZ P. (2009): “El anaálisis estadístico implicativo (ASI) en respuesta a problemas que le dieron origen”. En Teoría y aplicaciones del análisis estadístico implicativo. Primera aproximación en lengua hispana. Compiladores: Orús, P.; Zamora, L.; Gregori, P. (Eds). Stgo. de Cuba, Cuba: Universitat Jaume I de Castellón y Universidad de Oriente. pp 3 – 50. RÉGNIER J.C. (2013): Extracto de la obra “Analyse statistique implicative. Une méthode d'analyse de données pour la recherche de casualités”. Gras, R.; Régnier J.C.;Guillet F. (Eds) (2009). Web:http://sites.univ-lyon2.fr/asi7/?page=0&lang=es . Accedido: 29/02/16. SPAGNOLO F., GRAS R., RÉGNIER J.C. (2009): “Una medida comparativa de las matemáticas entre el análisis a priori y la contingencia”. En Teoría y aplicaciones del análisis estadístico implicativo. Primera aproximación en leguna hispana. Compiladores: Orús, P.; Zamora, L.; Gregori, P. (Eds). Universitat Jaume I de Castellón (España) y Universidad de Oriente (Cuba). pp 143 – 158.
: 93 :
REGRESION POLINÓMICA CON FILTROS TOPOLÓGICOS
RODOLFO H. RODRIGO - DANIEL H. PATIÑO - GUSTAVO SCHWEICKARDT - JUAN M. GIMÉNEZ ÁLVAREZ Depto. Electromecánica Ing. UNSJ – Instituto de Automática UNSJ –
CONICET/Universidad Tecnológica Nacional - CONICET/Universidad Nacional de San Juan [email protected] - [email protected]
[email protected] - [email protected]
RESUMEN
La regresión polinómica es un caso particular de la regresión lineal general y cae dentro de los métodos paramétricos de regresión. La teoría clásica de la regresión, se basa en gran parte, en el supuesto que las observaciones son independientes y se encuentran idéntica y normalmente distribuidas. Si bien existen muchos fenómenos del mundo real que pueden modelarse de esta manera, para el tratamiento de ciertos problemas, la normalidad de los datos es insostenible. En el intento de eliminar esa restricción se diseñaron métodos que hacen un número mínimo de supuestos sobre los modelos que describen las observaciones. No obstante cuando se ignora en absoluto las características de la perturbación en dichas observaciones, es muy difícil aplicar la regresión lineal clásica, sin incurrir en errores metodológicos. En este trabajo se propone un método basado en la matemática de intervalos, a fin de acotar las perturbaciones en las observaciones y establecer un modelo de regresión, que proporcione el vector de parámetros en términos de intervalos. Palabras Clave: Optimización – Regresión – Convergencia – Filtros 1. INTRODUCCIÓN
En términos generales un sistema es un objeto en el que las variables de diferentes tipos interactúan y producen señales observables. La relación entre dichas variables constituye un modelo del tal sistema. Cuando esta relación esta expresada en términos matemáticos, donde las variables se expresan como funciones y su relación como ecuaciones diferenciales o algebraicas, se trata de un modelo matemático. Dichas relaciones matemáticas surgen de leyes que rigen la naturaleza del problema o sistema.
Aquí es donde pueden plantearse dos situaciones. La primera en la que los parámetros y leyes, del modelo son conocidos, a partir de las cuales puede establecerse el comportamiento basado en este modelo. La segunda donde son conocidas las leyes que rigen el problema, pero se desconocen parámetros y funciones de distribución, los cuales deben identificarse, a partir de datos experimentales. Más aún, en ausencia de información exacta acerca de los mecanismos físicos subyacentes, el empleo de un modelo de caja negra tiene ventajas sobre un modelo de base física; ya que este modelo es capaz de representar arbitrariamente el proceso del sistema relacionando solamente las entradas con las salidas del sistema sin importar las leyes físicas que las relacionan. Este modelo de caja negra, si bien no conduce necesariamente a una mejor comprensión del comportamiento del proceso dinámico del sistema (de una manera física realista), el mismo es fácil de obtener, incluso para diferentes
: 94 :
condiciones ya que el proceso de modelado y predicción es casi análogo . Estos modelos fueron desarrollados originalmente basados en la teoría de procesamiento de señales, teoría de sistemas e inteligencia computacional Ljung (1999).
Independientemente de la selección del modelo, el paso siguiente es el ajuste del modelo elegido. Los procesos de ajuste o calibración en su mayoría basan su funcionamiento en técnicas de optimización. Estos minimizan el error o diferencia entre ambas respuestas, la del modelo y la de la planta. En ocasiones se presenta el problema de la falta de diferenciabilidad de las ecuaciones que formulan el modelo, por lo que los métodos basados en minimización del gradiente fallan, lo que amerita la aplicación de técnicas de optimización como los algoritmos genéticos. Sin embargo en la generalidad de los casos se plantea un proceso de ajuste minimizando una función objetivo, una distancia o una norma que cuantifique el ajuste u aproximación. Ljung (1976).
En el presente trabajo se presenta una formulación matemática, que se aparta del clásico proceso de minimización de un error, a fin de ajustar un regresor. Esta formulación se basa en la utilización del concepto de filtros de la topología conjuntista, para lo cual se utilizan intervalos. El concepto de minimización de una medida matemática es reemplazado por la minimización de un conjunto solución.
2. MARCO TEÓRICO 2.1. Ajuste de Modelos Dinámicos
La construcción de un modelo a partir de datos, involucra tres objetos a tener
en cuenta Ljung (1999): a) La base de datos b) El conjunto de Modelos Candidatos c) El Método de Ajuste.
a) La base de datos
La base de datos, surge del proceso de medición de las entradas y salidas del sistema. Esto puede realizarse a partir de un diseño experimental que permita colectar los datos para diversas situaciones o bien de la simple operación del sistema. En este último caso para cubrir las diversas situaciones de operación debe contarse con una mayor cantidad de datos, de tal manera que sean esto representativos de todas las situaciones que puedan llegar a darse. Los datos de medición se caracterizan por una incertidumbre asociada. La misma puede ser fruto del proceso de medición, pero también de variables que afectan la salida del sistema y no son consideradas. Estas suelen considerarse como un valor de incerteza en la salida del sistema
b) El Conjunto de modelos candidatos
Por otro lado se tiene un conjunto de modelos candidatos que ajustan los datos. Este punto es el más importante, significativo y dificultoso de todo el proceso. En algunos casos el modelo es construido enteramente a partir de las leyes físicas inherentes al proceso estudiado. En otros casos se utilizan modelos a partir de semejanzas que pueden establecerse del conocimiento preciso de la naturaleza del problema. Si la elección fuese la de un regresor universal, ocurre con estos que los parámetros asociados a los mismos carecen a menudo de un significado o
: 95 :
interpretación física. Definimos entonces al regresor como una relación funcional, asociada a un
conjunto de parámetros de ajuste:
𝑦∗ = 𝑓∗(𝑥, 𝜔)
(1)
donde 𝜔 es un conjunto de parámetros {𝜔1, 𝜔2, 𝜔3, … } que ajusta el
aproximador 𝑓∗.
c) El método de ajuste En este punto se realiza la identificación de parámetros, donde los enfoques
básicos para esto se tratan de manera independiente de la estructura del modelo. La utilización de métodos basados en minimización del error en la predicción, es el enfoque básico, con mayor tratamiento en la literatura. Siendo 𝐽(𝜔) un funcional a minimizar como resultado de la diferencia de una norma o distancia (error cuadrático, superficie, etc.)
𝐽(𝜔0) = min 𝐽 (𝜔) = ‖𝑓 − 𝑓∗‖
(2)
Nos indica que minimizando el funcional, obtenemos el conjunto de parámetros {𝜔0} que ajustan el modelo.
Para finalizar debe decirse que el proceso de identificación concluye con la validación del modelo ajustado. Dicha validación debe realizarse comparando la salida del sistema real y el modelo. Esto debe realizarse para datos de entrada contenidos en el espacio de entrenamiento. De otro modo se le está exigiendo al sistema obtenido capacidad predictiva fuera de dicho espacio. Adicionalmente deben mantenerse las condiciones de contorno del sistema considerado, aceptando que allí se cumplen las hipótesis pertinentes al caso, como por ejemplo homocedasticidad.
2.2. Planteo del Problema
Considérese el caso de una función real f que modela un sistema.
𝑓:ℝ ⟶ ℝ 𝑦 = 𝑓(𝑥) + 𝜀
(3)
donde 𝜀 es una variable aleatoria con función de densidad desconocida pero acotada.
Figura 1
: 96 :
Este aspecto es muy importante ya que determina que la probabilidad que la respuesta del sistema, ante una entrada 𝑥0 tenga una salida 𝑦0 fuera del intervalo [𝑦𝑖 , 𝑦𝑠]0 es nula, esto implica que la función propuesta, va de los reales a los intervalos de reales:
𝑓:ℝ ⟶ [ℝ] 𝐴 = [𝑎𝑖,𝑎𝑠] = {𝑎 ∈ ℝ ∶ 𝑎𝑖 ≤ 𝑎 ≤ 𝑎𝑠}
𝐴 ∈ [ℝ]
(4)
Luego la expresión (3) nos queda:
[𝑦] = 𝑓(𝑥)
(5)
Nótese que la perturbación queda fuera en la nueva expresión (entre corchetes para denotar intervalos). Así entonces para la función de aproximación que particularmente se selecciona como un polinomio de grado n queda:
[𝑦] = 𝑓∗(𝑥, [𝜔]) [𝑦] = 𝑃𝑛(𝑥, [𝜔])
(6)
Si bien es posible generalizar lo expuesto para ℝn, tal circunstancia no se trata en este trabajo. El planteo del problema en términos de función sobre intervalos, nos permite abordarlo en su solución, como se verá a continuación, Moore (2009).
3. SOLUCIÓN DEL PROBLEMA
Para resolver el problema es necesario ampliar el marco conceptual atinente a los procesos de convergencia. Esto implica investigar las bases mismas del Análisis Matemático y el Análisis Funcional. En la Topología encontramos la conceptualización del proceso de convergencia de manera exhaustiva. Su estudio aísla dicho concepto del concepto de la medida. En términos aplicados a la ingeniería: error, norma, distancia, área entre una función y su función aproximada, etc. En Topología el concepto de convergencia se asocia a un ordenamiento que puede estar o no explicado por una medida. La Medida en un sentido matemático puro es estudiada por la Teoría de la Medida, de manera independiente al concepto de la convergencia como ya se dijo, y puede ser utilizada para inducir una topología. 3.1. Topología
Una topología sobre un espacio 𝑋, se define como una familia de conjuntos 𝛴
pertenecientes a 𝑋, tal que los miembros de 𝛴 frente a la unión cualquiera y la
intersección finita dan como resultado miembros del mismo conjunto 𝛴. Dicha
topología se expresa como {𝑋, 𝛴}. Lo dicho expresado de manera simbólica es:
El conjunto vacío Φ y el universal 𝑋 pertenecen a 𝛴.
: 97 :
La intersección de cualquier sub-colección finita de conjuntos de 𝛴 está en 𝛴.
𝛴 = {𝑈1, 𝑈2, … } 𝑈1, 𝑈2 ∈ 𝛴 ⇒ 𝑈1 ∩ 𝑈2 ∈ 𝛴
(7)
La unión de cualquiera sub-colección de conjuntos de 𝛴 está en 𝛴.
∀𝑆 ⊂ 𝛴 ⇒ ⋃ ∈ 𝛴𝑈∈𝑆
(8)
Luego un espacio de intervalos sobre la recta de los números reales forma una topología. (García Ferreira, 2010) 3.2. Convergencia en Topología de Conjuntista
El ajuste de un modelo específico, utilizando un conjunto de datos propio del
comportamiento del sistema modelado, debe ante todo presentar propiedades de convergencia. Adicionalmente debe garantizar que el ajuste determine un comportamiento con mínima desviación del modelo respecto del sistema modelado.
Esto formalizado para un conjunto N de muestras, donde f es un estimador de f producto de un vector regresor y un vector de parámetros, resulta:
𝑓: 𝑋 ⟶ 𝑌
lim𝑁→∞
‖𝑓(𝑋,𝜔) − 𝑦)‖ ⟶ 0
(9)
En Topología Conjuntista este concepto, es ampliado a los denominados
Filtros. Así entonces los valores de 𝑦 y 𝑓∗(𝑋, [𝜔]) vendrán dados como conjuntos, que en el modelo propuesto se expresan como intervalos. Esto determina que 𝜔 sea un vector de intervalos y definitiva la expresión (9) es reemplazada por:
𝜔 = ⋂ 𝜔𝑖
𝑁
𝑖=1
(10)
Sin embargo la Topología especifica una serie de condiciones que deben reunir tales conjuntos (intervalos en nuestro caso) para que la expresión (10) converja. Esto es deben pertenecer a un filtro. Un filtro en Topología Conjuntista se define a continuación:
Sean la colección de conjuntos ℱ = {𝐴, 𝐵, 𝐶, 𝐷,… } ∈ 𝑋
Figura Nº1
: 98 :
Tal que X sea un conjunto no vacío y ℱ una familia de subconjuntos de X. Decimos
que ℱ es un filtro sobre X si: Un importante teorema en la Topología de Conjuntos nos asegura que la unión
de un filtro al conjunto vacío genera una topología inducida en 𝑋. Con esto nos aseguramos una importante cantidad de propiedades útiles y teoremas, que pueden servir a los propósitos de elaborar algoritmos de convergencia. Uno de tales teoremas especifica que es factible definir un filtro, a partir de la colección de conjuntos que contengan un determinado elemento de 𝑋. Tal tipo de filtro, se lo conoce como filtros de entornos (García Ferreira, 2010). Sea
𝑈 ∈ 𝒯; (𝒯, 𝑋) ℱ = {𝑈 𝑥⁄ ∈ 𝑋 ; 𝑥 ∈ 𝑈; }
(11)
Es un filtro sobre la topología 𝒯 en el espacio X, luego establecer una base a partir del ordenamiento:
{(𝑈1⋂𝑈2), (𝑈1⋂𝑈2⋂𝑈3), (𝑈1⋂𝑈2⋂𝑈3⋂. . . )}
(12)
Una convergencia basada en ordenamiento donde no es requerida una norma, por tanto el proceso tiene una mayor generalidad. Con lo que un espacio de intervalos que contenga siempre al valor verdadero, donde estos formen una topología, es posible definir un filtro. En definitiva, la metodología del procedimiento de ajuste se basa en establecer un filtro de entornos, sobre el valor de parámetros que ajuste exactamente a la función que describe los datos de un determinado sistema (García Ferreira, 2010). 4. FORMULACIÓN DEL PROBLEMA DE AJUSTE CON FILTROS
Para realizar el ajuste de la (6) se dispone de un conjunto de N, muestras.
Cada muestra consta de {𝑥𝑖 , [𝑦𝑖𝑛𝑓 , 𝑦𝑠𝑢𝑝]𝑖}, con 𝑖 = 1. . 𝑁.
𝑃𝑛 ∶ 𝑋 ⟶ [𝑌]
[
[𝑦𝑖 , 𝑦𝑠]0[𝑦𝑖 , 𝑦𝑠]1
⋮[𝑦𝑖 , 𝑦𝑠]𝑛
] = ([𝜔0], [𝜔1], … , [𝜔𝑛])(
1𝑥1
𝑥22
. .
)
(13)
Haciendo las combinaciones de 𝑀 = (𝑁, 𝑛 + 1), formamos sistemas lineales de
orden 𝑛 + 1. Cuya solución requiere de métodos de resolución para intervalos. A tal fin
se dispone de herramientas o tool-boxes adecuados Moore (2009). Si la función del
modelo es apta para aproximarse con 𝑃𝑛 se tendrá los valores de [𝑦𝑖𝑛𝑓 , 𝑦𝑠𝑢𝑝]𝑖
contendrán el valor de 𝑦 asociado a 𝑥. Por lo cual el vector de parámetros [𝜔] también contendrá los parámetros del polinomio que aproxima la función que explica los datos.
El filtro se constituirá con estos conjuntos y por supuesto con la intersección
: 99 :
finita de ellos. Para el caso en el cual, dicha intersección nos dé un elemento vacío, inmediatamente concluimos que no existe un conjunto de parámetros, que satisfaga los datos de medición con el modelo seleccionado. El modelo no es válido en tal caso.
Con 𝑁 mediciones se ajustan los parámetros, siendo cuidadoso con el álgebra de intervalos Neumaier (1990). Así entonces utilizando de la intersección recursiva entre todos los vectores de parámetros calculados; la solución converge a 𝜔
𝜔 = ⋂ 𝜔𝑖
𝑀
𝑖=1
(14)
5. EJEMPLO APLICADO CON POLINOMIOS
A continuación se expone un ejemplo sencillo de aplicación, que ilustra la
formulación del ajuste mediante filtros. Para simplicidad propondremos el ajuste de una serie temporal:
f ∶ t ⟶ y
(15)
Con t ∈ ℝ e y ∈ ℝ; y un colectivo de N mediciones:
ℳ = {(t1, [yi, ys]1), …… , (tN, [yi, ys]N)}
(16)
Un modelo lineal
y = α0 + α1t + α2t2 + α3t
3
(17)
Planteamos así
Y = f(X, ω)
[ [yi, ys]1[yi, ys]2[yi, ys]3[yi, ys]4]
= [
1111
1234
14916
182764
]
[ [αi, αs]1[αi, αs]2[αi, αs]3[αi, αs]4]
(18)
Queda
ω = f−1(X, Y)
[ [αi, αs]1[αi, αs]2[αi, αs]3[αi, αs]4]
= [
1111
1234
14916
182764
]
−1
[ [yi, ys]1[yi, ys]2[yi, ys]3[yi, ys]4]
(19)
Con cuatro mediciones se ajustan los parámetros, siendo cuidadoso con el álgebra de intervalos Neumaier (1990). Así entonces utilizando de la intersección de dos conjuntos arbitrarios:
[ [αi, αs]1[αi, αs]2[αi, αs]3[αi, αs]4]
min
=
[ [αi, αs]1[αi, αs]2[αi, αs]3[αi, αs]4]
i
⋂
[ [αi, αs]1[αi, αs]2[αi, αs]3[αi, αs]4]
j
(20)
: 100 :
Obtenemos un hiperprisma de menor tamaño o mínimo provisorio. Repitiendo este proceso para todas las combinaciones posibles tomadas de a cuatro con el valor obtenido de la iteración anterior garantizamos la convergencia del proceso en virtud que el resultado nunca puede ser de mayor tamaño que el de los conjuntos que se intersectan.
6. CONCLUSIONES
En el presente trabajo se ha expuesto un nuevo enfoque. Un método novel de
regresión polinómica por intervalos. Tal proceso encuentra en la Topología de Conjuntos sus fundamentos teóricos. Este enfoque en el proceso de ajuste requiere que los datos obtenidos de la experimentación, vengan expresados con su correspondiente intervalo de confianza. Con esto, el valor verdadero debe estar contenido dicho intervalo. El resultado es un vector de parámetros del regresor polinómico utilizado, expresado mediante intervalos. Si el orden del polinomio no es suficiente el resultado es un vector nulo, o conjunto vacío. Por este motivo establece un modelo regresivo mínimo que ajusta los datos, como principal ventaja.
Este último aspecto eventualmente abriría nuevas posibilidades en los procesos de minimización estructural de algoritmos de caja negra. Así al abandonarse la idea de minimizar una medida de error y reemplazarla por la minimización de un elemento de una topología, en un espacio topológico ordenado por pertenencia, se tendría resuelto la compatibilización de lo que en aprendizaje estadístico se denomina riesgo empírico y riesgo estructural. Por tanto se trataría de una forma de optimización de estructuras regresoras, que ajustan un colectivo de datos y son mínimas, tal como lo expresa el principio de parsimonia de la Navaja de Ockham.
6. REFERENCIAS LJUNG LENNART (1999): System Identification, Theory for the User. Second Ed. Linköping University Sweden. Prentice Hall PTR. LJUNG LENNART (1976): “Consistency of the least squares identification method”. IEEE Trans. Autom. Control, AC-21(5):779– 781, Oct. 1976. NEUMAIER ARNOLD (1990): Intervals Methods for system of equations. Cambridge University Press. MOORE RAMON E., R. BAKER KEARFOTT, MICHAEL J. CLOUD (2009): Introduction to INTERVAL ANALYSIS. Society for Industrial and Applied Mathematics, USA. SALVADOR GARCÍA FERREIRA, (2010). “Ultrafiltros sobre N y Sistemas Dinámicos Discretos”. Ediciones IVIC, Mathematics Subject Classification: 54G20, 54D80, 22A99, ISBN 978-980-261-123-2.
: 101 :
CÁLCULO DE INCERTIDUMBRE EN LA IDENTIFICACIÓN DE SISTEMAS LINEALES
RODOLFO H. RODRIGO - GUSTAVO SCHWEICKARDT - DANIEL H. PATIÑO – JUAN M. GIMÉNEZ ÁLVAREZ
Depto. Electromecánica Ing. UNSJ – CONICET/Universidad Tecnológica Nacional Instituto de Automática UNSJ – CONICET/Universidad Nacional de San Juan
[email protected] - [email protected] [email protected] - [email protected]
RESUMEN
El desarrollo de un sistema de control requiere modelar la planta a controlar, lo cual comprende la selección del modelo, su ajuste y validación. Independientemente del modelo seleccionado, estos siempre requieren la identificación de los parámetros del modelo. Los métodos de identificación en su mayoría están basados en técnicas de optimización, que minimizan el error entre la respuesta del modelo y la planta. En este trabajo se plantea un enfoque diferente que abre nuevas posibilidades en el proceso de ajuste de modelos. Aporta una solución, al problema crítico de asegurar la convergencia del proceso de ajuste. Adicionalmente, cuantifica la incertidumbre en los parámetros calculados, con su correspondiente intervalo de confianza. Se realizan consideración respecto de los fundamentos matemáticos del método. Palabras Clave: Simulación – Identificación – Incertidumbre – Intervalos 1. INTRODUCCIÓN
Podemos decir de manera general y resumida que el objetivo principal de los
sistemas dinámicos es el estudio de ciertos fenómenos que cambian con el tiempo. Un sistema dinámico vagamente es un sistema dinámico que consiste de un espacio de fases abstracto y una regla dinámica que describe el recorrido a lo largo del tiempo de todos los puntos del espacio de fases. Un tipo particular de sistemas dinámicos, son los sistemas lineales. Un sistema lineal es un modelo matemático de un sistema dinámico, basado en el uso de un operador lineal que exhibe características y propiedades que son mucho más simples que el caso no lineal. Como abstracción o idealización matemática, los sistemas lineales encuentran aplicaciones importantes en la teoría de control automático, el procesamiento de señales y las telecomunicaciones. En control automático el uso de controladores de aritmética de punto flotante ha impuesto el uso de modelos de tiempo discreto. Pero independientemente de la selección del modelo, el paso siguiente es el ajuste del modelo elegido. Los procesos de ajuste o calibración en su mayoría basan su funcionamiento en técnicas de optimización. Estos minimizan el error o diferencia entre ambas respuesta, la del
modelo y la de la planta. El método de mínimos cuadrados es un tipo de tales
procedimientos, y es utilizado para identificar dinámicas de modelos simples como, lo expresa la ecuación (1), entre otros:
𝑦𝑛 = −𝑎1𝑦𝑛−1 …− 𝑎𝑝𝑦𝑛−𝑝 + 𝑏1𝑢𝑛−1 …+ 𝑏𝑞𝑢𝑛−𝑞 + ��
(1)
: 102 :
Es probablemente el más utilizado y el más ampliamente analizado método de identificación. Ha habido muchos esfuerzos para establecer condiciones mínimas bajo las cuales las estimaciones de 𝑎 y 𝑏 convergen a sus verdaderos valores. La convergencia de las estimaciones dependerá de dos factores:
La naturaleza de la perturbación 𝛿
Las propiedades del vector de regresión, asociado a la ecuación (1)
Operando sobre la ecuación (1), nos queda:
𝑦𝑛 = [−𝑎1. . −𝑎𝑝, 𝑏1. . . 𝑏𝑝]. [−𝑦𝑛−1 …− 𝑦𝑛−𝑝, 𝑥𝑛−1 …𝑥𝑛−𝑞]𝑇
= 𝜔 . 𝜑(𝑡)𝑇
[
𝑦1 ⋯ 𝑦𝑝
⋮ ⋱ ⋮𝑦𝑝+𝑞 ⋯ 𝑦2𝑝+𝑞−1
𝑢1 ⋯ 𝑢𝑞
⋮ ⋱ ⋮𝑢𝑝+𝑞 ⋯ 𝑢2(𝑝+𝑞)−1
]
[ 𝑎1
⋮𝑎𝑝
𝑏1
⋮𝑏𝑞]
= [
𝑦(𝑝+𝑞)+1
⋮𝑦2(𝑝+𝑞)
]
(2)
La utilización del método de los mínimos cuadrados determina el producto de la matriz asociada a los datos, por su transpuesta a efecto de obtener una matriz cuadrada:
𝜑(𝑡) = [−𝑦𝑛−1 …− 𝑦𝑛−𝑝, 𝑥𝑛−1 …𝑥𝑛−𝑞]𝑇
𝑅𝑛 = ∑𝜑(𝑡)𝜑(𝑡)𝑇
𝑛
𝑡=1
(3)
Se obtuvieron resultados de convergencia clásica para el caso donde 𝛿 es ruido
blanco y 𝑅𝑛/𝑛 converge a una matriz no singular, Aström y Eykhoff (1971). Ljung (1976) demostró que es suficiente que 𝛿, sea una diferencia de martingala y que 𝜆𝑚𝑖𝑛(𝑅𝑛) ⟶ ∞, (donde 𝜆𝑚𝑖𝑛(𝐴) denota el valor propio más pequeño de la matriz A), en caso de que la estimación se realice para una colección finita de valores paramétricos. Trabajos posteriores demostraron la necesidad de requerimientos adicionales para la convergencia. Esto implica asumir hipótesis fuertes para el cálculo de la incertidumbre, que no siempre son factibles de asegurar.
En el presente trabajo se plantea un nuevo enfoque que abre nuevas posibilidades en el proceso de ajuste o calibración de modelos. Este se basa en la utilización del concepto de filtros. Los filtros en Topología de Conjuntos generalizan el concepto de convergencia. Así entonces, conduce a una solución de un problema crítico como lo es, el asegurar la convergencia del proceso de ajuste en términos de un vector de parámetros expresados por intervalos, lo cual expresa la incertidumbre en tal determinación. La incerteza así calculada es de fundamental importancia en el cálculo robusto de sistemas de control; sobre todo en procesos de mecanizado y conformación de piezas. En la modelación de sistemas, mejora la calidad predictiva al poder establecer un intervalo de confianza en la predicción, lo cual permite establecer variables de holgura y ajuste entre los diferentes subsistemas que interactúan entre sí. Finalmente a la hora de calibrar un sensor de medición de una variable física, este dato es insoslayable; si bien se han utilizado los modelos de regresión clásicos, estos
: 103 :
asumen hipótesis de normalidad en el ruido que no siempre es aceptable. El modelo propuesto es un modelo pesimista que asegura un intervalo donde encontrar el verdadero valor de una medición.
2. MARCO TEÓRICO 2.1. Convergencia en Topología de Conjuntista
El ajuste de un modelo específico, utilizando un conjunto de datos propio del
comportamiento del sistema modelado, debe ante todo presentar propiedades de convergencia. Adicionalmente debe garantizar que el ajuste determine un comportamiento con mínima desviación del modelo respecto del sistema modelado.
Esto formalizado para un conjunto N de muestras, donde f es un estimador de f producto de un vector regresor y un vector de parámetros, resulta:
𝑓: 𝑋 ⟶ 𝑌
lim𝑁→∞
‖𝑓(𝑋,𝜔) − 𝑦)‖ ⟶ 0 (4)
En Topología Conjuntista este concepto, es ampliado a los denominados
Filtros. Así entonces los valores de 𝑦 y 𝑓(𝑋, 𝜔) vendrán dados como conjuntos, que en el modelo propuesto se expresan como intervalos. Esto determina que 𝜔 sea un vector de intervalos y definitiva la expresión (4) es reemplazada por:
𝜔 = ⋂ 𝜔𝑖
𝑁
𝑖=1
(5)
Sin embargo la Topología especifica una serie de condiciones que deben reunir
tales conjuntos (intervalos en nuestro caso) para que la expresión (5) converja. Sean la colección de conjuntos ℱ = {𝐴, 𝐵, 𝐶, 𝐷,… } ∈ 𝑋
Tal que X sea un conjunto no vacío y ℱ una familia de subconjuntos de X.
Decimos que ℱ es un filtro sobre X si:
ℱ ≠ Φ y Φ ∉ ℱ Si F1, F2 ∈ ℱ ⇒ F1 ∩ F2 ∈ ℱ Si 𝐵 ∈ 𝑋 ∧ 𝐴 ⊂ 𝐵 ∧ 𝐴 ∈ ℱ ⇒ 𝐵 ∈ ℱ
(6)
Figura Nº1
: 104 :
Un importante teorema en la Topología de Conjuntos nos asegura que la unión de un filtro al conjunto vacío genera una topología inducida en X. Con esto nos aseguramos una importante cantidad de propiedades útiles y teoremas, que pueden servir a los propósitos de elaborar algoritmos de convergencia. Uno de tales teoremas especifica que es factible definir un filtro, a partir de la colección de conjuntos que contengan un determinado elemento de 𝑋. Tal tipo de filtro, se lo conoce como filtros de entornos. Sea
𝑈 ∈ 𝒯; (𝒯, 𝑋)
(7)
La colección ℱ
ℱ = {𝑈 𝑥⁄ ∈ 𝑋 ; 𝑥 ∈ 𝑈; } (8)
Es un filtro sobre la topología 𝒯 en el espacio X, luego establecer una base a partir del ordenamiento
{(𝑈1⋂𝑈2), (𝑈1⋂𝑈2⋂𝑈3), (𝑈1⋂𝑈2⋂𝑈3⋂. . . )} (9)
Una convergencia basada en ordenamiento donde no es requerida una norma, por tanto el proceso tiene una mayor generalidad. Con lo que un espacio de intervalos que contenga siempre al valor verdadero, donde estos formen una topología es posible definir un filtro.
En definitiva, la metodología del procedimiento de ajuste se base en establecer un filtro de entornos, sobre el valor de parámetros que ajuste exactamente a la función que describe los datos de un determinado sistema.
2.2. Matemática de Intervalos
La matemática de intervalos está jugando un papel cada vez más importante
en la informática científica y está siendo utilizado para obtener límites computacionalmente rigurosos en soluciones de problemas numéricos. En este trabajo los intervalos son los conjuntos de números reales que refiere la Topología Conjuntista de Filtros. Se da a continuación una serie de definiciones y propiedades de los intervalos.
Definición de Intervalo
𝐴 = [𝑥𝑖 , 𝑥𝑠] = {𝑥 ∈ ℝ ∶ 𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑠}
𝑥 ∈ 𝐴 ⇔ 𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑠
(10)
Operaciones 𝐴 ⊕ 𝐵 = {𝑥 + 𝑦: 𝑥 ∈ 𝐴 ∶ 𝑦 ∈ 𝐵} 𝐴 ⊖ 𝐵 = {𝑥 − 𝑦: 𝑥 ∈ 𝐴 ∶ 𝑦 ∈ 𝑌} 𝐴⨂𝐵 = {𝑥. 𝑦: 𝑥 ∈ 𝐴 ∶ 𝑦 ∈ 𝐵} 𝐴 ⊘ 𝐵 = {𝑥/𝑦: 𝑥 ∈ 𝐴 ∶ 𝑦 ∈ 𝐵} 𝐴 ∪ 𝐵 = {𝑢: 𝑢 ∈ 𝐴 ∨ 𝑢 ∈ 𝐵} 𝐴 ∩ 𝐵 = {𝑢: 𝑢 ∈ 𝐴 ∧ 𝑢 ∈ 𝐵}
(11)
: 105 :
Propiedad Asociativa y Conmutativa
𝐴 ⊕ 𝐵 = 𝑌 ⊕ 𝐴
𝐴 ⨂𝐵 = 𝑌⨂𝐴
𝐴 ⊕ ( 𝐵 ⊕ 𝐶) = (𝐴 ⊕ 𝐵) ⊕ 𝐶
𝐴⨂( 𝐵⨂𝐶) = (𝐴⨂𝐵)⨂𝐶
(12)
Existencia del neutro aditivo y multiplicativo
[0; 0] ⊕ 𝐴 = 𝐴 [1; 1]⨂ 𝐴 = 𝐴
(13)
No existencia del inverso multiplicativo y aditivo. Formalmente:
𝐴 = [𝑎𝑖,𝑎𝑠] = {𝑎 ∈ ℝ ∶ 𝑎𝑖 ≤ 𝑎 ≤ 𝑎𝑠} 𝐴 ⊕ 𝑋 = [0; 0]
∄𝑋 = [𝑥𝑖, 𝑥𝑠] = {𝑥 ∈ ℝ ∶ 𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑠} ∄𝑋 = [𝑥𝑖, 𝑥𝑠] = {𝑥 ∈ ℝ ∶ 𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑠}
𝐴 ⊘ 𝑋 = [1; 1] ∄𝑋 𝑡𝑎𝑙 𝑞𝑢𝑒 [𝑥𝑖, 𝑥𝑠] = {𝑥 ∈ ℝ ∶ 𝑥𝑖 ≤ 𝑥 ≤ 𝑥𝑠}
(14)
Las implicancias de la no existencia de los inversos, tanto multiplicativo como aditivo, determinan la imposibilidad de realizar operaciones de cancelación en identidades, usando las propiedades de monotonía. Dicho en términos vulgares, el despeje de variables
Sistemas de Ecuaciones Lineales con Intervalos:
Sea el sistema [𝐴][𝑥] = [𝑏], con [𝐴], [𝑥], [𝑏] matrices de intervalos se cumple
[𝑥] es solución si y solo si, ∃ 𝐴 ∈ [𝐴] ∧ ∃ 𝑏 ∈ [𝑏] tal que 𝑥 ∈ [𝑥] satisface 𝐴𝑥 = 𝑏.
2.3. Formulación matemática para el Error, Incertidumbre Probabilísticas y su Propagación
Los datos de medición se caracterizan por una incertidumbre asociada Rabinovich (2005):
𝑥𝑖 = [�� ± 𝑢𝑥]𝑖 (15)
Donde 𝑥𝑖 : Es la i-ésimo valor de medición de un conjunto N. �� : Es el valor medio.
𝑢𝑥 : Es la incertidumbre asociada a la medición. Toda medición en realidad es un intervalo de confianza, donde se asume que
se encontrará el valor verdadero con un determinado nivel de probabilidad. Es por tanto un concepto basado en la probabilidad y la estadística, donde la dispersión o desviación estándar determina tal intervalo de confianza. Téngase en cuenta que un intervalo de confianza se calcula:
: 106 :
𝑢𝑥 = 𝑘95%𝑠 (16)
𝑠 : Es la desviación estándar de un conjunto N de mediciones. 𝑘95% : Es un factor que depende de la función de densidad de probabilidad y el
nivel de significancia, usualmente 0.95. 𝑢𝑥 : Es la incertidumbre asociada a la medición.
Tendremos un intervalo de confianza donde se encuentra el valor verdadero de
la medición, que no es otra cosa que un intervalo:
𝑥𝑖 = [�� ± 𝑢𝑥]𝑖 = [�� − 𝑢𝑥 , �� + 𝑢𝑥]𝑖 (17)
La Propagación de la Incertidumbre cuando existe una relación funcional entre variables a medir y las realmente medidas, se denomina propagación de la incertidumbre.
Consideremos, un colectivo de 𝑁 mediciones, donde cada medición es identificada por el número entero i. Consideremos que existe una relación funcional entre dos variables independientes 𝑥, 𝑦; y la variable dependiente de esta 𝑧:
𝑧𝑖 = 𝑧 + Δ𝑧𝑖 , 𝑥𝑖 = �� + Δ𝑥𝑖 , 𝑦𝑖 = �� + Δ𝑦𝑖 (18)
𝑧 = 𝑓(𝑥, 𝑦) , 𝑧𝑖 = 𝑓(𝑥𝑖 , 𝑦𝑖) (19)
Donde se demuestra bajo ciertas hipótesis:
𝑧 ≈ 𝑓(��, ��)
𝑠𝑧2 ≈
𝜕𝑓(��, ��)
𝜕𝑥
2
𝑠𝑥2 +
𝜕𝑓(��, ��)
𝜕𝑦
2
𝑠𝑦2
(20)
Un importante punto, es que en tal desarrollo se asume la hipótesis, que no existe error sistemático o sesgo, o bien este y ha sido corregido. En definitiva en un modelo de regresión donde las hipótesis de normalidad se cumplen es posible determinar la dispersión en los parámetros del regresor y así determinar la incertidumbre asociada. Aplicando la propagación de errores a un modelo de regresión lineal de dos parámetros (recta), obtendríamos:
𝑆𝑦 = √∑ (𝑦𝑖 − 𝑚𝑥𝑖 − 𝑏)2𝑁
𝑖=1
𝑁 − 2
(21)
Dispersión de la Pendiente:
𝑆𝑚 = 𝑆𝑦√𝑁
𝑁 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖
𝑁𝑖=1 )2𝑁
𝑖=1
(22)
Dispersión de la ordenada al origen:
𝑆𝑏 = 𝑆𝑦√∑ 𝑥𝑖
2𝑁𝑖=1
𝑁 ∑ 𝑥𝑖2 − (∑ 𝑥𝑖
𝑁𝑖=1 )2𝑁
𝑖=1
(23)
: 107 :
3. FORMULACION DEL PROBLEMA DE AJUSTE CON FILTROS
Considérese
𝑓 ∶ 𝑋 ⟶ [𝑌] (24)
donde se dispone un colectivo N de muestras:
𝑓: [
𝑥1𝑥2
⋮𝑥𝑁
] ⟶ [
[𝑦𝑖 , 𝑦𝑠]1[𝑥𝑖 , 𝑥𝑠]2
⋮[𝑥𝑖 , 𝑥𝑠]𝑁
]
(25)
La expresión (1) se transforma en una expresión donde δ desaparece, dado que las variables se expresan en términos de intervalo. Veamos que la (1) se convierte en:
𝑦𝑛 = −𝑎1𝑦𝑛−1 …− 𝑎𝑝𝑦𝑛−𝑝 + 𝑏1𝑥𝑛−1 …+ 𝑏𝑞𝑥𝑛−𝑞 (26)
Con sus elementos expresados en términos de intervalos. Luego es factible establecer una relación matricial, de intervalos:
[
𝑦𝑛
𝑦𝑛+1𝑦𝑛+2𝑦𝑛+3
… ]
=
[ −𝑦𝑛−1
−𝑦𝑛−𝑦𝑛+1−𝑦𝑛+2
…
−𝑦𝑛−2
−𝑦𝑛−1−𝑦𝑛
−𝑦𝑛+1
…
…
𝑥𝑛−1
𝑥𝑛𝑥𝑛+1𝑥𝑛+2
…
𝑥𝑛−2
𝑥𝑛−1𝑥𝑛
𝑥𝑛+1
… ]
[
𝑎1
𝑎2 …𝑏1
…
]
(27)
Utilizando el toolbox INTLAB Moore (2007), que implementa una versión del
método de Gauss-Seidel para intervalos (IGS method), es factible encontrar la
solución correspondiente Neumaier (1990):
𝜔 = [
𝑎1𝑎2 …𝑏1…
] =
[ [𝑎𝑖, 𝑎𝑠]1[𝑎𝑖, 𝑎𝑠]2 …[𝑏𝑖, 𝑏𝑠]1
… ]
(28)
Teniendo en cuenta que se dispone de 𝑁 datos muestreados es que es factible
encontrar 𝑁 − dim (𝜔) vectores de parámetros expresados como vectores de intervalos. Nos queda entonces:
𝜔 = ⋂ 𝜔𝑖
𝑁−dim (𝜔)
𝑖=1
(29)
: 108 :
4. CONCLUSIONES En el caso que sea posible establecer un intervalo, donde el valor medido de la
salida del sistema se encuentre con seguridad, para cada valor muestreado, entonces es posible establecer intervalos, para los parámetros que nos aseguren que los valores verdaderos de estos se encuentren allí. Es decir si es posible acotar la perturbación a la salida del sistema, será factible establecer el vector de parámetros del modelo en término de intervalos. De esta manera el intervalo expresa la incerteza. La convergencia del proceso a un vector de parámetros en término de valores reales dependerá de los datos muestreados. Eventualmente si el proceso converge a un conjunto vacío, entonces estamos en presencia de datos inconsistentes con el modelo lineal utilizado. Tal circunstancia ocurre por el hecho de que el intervalo no acota la perturbación o bien el modelo lineal es de mayor orden. Una ventaja del método expuesto, es que no requiere de hipótesis de distribuciones insesgados, en las funciones de densidad de las perturbaciones. 5. REFERENCIAS
ASTRÖM K. J. AND EYKHOFF P. (1971): “System identification – a survey”. Automatica”, 7:123–162.
LJUNG LENNART (1999): System Identification, Theory for the User. Second Ed. Linköping University Sweden. Prentice Hall PTR. LJUNG LENNART (1976): “Consistency of the least squares identification method”. IEEE Trans. Autom. Control, AC-21(5):779– 781, Oct. 1976. NEUMAIER ARNOLD (1990): “Intervals Methods for system of equations”. Cambridge University Press. MOORE RAMON E., R. BAKER KEARFOTT, MICHAEL J. CLOUD (2009): Introduction to INTERVAL ANALYSIS. Society for Industrial and Applied Mathematics, USA. RABINOVICH SEMYON G. (2005): Measurement Errors and Uncertainties, Theory
and Practice. Third Edition. AIP Springer.
: 109 :
METODOLOGÍA BOX JENKINS APLICADA EN EL RENDIMIENTO FABRIL DE CAÑA DE AZÚCAR EN TUCUMÁN PARA LOS AÑOS 2014 A 2017
MARCELO E. MEDINA GALVÁN – JAVIER A. GARCÍA
Facultad de Ciencias Económicas, Instituto de Administración, Universidad Nacional de Tucumán [email protected] – [email protected]
RESUMEN
El presente trabajo tiene como objetivo utilizar la metodología Box Jenkins para analizar la serie de tiempo de los rendimientos fabriles brutos de caña de azúcar en la provincia de Tucumán durante el período de mayo a octubre de los años 2014 a 2017 con la finalidad de obtener un pronóstico de la zafra 2018 que permita servir como input en el proceso de toma de decisiones.
Esta información contribuirá para que los productores de azúcar puedan definir estrategias y protegerse de las amenazas actuales, tales como el cambio de hábito en la alimentación para reemplazar y/o minimizar el consumo de azúcar.
Palabras Clave: Estadística – Series de tiempo – Pronóstico – Caña de azúcar 1. INTRODUCCIÓN
El análisis econométrico de series de tiempo representa una herramienta muy poderosa a la hora de realizar pronósticos, sobre todo en áreas de la economía y los negocios.
En el presente trabajo se analiza la serie de tiempo de los rendimientos fabriles brutos de caña de azúcar (es decir, el total de azúcar obtenido sobre la molienda de caña en bruto) en la provincia de Tucumán para las zafras correspondientes a los meses de mayo a octubre de los años 2014 a 2017. El objetivo es pronosticar los rendimientos fabriles brutos para la zafra del año 2018.
Disponer de esta información permitirá a los productores tomar decisiones en un contexto dinámico.
Para la aplicación de la metodología propuesta se utiliza como base el software estadístico ITSM 2000.
2. ENFOQUE METODOLÓGICO
Popularmente conocida como metodología de Box-Jenkins (BJ), pero técnicamente conocida como metodología ARIMA, el interés de estos métodos de pronósticos no está en la construcción de modelos uniecuacionales o de ecuaciones simultáneas, sino en el análisis de las propiedades probabilísticas, o estocásticas, de las series de tiempo económicas por sí mismas según la filosofía de que los datos hablen por sí mismos. A diferencia de los modelos de regresión, en los cuales Yt se explica por las k regresoras X1, X2, X3, . . ., Xk, en los modelos de series de tiempo del tipo BJ, Yt se explica por valores pasados o rezagados de sí misma y por los términos de error estocásticos.
: 110 :
Para utilizar la metodología Box-Jenkins, debemos tener una serie de tiempo estacionaria o una serie de tiempo que sea estacionaria después de una o más diferenciaciones. La razón para suponer estacionariedad se explica de la siguiente manera: el objetivo de Box-Jenkins es identificar y estimar un modelo estadístico que se interprete como generador de los datos muestrales. Entonces, si se va a pronosticar con este modelo estimado, debe suponerse que sus características son constantes a través del tiempo y, en particular, en periodos futuros.
Según Gujarati y Porter, (2010), el método de BJ considera cuatro pasos: Identificación. Utilizando los datos y/o cualquier tipo de información disponible
sobre cómo ha sido generada la serie, se intentará sugerir una subclase de modelos ARIMA (p; d; q) que merezca la pena ser investigada. En esta etapa es posible identificar más de un modelo candidato a haber podido generar la serie. Se utilizan como herramientas de ayuda el correlograma y el correlograma parcial (González Casimiro, s.f.).
Estimación. Tras identificar los valores apropiados de p y q, la siguiente etapa es estimar los parámetros de los términos autorregresivos y de promedios móviles incluidos en el modelo.
Examen de diagnóstico. Después de seleccionar un modelo ARIMA particular y de estimar sus parámetros, tratamos de ver si el modelo seleccionado se ajusta a los datos en forma razonablemente buena, pues es posible que exista otro modelo ARIMA que también lo haga.
Pronóstico. Obtener los valores de la serie de tiempo que deseamos pronosticar.
3. DESARROLLO
Como primer paso se recopilaron los datos de las últimas 4 temporadas de zafra de la provincia de Tucumán (períodos desde mayo a octubre de los años 2014 a 2017). Se trabaja con los rendimientos fabriles sobre caña bruta (Yt), es decir la cantidad de azúcares totales obtenidos sobre la caña bruta molida total. Existe un componente aleatorio sobre los rendimientos fabriles brutos, muchas veces dado por materias extrañas, impurezas, estado del suelo, cantidad de precipitaciones, etc.
Una vez tabulados los rendimientos fabriles brutos (ver Tabla 1), se procedió a introducir los datos en el programa ITSM 2000 para su tratamiento. Se detallan a continuación los pasos de la metodología empleada.
3.1. Paso 1: identificación El primer paso puede subdividirse en dos sub-pasos: a) Determinar si la serie original es estacionaria (en el sentido débil) o si es
necesario realizarle transformaciones para que cumpla con este criterio y así poder aplicar la técnica de BJ.
b) Definir los órdenes p; d; q del modelo ARIMA que parecen apropiados para reproducir las características de la serie bajo estudio.
Ambos incisos se trabajan a continuación:
a) Análisis de estacionariedad: a continuación, se muestra el gráfico de la serie de tiempo obtenida, referida a los rendimientos fabriles brutos de los años 2014 a 2017:
: 111 :
Gráfico 1: Rendimientos fabriles brutos (en %) para las zafras de caña de azúcar de los años 2014 a 2017.
De este gráfico puede apreciarse que existiría un componente estacional (observados en los picos de las muestras número 5, 11, 12, 17, 18 y 23). La media y la varianza parecen mantenerse constante a lo largo de la serie.
Para continuar con la evaluación anterior, se procede a evaluar el gráfico del correlograma y el correlograma parcial de la serie.
Gráfico 2: Correlograma y correlograma parcial para la serie de rendimientos fabriles brutos de caña de azúcar de los años 2014 a 2107.
De la evaluación de estos gráficos surge que ambos presentan un
comportamiento aceptable. En el correlograma únicamente dos observaciones salen de las bandas de confianza, mientras que en el correlograma parcial solamente lo hace una observación.
Para confirmar estos indicios, se realizarán dos transformaciones a la serie original a fin de concluir sobre la condición de estacionariedad.
La primera transformación consiste en diferenciar la serie original para estabilizar la media. Para ello, se toman primeras diferencias de la serie original. El gráfico correspondiente se presente debajo:
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Sample ACF
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Sample PACF
5.
6.
7.
8.
9.
10.
2 4 6 8 10 12 14 16 18 20 22 24
Series
: 112 :
Gráfico 3: Primeras diferencias de la serie de rendimientos fabriles brutos de la caña de azúcar en los períodos 2014 a 2017.
Del gráfico puede observarse que la serie sigue siendo estable en media (solamente que ahora está desplazada). Se presentan también el gráfico de los correlogramas:
Gráfico 4: Correlograma y correlograma parcial de las primeras diferencias de la serie
original.
Del análisis de ambos se observa que los comportamientos de los correlogramas son similares a los de la serie original (ver Gráficos 2 y 4). Por lo cual se puede afirmar que no es necesario realizar la transformación.
En segundo lugar, se procede a estabilizar la varianza. Para ello se toma logaritmos de la serie original mediante la transformación de Box-Cox. En este caso se toma un valor de lamba igual a 0 en el software ITSM 2000:
Gráfico 5: Logaritmo de la serie original mediante la transformación de Box-Cox.
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Sample ACF
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Sample PACF
1.600
1.700
1.800
1.900
2.000
2.100
2.200
2.300
2 4 6 8 10 12 14 16 18 20 22 24
Series
-5.
-4.
-3.
-2.
-1.
0.
1.
2.
2 4 6 8 10 12 14 16 18 20 22 24
Series
: 113 :
Como puede observarse, la estabilidad en la varianza casi no presenta cambios comparada con el gráfico de la serie original (Gráfico 1). Para finalizar, comparamos los gráficos de los correlogramas:
Gráfico 6: Correlograma y correlograma parcial de la serie transforma mediante Box-Cox.
Analizando los Gráficos 2 y 6 podemos observar que tampoco existe una diferencia notoria. Por lo tanto, tampoco sería necesario realizar esta transformación.
Se concluye entonces que la serie original es estacionaria en media y varianza y que se puede trabajar con ella aplicando la metodología BJ.
b) Identificación de los órdenes de p y q de nuestro modelo ARMA. Comparando la estructura de las funciones de autocorrelación simple y parcial
estimadas con las características básicas de las funciones de autocorrelación teóricas, se puede identificar el/los procesos que podrían haber generado la serie bajo estudio.
Por consiguiente, se listan a continuación los modelos que podrían haber generado la serie: MA (7), MA (8), AR (7) y AR (8). 3.2. Paso 2: Estimación
Con ayuda del software ITSM 2000 se procede a estimar los parámetros de cada uno de los modelos anteriormente citados. Se evaluará y elegirá el modelo considerando el criterio de Akaike (AICC), según el que presente menor coeficiente. La Tabla 2 muestra el resumen para los cuatro modelos previstos anteriormente.
Según el criterio establecido, el modelo que debería seleccionarse es el AR (7). El detalle del modelo se muestra a continuación:
X(t) = .2330 X(t-1) - .2683 X(t-2) - .08536 X(t-3) - .1952 X(t-4) - .0007997 X(t-5) + .3960 X(t-6) - .1191 X(t-7) + Z(t) WN Variance = .939414 AR Coefficients .232955 -.268250 -.085361 -.195189 -.000800 .395958 -.119140 Ratio of AR coeff. to 1.96 * (standard error) .586443 -.713408 -.218298 -.507418 -.002045 1.053043 -.299925
3.3. Paso 3: Examen de diagnóstico
Según la salida del programa ITSM 2000 vista en el paso 2, existen rezagos del modelo AR (7) que podrían no ser significativos a nivel individual.
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Sample ACF
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Sample PACF
: 114 :
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Residual ACF
-1.00
-.80
-.60
-.40
-.20
.00
.20
.40
.60
.80
1.00
0 5 10 15 20 25 30 35 40
Residual PACF
1.
2.
3.
4.
5.
6.
7.
8.
-2.0 -1.5 -1.0 -.5 .0 .5 1.0
Por lo expuesto, se igualarán a cero los rezagos que parecen no ser significativos en búsqueda de un sub-modelo AR (7) con mayor exactitud de ajuste. Se empleará el método de máxima verosimilitud para realizar las estimaciones.
La Tabla 3 muestra cómo cambia el valor del AICC según se eliminen algunos de los coeficientes que parecieran ser no significativos. Del análisis de la misma, surge que el sub-modelo más adecuado sería aquel que iguala a cero todos los coeficientes menos el del rezago 6. El modelo final se lista a continuación:
X(t) = .0000 X(t-1) + .0000 X(t-2) + .0000 X(t-3) + .0000 X(t-4) + .0000 X(t-5) + .7919 X(t-6) + .0000 X(t-7) + Z(t)
Lo último que resta por analizar es si finalmente se acepta el modelo. Por ello se analiza el comportamiento de los residuos. En el Gráfico 7 puede verse que solamente un residuo se encuentra fuera de las bandas de confianza, por lo cual se puede concluir un adecuado ajuste del modelo. Adicionalmente, el Gráfico 8 muestra que el histograma tiene una media cercana a cero. Por lo tanto, podemos concluir que lo residuos estiman adecuadamente a un proceso ortogonal o ruido blanco y que el modelo estimado es adecuado para ser considerado como generador de la serie bajo estudio.
Gráfico 7: Correlograma y correlograma parcial de los residuos del modelo elegido.
Gráfico 8: Histograma de los residuos para el modelo elegido.
Finalmente se realiza un análisis de aleatoriedad en los residuos. Los resultados se muestran debajo:
: 115 :
ITSM::(Tests of randomness on residuals) ============================================ Ljung - Box statistic = 24.157 Chi-Square ( 20 ), p-value = .23562 McLeod - Li statistic = 23.855 Chi-Square ( 21 ), p-value = .30014 # Turning points = 10.000~AN(14.667,sd = 1.9861), p-value = .01879 # Diff sign points = 11.000~AN(11.500,sd = 1.4434), p-value = .72903 # Rank points = .10200E+03~AN(.13800E+03,sd = 20.158), p-value = .07411 Order of Min AICC YW Model for Residuals = 1
Considerando los tests, se acepta que el modelo presenta un buen ajuste. 3.4. Paso 4: Pronóstico
En este último paso solamente resta realizar el pronóstico para la siguiente cosecha de caña de azúcar, en los meses mayo a octubre. El Gráfico 8 muestra el pronóstico para los meses descriptos junto con las bandas de confianza.
Gráfico 9: Pronóstico para el período mayo a octubre 2018 del rendimiento fabril bruto
del cultivo de caña en Tucumán.
En la Tabla 4 se pueden ver los valores de los rendimientos fabriles sobre caña bruta pronosticados con el modelo escogido, su error estándar y los intervalos de confianza (al 95%). 4. CONCLUSIONES
Como puede apreciarse, se pronostica un rendimiento similar al del año 2017. Disponer de esta información permitirá a los productores de azúcar poder planificar de una manera más precisa su producción y sus ventas.
Esto resulta muy importante en contextos dinámicos en donde el negocio del azúcar (particularmente en Argentina) se ve amenazado por posibles cambios en las preferencias de los consumidores y regulaciones gubernamentales, entre los factores más importantes.
4.
5.
6.
7.
8.
9.
10.
11.
5 10 15 20 25 30
: 116 :
5. TABLAS
Tabla 1: Rendimientos fabriles sobre caña bruta de mayo a octubre para 2014 a 2017
N° observ.
Rendimien- to fabril
N° observ.
Rendimien- to fabril
N° observ.
Rendimien- to fabril
N° observ.
Rendimien- to fabril
1 5,89% 7 6,55% 13 7,44% 19 5,84%
2 7,62% 8 7,92% 14 7,95% 20 7,65%
3 8,55% 9 9,43% 15 9,41% 21 8,92%
4 9,65% 10 9,84% 16 9,71% 22 9,25%
5 10,18% 11 10,33% 17 10,02% 23 8,95%
6 9,83% 12 10,12% 18 10,02% 24 8,57%
Tabla 2: Modelos preseleccionados clasificados en orden creciente según el AICC
Modelo AICC AR (7) 94,283 AR (8) 98,822 MA (7) 101,336 MA (8) 103,929
Tabla 3: Comparación entre los rezagos considerados y su AICC
Rezagos AICC 2, 6 75,934 6 74,747
Tabla 4: Pronósticos de los rendimientos fabriles sobre caña bruta (en %) para los siguientes 6 períodos
Mes Rendimiento (MSE)
Bandas de confianza al 95% Inferior Superior
1 5,66118 .92322 3,85169 7,47066 2 7,24359 .92322 5,43411 9,05308 3 8,03480 .92322 6,22531 9,84428 4 8,82601 .92322 7,01652 1,63549 5 8,03480 .92322 6,22531 9,84428 6 8,03480 .92322 6,22531 9,84428
6. REFERENCIAS
ABRIL J. C.: (2017): Métodos modernos de series de tiempo [Material de clase]. Universidad Nacional de Tucumán, Tucumán.
ALIMENTOS ARGENTINOS. Azúcar. Recuperado de: http://www.alimentosargentinos.gob.ar/HomeAlimentos/Azucar/
GONZÁLEZ CASIMIRO M. P.: (s.f.): Análisis de series temporales: Modelos ARIMA. Recuperado de: https://addi.ehu.es/bitstream/handle/10810/12492/04-09gon.pdf;jsessionid=1C5DDD7A460918DE0772DF59BAFC4507?sequence=1
GUJARATI D., PORTER D. (2010): Econometría. México DF, México: Mc-Graw Hill.
: 117 :
ANÁLISIS DE CORRESPONDENCIA EN LA CARACTERIZACION DE PERFILES DE USUARIOS DE REDES SOCIALES
VÍCTOR MARTINEZ – MARCELO E. MEDINA GALVÁN
Facultad de Ciencias Económicas - UNT [email protected] - [email protected]
RESUMEN
La imagen de una empresa es uno de los activos intangible más importante que posee. El poder de los clientes se puede ejercer a través de las redes sociales, con facilidad y sin requerir demasiado esfuerzo.
Se requiere explorar una técnica que permita detectar la asociación entre los perfiles de usuarios de redes sociales con otras variables como redes sociales, actividades en redes sociales, nivel de estudios, entre otras.
El objetivo de este trabajo es caracterizar los perfiles de los usuarios de redes sociales que pueden influir en la reputación de las empresas a través del análisis de correspondencia.
La metodología que se utiliza es el análisis de correspondencia a través del software R. Para la recopilación de los datos se recurre a un cuestionario, aplicado a 169 individuos, en el cual se identifican las redes sociales que un usuario puede emplear para afectar la reputación de una empresa, la fuerza de tal red social sobre la reputación de las empresas y las motivaciones que llevan a una persona a afectar la reputación de una empresa en redes sociales.
Se identifican las características de los perfiles de los creadores, críticos, colecciones, adherentes y espectadores. Palabras Clave: Estadística - Correspondencia múltiple - Redes sociales - R
1. INTRODUCCIÓN Actualmente vivimos en una sociedad digital e interconectada, donde se
experimenta el auge de las redes sociales. En efecto, estas mismas representan “espacios de expresión popular” donde las personas pueden manifestar sus emociones, opiniones y puntos de vista de la realidad económica, política y social.
La imagen de una empresa, entendida como el activo intangible más importante que posee se encuentra en medio de este contexto, y cada acción que realice dentro de los medios sociales en un principio tiene el fin de generar una imagen positiva, sin embargo una acción equivocada puede derribar todo el esfuerzo en un instante.
El poder de los clientes se puede ejercer a través de las redes sociales, dando a conocer aspectos positivos y aspectos negativos de las empresas con gran rapidez y llegando a un gran número de personas, con facilidad y sin requerir demasiado esfuerzo.
Para un mejor conocimiento de los clientes, las empresas requieren caracterizar el comportamiento de los usuarios de redes sociales, ¿son personas que se dedican exclusivamente a leer el contenido publicado por la empresa? ¿se unen a grupos sociales dentro y fuera de la empresa?, Pueden ser usuarios que comentan acerca del contenido publicado o más bien lo crean. Esto conforma el perfil de los
: 118 :
usuarios de redes sociales. El objetivo de este trabajo es caracterizar los perfiles de los usuarios de redes
sociales que pueden influir en la reputación de las empresas, a través del análisis de correspondencia.
Con esta información las empresas pueden conocer el público de sus redes sociales y actuar en consecuencia para asegurarse satisfacer lo mejor posible a cada uno. De esta manera la imagen de la empresa se potencia o, en caso de ocurrir, el efecto negativo que puedan provocar los usuarios sea el mínimo posible.
2. ENFOQUE METODOLÓGICO Los diferentes métodos de análisis multivariado no solo difieren entre sí por el
objetivo o tipo de resultados obtenidos sino que existen ya diferencias en la tabulación, forma de codificar y en el trabajo con las variables ya que algunos métodos pueden trabajar con variables nominales, mientras que otros solo lo hacen con variables ordinales y métricas.
El análisis de correspondencia, es una técnica descriptiva o exploratoria cuyo objetivo es resumir una gran cantidad de datos en un número reducido de dimensiones, con la menor pérdida de información posible.
Consiste en resumir la información presente en las filas y columnas de manera que pueda proyectarse sobre un sub-espacio reducido, y representarse simultáneamente los puntos fila y los puntos columna, pudiéndose obtener conclusiones sobre relaciones entre las dos variables nominales u ordinales de origen.
Con el análisis de correspondencia se pretenden dos objetivos básicos: - Asociación entre categorías de columnas o filas: Medir la asociación de solo
una fila o columna, para ver, por ejemplo, si las modalidades de una variable pueden ser combinadas.
- Asociación entre categorías de filas y columnas: Estudiar si existe relación entre categorías de las filas y columnas.
El análisis comienza transformando las frecuencias de la tabla de contingencia en porcentajes fila y columna, lo que se conoce respectivamente como perfiles fila y perfiles columna.
El análisis comienza transformando las frecuencias de la tabla de contingencia en porcentajes fila y columna, lo que se conoce respectivamente como perfiles fila y perfiles columna.
Pero cada perfil no puede tener al mismo peso en la configuración del mapa porque cada uno de ellos va asociado a un número diferente de casos. La ponderación de cada perfila lo recoge el concepto de masa.
La matriz de las distancias entre los perfiles se calcula recurriendo a las distancias chi-cuadrado entre los vectores de los perfiles fila. Una distancia chi-cuadrado es, simplemente, una distancia euclídea donde cada elemento del vector se pondera por la inversa de su masa correspondiente.
El siguiente concepto importante para la interpretación del análisis de correspondencia es el concepto de inercia, en el que concurren los dos conceptos anteriores: la masa y la distancia, no entre perfiles, sino entre cada perfil y el perfil promedio. La inercia es una medida de dispersión de los perfiles en el espacio multidimensional. Cuanto mayor sea la inercia, más alejados estarán unos de otros los puntos que representan a cada categoría de un perfil columna.
: 119 :
Cuanto más cercano esté un punto representado por un perfil fila a uno de los vértices que representan la categoría de un perfil columna, mayor asociación habrá entre las filas y las columnas asociadas, que es precisamente, el objetivo del análisis que se trata de efectuar. La inercia se calcula para cada perfil como el producto de la masa por el cuadrado de la distancia chi-cuadrado de ese perfil al perfil promedio.
Para realizar el análisis de correspondencia de manera sencilla se utilizó el software estadístico R.
Se realizaron dos aplicaciones, un Análisis de Correspondencia Simple (ACS) y un Análisis de Correspondencia Múltiple (ACM).
3. RESULTADOS 3.1. Contexto de la aplicación
Para realizar el estudio, se identificaron las redes sociales que un usuario puede emplear para afectar la reputación de una empresa, la fuerza de tal red social sobre la reputación de las empresas y las motivaciones que llevan a una persona a afectar la reputación de una empresa en redes sociales.
La base de datos que se utiliza fue obtenida a partir de un cuestionario donde cada pregunta se formuló siguiendo el criterio de que las mismas deben ayudar a cumplir los objetivos de la investigación, dichos objetivos planteados corresponden al primer paso en la construcción del cuestionario.
El segundo paso fue determinar el método de recolección de los datos, el cual resultó ser a través de Google Forms.
El tercer paso es la redacción propiamente dicha de las preguntas, las cuales tuvieron formato de abiertas, cerradas (dicotómicas y de opción múltiple) y con escalas.
Las variables que se relevaron fueron: demográficas (edad, sexo, etc.), redes sociales, actividades realizadas en redes sociales y la categorización de las personas.
La categorización de cada persona se determinó de acuerdo a su forma de interactuación con los medios sociales:
- Creadores: publican nuevo contenido con respecto a empresas; - Críticos: comentan o califican empresas; - Coleccionistas: guardan o comparten contenidos; - Adherentes: se unen a grupos; - Espectadores: son los que leen. Finalmente se aplicó el formulario y se obtuvo la base de datos con la cual se
trabajó. Está formada por 169 personas con un rango de edad entre los 19 y los 60 años, con zona de residencia en el Gran San Miguel de Tucumán, y tienen contacto con las empresas a través de las redes sociales. 3.2 Primer Estudio: Análisis de Correspondencia Simple (ACS)
Actividades (Filas) Dim 1 (X) Dim 2 (Y)
Comentar o calificar marcas o empresas -2,1 0,0
Expresar satisfacción o insatisfacción -1,0 0,6
Recomendar empresas, marcas o productos -2,1 -1,8
Publicar contenidos (fotos, videos, textos) 1,8 -1,2
Unirse a grupos de interés común 0,0 -1,9
: 120 :
-2,5
-2,0
-1,5
-1,0
-0,5
0,0
0,5
1,0
1,5
-3,0 -2,0 -1,0 0,0 1,0 2,0 3,0
Dim
2
Dim 1
Análisis de Correspondencias: Actividades en Redes Sociales-Categorización
Actividades
Categorización
Puede apreciarse en este gráfico lo siguiente:
- La actividad de comentar o calificar marcas de empresas está asociada a la categoría de críticos.
- Las actividades de hacer contacto con empresas y/o personas, compartir contenidos con amistades, informarse y seguir empresas y sus páginas tienden a ser realizadas por la categoría de espectadores.
- Las actividades unirse a grupos de interés y compartir intereses tienden a ser realizadas por la categoría de adherentes.
- Las actividades publicar contenidos y hacer reclamos tienden a ser realizadas por los creadores.
- La categoría de coleccionistas no tiende a realizar una actividad particular.
Compartir intereses -0,2 -1,7
Seguir a empresas y sus páginas 0,1 0,3
Hacer contacto con personas y/o empresas -0,6 0,9
Hacer reclamos 2,2 0,3
Efectuar consultas 0,5 0,0
Informarse 0,4 0,7
Compartir contenidos con amistades 0,4 1,2
Categorización (Columnas)
Dim 1 (X) Dim 2 (Y)
Creadores 1,7 -0,6
Críticos -1,6 -0,1
Coleccionistas -0,9 -0,8
Adherentes 0,6 -1,6
Espectadores 0,3 1,1
: 121 :
-2,0
-1,0
0,0
1,0
2,0
3,0
-5,0 -4,0 -3,0 -2,0 -1,0 0,0 1,0 2,0 3,0
Dim
2
Dim 1
Análisis de Correspondencias: Uso de Redes Sociales-Categorización
Redes Sociales
Categorización
- Las demás actividades pueden ser realizadas por cualquier categoría.
A partir de este gráfico puede determinarse lo siguiente: - Los espectadores tienden a utilizar más Facebook y YouTube. - Los creadores tienden a utilizar TripAdvisor y Linkedin. - Los adherentes tienden a utilizar Linkedin y Twitter. - Los coleccionistas tienden a utilizar Pinterest. - Los críticos no tienden a usar una red social en particular.
Categorización (Columnas)
Dim 1 (X) Dim 2 (Y)
Creadores 0,1 0,8
Críticos -0,9 1,6
Coleccionistas 1,7 -0,3
Adherentes 0,8 0,3
Espectadores -0,8 -1,1
Redes Sociales (Filas)
Dim 1 (X) Dim 2 (Y)
Facebook -0,1 -0,8
Twitter 0,2 -0,1
Instagram -0,9 0,2
Linkedin 0,7 0,7
Snapchat -4 2,6
TripAdvisor -0,5 0,8
YouTube 0,1 -0,9
Pinterest 2,2 0,3
: 122 :
3.2. Segundo Estudio: Análisis de Correspondencia Múltiple (ACM)
Para aplicar un ACM con las múltiples variables y observaciones disponibles,
se agruparon las variables.
3.2.1 Grupo 1: Nivel de Estudio-Categoría-Redes Sociales
Estos gráficos reflejan las variables con mayor contribución al modelo de
correspondencia: críticos, creadores, espectadores, Posgrado Completo, Universitario Completo y todas las redes sociales.
Los críticos se asocian con mayor fuerza con gente con un nivel de estudios universitarios completo y además frecuentan redes sociales como Instagram, Snapchat, Pinterest.
Los creadores se asocian con mayor fuerza con gente con un nivel de estudios de posgrado completo y frecuentan las redes sociales como TripAdvisor y Linkedin.
Por último los espectadores están asociados fuertemente con no frecuentar ninguna de las redes sociales mencionadas, lo que lleva a la conclusión que frecuentan Facebook, YouTube y Twitter.
: 123 :
3.2.2 Grupo 2: Nivel de Estudio-Categoría-Actividades en Redes Sociales
En este gráfico puede observarse que las variables de mayor contribución son:
críticos, universitario incompleto, posgrado completo, y las actividades de informarse, compartir intereses, comentar o calificar, efectuar consultar, recomendar.
Los críticos se asocian con mayor fuerza a las personas con un nivel de estudios universitarios incompletos y a la actividad de comentar o calificar.
Las actividades de efectuar consultas, recomendar y expresar satisfacción o insatisfacción tienen asociación entre sí.
Finalmente la gente con un posgrado tiene una asociación respecto a la actividad de informarse. 4. CONCLUSIONES
El Análisis de Correspondencia es un método estadístico multivariado de tipo
exploratorio en el caso de variables categóricas. Puede recurrirse al Análisis de Correspondencia Simple y Multivariado.
El método se aplicó a una base de datos categóricos surgidos en un estudio sobre la influencia de los medios sociales en la reputación de las empresas.
A partir de la aplicación de este método en el caso de estudio, se determinó la fuerte asociación entre los creadores y las redes sociales donde abundan profesionales como Linkedin y TripAdvisor. Otro ejemplo puede ser que los críticos tienen una asociación con las actividades de comentar y calificar.
Y en otros casos los resultados fueron más detallados, por ejemplo los críticos no se asociaban con una red social particular, pero en el segundo estudio se detectaron más asociación con Instagram, Snapchat y Pinterest.
El objetivo del trabajo DE caracterizar los perfiles de los usuarios de redes sociales que pueden influir en la reputación de las empresas, a través del análisis de correspondencia se cumplió parcialmente, ya que se obtuvo una descripción de los
: 124 :
perfiles de los usuarios de redes sociales pero respecto a algunas variables. Para tener una descripción más detallada de los perfiles de los usuarios se pueden incorporar otras variables, por ejemplo los aspectos motivacionales de los usuarios para afectar la reputación de empresas.
Por ello un paso futuro de la investigación sería incorporar esos datos a la investigación para obtener una descripción más detallada para los perfiles de usuarios de redes sociales. 5. REFERENCIAS CUADRAS C. M. (2014): Nuevos Métodos de Análisis Multivariante. Barcelona, España: CMC Editions.
PEÑA D. (2002): Análisis de Datos Multivariantes. México DF, México: Mc Graw-Hill.
URIEL E., ALDÁS J. (2005): Análisis Multivariante Aplicado. Madrid, España: Thomson.
: 125 :
CARACTERÍSTICAS DEL CONSUMO DE MEDICAMENTOS EN UNA POBLACIÓN UNIVERSITARIA
VERÓNICA MORTARA – ALICIA ZANFRILLO
Facultad de Ingeniería de la Universidad Nacional de Mar del Plata – Facultad de Ciencias Económicas y Sociales de la Universidad Nacional de Mar del Plata
[email protected] – [email protected]
RESUMEN
El consumo incorrecto de medicamentos es una tendencia global que afecta a más del 50% de los pacientes sustentado por el empleo inadecuado y la automedicación. Para impulsar estrategias que favorezcan un uso racional la Organización Mundial de la Salud manifiesta la necesidad de evaluar esta problemática a través del análisis de los tipos, el volumen y los motivos del uso irracional.
El propósito del trabajo es determinar el perfil de consumo de medicamentos por automedicación de los jóvenes afiliados a una obra social universitaria argentina en el año 2015. Se adopta una metodología cuantitativa, no experimental, transeccional, con análisis de fuentes secundarias para elaborar un ranking por acción terapéutica según el mayor volumen de ventas y posteriormente un cluster bietápico para el agrupamiento de características demográficas y de consumo.
Se observa como patrón de comportamiento generalizado la adquisición de analgésicos sin prescripción médica. Sin considerar esta acción terapéutica se distingue un perfil diferenciado de consumo de antibióticos, anticonceptivos con amplio rango de precios y antiácidos para la mayoría de la población joven, menores de 40 años, tanto hombres como mujeres, distribuidos en cinco conglomerados. Estos resultados permitirán definir lineamientos a nivel organizacional para promover conductas responsables entre los afiliados. Palabras Clave: Estadística – Medicamentos – Uso racional – Automedicación – Cluster 1. INTRODUCCIÓN
En el año 1985, en la Conferencia de Expertos en el uso racional de
medicamentos (URM), convocada por la Organización Mundial de la Salud (OMS) en Nairobi, se consensuó una definición que sigue siendo válida en términos generales hasta la actualidad: “Se precisa el uso racional de medicamentos como la condición en la que el paciente reciba la medicación adecuada a sus necesidades clínicas, en las dosis correspondientes a sus requisitos individuales, durante un período de tiempo adecuado y al mínimo costo posible para él y su comunidad”.
Hacia el año 1989 se formó la Red Internacional para el Uso Racional de Medicamentos (INRUD) con el objetivo de promover acciones destinadas a un uso más racional, esto implicó una serie de medidas para orientar el consumo de la población, advirtiendo entre un uso acorde con las necesidades de las personas y otro que se encuentra alejado de una conducta razonable por parte de los usuarios. El uso
: 126 :
irracional o no racional es la utilización de medicamentos de un modo no acorde con la definición consensuada en el año1985.
Las estadísticas de la OMS muestran que “en el mundo, más del 50% de todos los medicamentos se recetan, se dispensan o se venden de forma inadecuada. Al mismo tiempo, alrededor de un tercio de la población mundial carece de acceso a medicamentos esenciales, y el 50% de los pacientes los toman de forma incorrecta” (OMS, 2002). Los siguientes son algunos tipos frecuentes de uso irracional de medicamentos:
uso excesivo de medicinas por paciente (polifarmacia),
uso inadecuado de medicamentos antimicrobianos, en dosis incorrectas, para infecciones no bacterianas,
uso excesivo de inyecciones en casos en los que serían más adecuadas formulaciones orales,
falta de acceso a medicamentos,
automedicación inadecuada, frecuentemente con medicinas que requieren receta médica. La falta de acceso a medicamentos y las dosis inadecuadas tienen como
consecuencia alto índice de morbilidad y de mortalidad, a raíz de infecciones infantiles y enfermedades crónicas, tales como la hipertensión, la diabetes, la epilepsia o enfermedades mentales. El uso inadecuado y excesivo de medicamentos supone un desperdicio de recursos, a menudo pagados por los pacientes los cuales traen como consecuencia un considerable perjuicio sanitario y económico al paciente en cuanto a la falta de resultados positivos y a la incidencia de reacciones adversas a medicamentos.
El documento de la OMS (2002) expresa además que la evaluación del problema del uso irracional de medicinas, requiere de una supervisión regular del producto recetado, la dispensación y el uso por parte de los pacientes, y en concreto la valoración de:
los tipos de uso irracional, para que puedan aplicarse distintas estrategias a problemas específicos que evolucionan en el tiempo,
el volumen de uso irracional, para conocer el tamaño del problema y poder supervisar el impacto de las estrategias utilizadas,
los motivos por los que se utilizan de modo irracional los medicamentos, para poder así elegir estrategias adecuadas, eficaces y factibles. “A menudo existen razones perfectamente racionales para utilizar los
medicamentos de forma irracional.” Entre las causas del uso irracional se encuentra la falta de conocimientos, experiencias o información independiente, la disponibilidad sin restricciones de los medicamentos, el exceso de trabajo del personal sanitario, la promoción incorrecta de medicamentos y las ventas de medicinas cimentadas en el ánimo de lucro (OMS, 2002).
El uso racional de medicamentos es una estrategia mundial para promover el empleo adecuado de fármacos entre los profesionales de la salud y la comunidad en general. “La multi-causalidad que influye en el uso inapropiado de medicamentos obliga a considerar a cada uno de los actores en el análisis de sus determinantes, así como las políticas y leyes locales en la cual se enmarca.” Para lograr optimizar la prescripción y el consumo de los medicamentos se requiere de un grupo de acciones de comunicación, educación e información, con el objetivo de alcanzar actitudes y conductas acordes con la problemática. (García Millán, 2003).
: 127 :
La Organización Panamericana de Salud (2011) promueve el desarrollo de programas en las organizaciones vinculadas con la salud para implementar “…líneas de acción y actividades articuladas con otros sectores de las políticas públicas y programas, (…) que integre su trabajo vinculándolo con las áreas de política, regulación, gestión e investigación.” En este sentido para diseñar e implementar estrategias de marketing en el ámbito sanitario, tanto de servicios como de cambios de comportamiento, la investigación de mercados es fundamental. Permite conocer la identidad y la historia de vida de las personas a través de atributos como: género, edad, nivel de escolaridad, condición étnica, situación migratoria y nivel socioeconómico (Godás, 2006).
Por tanto se requiere de estrategias y herramientas que orienten al desarrollo hacia el bienestar de la población, que actúen en función de fomentar el URM. En esta situación se propone en una primera etapa analizar el consumo de medicamentos que realiza la población de una obra social universitaria en función de las características de los usuarios y de las adquisiciones realizadas a efectos de definir en una etapa posterior líneas de acción que orienten las estrategias de gestión y comunicación para cada segmento a fin de favorecer el uso racional de medicamentos.
2. METODOLOGÍA La investigación aborda una metodología cuantitativa a fin de describir las
características del perfil del consumo inadecuado o automedicación en la población de una obra social universitaria argentina durante el año 2015 sobre los productos de mayor venta según su acción terapéutica. La opción metodológica se basa en un estudio no experimental, de tipo descriptivo-correlacional sobre rankings de ventas y la aplicación de un cluster bi-etápico a fin de reconocer los diferentes perfiles de consumo irracional de fármacos.
La recopilación de datos se realiza a partir de las ventas efectuadas en la farmacia propia de la obra social universitaria a sus afiliados entre los 20 y los 39 años de edad, quienes son los que pueden adquirir productos en ella. Sobre el detalle total de ventas del año 2015 se seleccionan los fármacos de venta bajo receta por sobre los accesorios o productos de perfumería, eligiendo a aquellos cuyo expendio se ha realizado sin la provisión de una receta o prescripción médica por parte del afiliado, un total de 5.540 ventas. Se excluyen del análisis los medicamentos con acción terapéutica analgésicos-antinflamatorios debido a que son de consumo generalizado.
A fin de distinguir diferentes perfiles en el consumo irracional de medicamentos se aplica sobre estos registros un análisis cluster o de conglomerados, propio de grandes volúmenes de datos y del empleo conjunto de variables cualitativas y cuantitativas a fin de clasificar objetos o individuos sin conocer ex – ante el número de agrupamientos que se generarán. El propósito de la técnica consiste en la formación de grupos donde cada grupo resulte de la mayor homogeneidad posible al interior y diferenciados entre los grupos identificados. Cada individuo en este análisis representa la venta de un producto (más allá del número de unidades que se dispensen) al afiliado que lo requiera.
Se construye un modelo sobre el consumo de medicamentos sin provisión de receta médica bajo la selección de cuatro (4) variables a fin de caracterizar el dispendio a los afiliados según su género, edad, acción terapéutica y descuento otorgado por la obra social sobre el medicamento solicitado, se muestra en la Tabla 1.
: 128 :
Tabla 1: Resumen de variables de investigación
Variable Descripción Valor
Género Característica diferencial asignada a hombres y mujeres
Femenino Masculino
Rango etario
Característica relacionada con la edad de los afiliados medido en años
De 20 a 24; entre 25 y 29; entre 30 y 34 y entre 35 y 39
Acción terapéutica
Efecto de un medicamento sobre los síntomas o signos de una afección
Antiinflamatorio, antibiótico, antihipertensivo, antiulceroso, etc.
Descuento obra social
Descuento del 23% otorgado por la O.S.
Valor monetario medido en pesos argentinos
Fuente: Elaboración propia. Sobre estas variables se aplicaron los análisis estadísticos tradicionales de
asociación y correlación a fin de descartar dependencia entre ellas, encontrándose coeficientes de correlación y asociación para variables cuantitativas y cualitativas respectivamente menores a 0,02 por lo cual no existe dependencia entre las variables consideradas. El análisis para distinguir grupos homogéneos entre sí y diferenciados entre ellos es el cluster bietápico por permitir la conjunción de variables cualitativas y cuantitativas en el modelo. El cluster bietápico se basa en la ejecución de dos fases: en la primera de ellas se ejecuta una versión modificada del algoritmo de k-medias mientras que en la segunda fase y sobre los resultados obtenidos en la etapa anterior, se ejecuta un procedimiento jerárquico por conglomerados tradicional formando clusters homogéneos de sujetos. En esta última etapa para formar estos agrupamientos se combinan variables cuantitativas y cualitativas según la pertenencia a un cluster ú otro. La medida de distancia utilizada entre los conglomerados según el tipo de variables empleadas es la de log-verosimilitud. La validación se lleva a cabo a través de una matriz de confusión y el software empleado es IBM SPSS Statistics 24.0 versión de prueba. 3. RESULTADOS
La población definida para el estudio se compone de 5.540 tipos de
medicamentos expendidos durante el año 2015 de venta bajo receta sin provisión de orden médica según su acción terapéutica (en adelante nos referiremos a estos productos, fármacos o medicamentos seleccionados bajo esta consideración), según Tabla 2. Los analgésicos-antiinflamatorios, anticonceptivos, antiácidos y antibióticos auto-medicados por la población universitaria representan el 52,3% de los medicamentos provistos con el 31,1% para los que se encuentran en primer lugar. Otros medicamentos de expendio bajo receta como antiulcerosos, broncodilatador o antihistamínicos son adquiridos sin dicha prescripción.
Los fármacos de acción terapéutica analgésico-antiinflamatorio, anticonceptivo, antiácido y antibiótico representan el 55,3% del importe abonado por la población en estudio bajo la modalidad de venta sin prescripción médica. Tres son los medicamentos con los mayores descuentos realizados por la O.S. para sus afiliados: analgésicos-antiespasmódicos, analgésicos-antiinflamatorios-antifebril y antiácidos. Dadas las características de la cobertura significa que en estas acciones los usuarios realizan elecciones sobre los productos de menor valor de mercado oponiéndose a la
: 129 :
conducta sobre hipoalergénicos, antibióticos y antianémicos adquiriendo los de mayor valor de venta. Según la acción terapéutica se observa una predominancia en el primer puesto de los analgésicos-antiinflamatorios seguida por anticonceptivos, antiácidos –con mayor número de unidades vendidas- y los antibióticos en cuarto lugar. La relación entre las unidades dispensadas por tipo de medicamento resulta en promedio de 1,3 es decir existe una tendencia a llevar más de una unidad del producto, esta relación se acrecienta para los antiácidos y analgésicos descongestivos en aproximadamente 3 unidades y 2 unidades para los analgésicos antifebriles.
Tabla 2: Ranking de medicamentos consumidos por la población joven sin
provisión de prescripción médica. 2015
Posi-ción
Acción Terapéutica N° de
medicamen-tos solicitados
Importe a cargo
afiliado
Descuento O.S.
N° de unida-
des
1 ANALGÉSICO ANTIINFLAMATORIO
1019 30.863,43 8.946,63 1.057
2 ANTICONCEPTIVO 305 30.133,13 6.763,06 323
3 ANTIÁCIDO 177 3.218,08 977,54 683
4 ANTIBIÓTICO 159 12.137,85 2.275,33 174
5 ANALGÉSICO ANTIINFL. ANTIFEBRIL
158 4.393,82 1.339,06 162
6 ANALGÉSICO DESCONGESTIVO
151 3.506,91 1.047,51 349
7 TERAPÉUTICA TIROIDEA 150 8.585,97 1.929,43 159
8 ANALGÉSICO ANTIFEBRIL 126 2.721,02 739,11 282
9 VITAMÍNICO 115 8.209,64 2.297,73 124
10 ANTIMICÓTICO TÓPICO 100 4.794,25 1.334,48 103
11 ANALGÉSICO ANTIESPASMÓDICO 95
2.985,86 1.076,04 100
12 ANTIHISTAMÍNICO 86 2.915,92 777,11 89
13 ANTIMIGRAÑOSO 86 4.568,45 1.297,66 88
14 ANTICARIOGÉNICO 75 2.697,73 805,79 80
15 ANTIANÉMICO 70 3.963,54 803,63 73
16 HIPOALERGÉNICO 67 2.031,90 60,74 71
17 ANTIESPASMÓDICO 65 1.602,82 474,89 66
18 DESCONGESTIVO OFTÁLMICO 60
2.301,97 632,66 60
19 BRONCODILATADOR 58 3.317,84 847,89 61
20 LUBRICANTE OCULAR 54 3.157,64 937,87 55
Fuente: Elaboración propia.
: 130 :
3.1. Análisis cluster
El análisis en dos pasos efectuado sobre la población universitaria joven de
consumo de medicamentos sin provisión de receta médica ha permitido definir cinco (5) conglomerados que se presentan en la Figura 1, con el 27,0%, el 15,3%, el 30,1%, el 13,3% y el 14,3% de tipos de medicamentos vendidos en cada uno de ellos. El modelo tiene una confiabilidad del 80%. La importancia de las variables en el reconocimiento de los agrupamientos se centra en primer lugar en el género (1,0) y el rango etario (0,8) seguido en menor medida por la acción terapéutica (0,37) y una mínima presencia del descuento otorgado por la O.S. en último lugar (0,05).
Conglomerados
Conglomerado
3 1 2 5 4
Etiqueta
Adultos varones de alto consumo
Adultos mujeres de alto consumo
Mujeres adultas jóvenes de consumo medio
Mujeres jóvenes con alto consumo
Varones adultos jóvenes con consumo medio
Descripción
Adultos varones con consumo de antibióticos
Mujeres adultas con consumo de anticoncepti-vos
Mujeres jóvenes adultas con consumo de anticoncepti-vos económicos
Mujeres jóvenes con consumo de anticoncepti-vos de mayor valor
Varones adultos jóvenes con consumo de antiácidos
Tamaño
30,1% (1665)
27,0% (1497)
15,3% (848)
14,3% (791)
13,3% (739)
Entradas
Género
Masculino (100,0%)
Género
Femenino (100,0%)
Género
Femenino (100,0%)
Género
Femenino (67,5%)
Género
Masculino (100,0%)
Rango etario 4 (100,0%)
Rango etario 4 (100,0%)
Rango etario 3 (100,0%)
Rango etario
2 (82,2%)
Rango etario 3 (100,0%)
Acción
terapéutica 4 (3,3 %)
Acción
terapéutica 36 (4,9%)
Acción
terapéutica 36 (7,0%)
Acción
terapéutica 36 (11,3%)
Acción
terapéutica 25 (5,7%)
Dto. OS 21,68
Dto. OS 22,97
Dto. OS 22,22
Dto. OS 60,43
Dto. OS 19,98
Figura 1: Descripción de los conglomerados de la población universitaria joven en el consumo de fármacos sin prescripción médica.
Fuente: Elaboración propia.
: 131 :
El primer cluster que reúne 1.665 casos con el 30,1% se distingue mayoritariamente por su composición de género masculino, el rango etario entre 35 y 39 años, los productos de acción terapéutica antibióticos y un valor de descuento otorgado por la O.S. cuya media corresponde a $21,68. Son los adultos varones jóvenes que adquieren antibióticos en gran proporción en la muestra analizada. El segundo cluster formado por 1.497 casos con el 27% incorpora a las mujeres entre 35 y 39 años que adquieren anticonceptivos con un descuento centrado en el valor de $22,97. Son las mujeres adultas que adquieren anticonceptivos. El tercer cluster se determina por 848 casos con el 15,3% con mujeres entre 30 y 34 años de edad que consumen anticonceptivos en mayor medida con un descuento menor que el anterior cluster, un valor medio de $22,2. Son mujeres adultas jóvenes que consumen anticonceptivos de menor valor. El cuarto cluster se compone de 791 casos con el 14,3% de la muestra analizada, son en gran parte mujeres jóvenes entre 25 y 29 años de edad que consumen anticonceptivos con un mayor descuento otorgado por la O.S., esto significa que se adquieren los productos de mayor valor en el mercado. El quinto cluster abarca 739 casos con el 13,3% correspondiente a adultos varones entre 30 y 34 años de edad que consumen antiácidos con un valor medio de descuento otorgado por la O.S. de $19,98. 4. CONCLUSIONES
En concordancia con las estadísticas nacionales se observa en la población universitaria en estudio un consumo generalizado de analgésicos. Esta situación transforma en constante la presencia del fármaco en las diferentes caracterizaciones de consumo y lleva a una especial consideración para un consumo responsable en la definición de campañas de promoción responsable de los tratamientos terapéuticos con este tipo de fármacos.
La identificación de perfiles de consumo se realizó sobre la población joven de una obra social universitaria dado el mayor consumo de este colectivo bajo la modalidad de venta sin prescripción médica. Esto permite reconocer conjuntos de características basadas en el género, la edad y la acción terapéutica con mayor relevancia entre los jóvenes y adultos jóvenes tanto hombres como mujeres sobre antibióticos, anticonceptivos y antiácidos con diferentes selecciones sobre marca del producto constituyendo un tercio del total de productos que se consumieron durante el año 2015 en estas condiciones.
El conocimiento sobre el consumo por automedicación o consumo sin prescripción médica permite definir lineamientos para promover el uso adecuado de fármacos en la población de jóvenes y adultos jóvenes universitarios. Dado que el consumo no responsable de estos productos se transforma en un hecho habitual, ya sea por desconocimiento o por un uso inadecuado, esta situación genera una serie de riesgos tanto para el que los consume como para la comunidad que lo rodea, por ello es necesaria aplicar una política diferenciada según los hábitos de consumo de cada segmento de la población considerada.
La optimización del expendio de fármacos resulta así una estrategia de gran interés para colaborar en el cumplimiento de los objetivos propuestos en la obra social universitaria como organización sin fines de lucro respecto del mayor bienestar a sus afiliados. Esto supone el desarrollo futuro de acciones formativas y participativas para
: 132 :
propiciar el cambio de conductas en los usuarios. Dado el alarmante uso indebido y abuso que se realiza en nuestro país de los
medicamentos, reconocido como causante de mortalidad e internaciones hospitalarias por intoxicación, la importancia de este tipo de estudios se asienta en impulsar un cambio cultural en el consumo, donde los actores del sistema sanitario participen activamente con un creciente control sobre sus decisiones y con mayor responsabilidad sobre los tratamientos terapéuticos a base de medicamentos. 5. REFERENCIAS GARCÍA MILLÁN ANA JULIA (2003): “Estrategia para lograr un uso racional de los medicamentos” Programa para el uso racional de medicamentos. Revista cubana de medicina General Integral vol. 9; núm.2, La Habana. GARCÍA MILLÁN ANA JULIA, ALONSO CARBONELL LIUBA, LÓPEZ PUIG PEDRO, PRIEGO ÄLVAREZ HEBERTO R. (2012): “Segmentación del mercado farmacéutico consumidor de medicamentos en Cuba”. Revista Salud en Tabasco, vol.18, núm. 1, pp.8-13. Secretaría de Salud del Estado de Tabasco, México. GODÁS LUIS (2006): “Segmentación de mercado en la oficina de farmacia; Requisitos, criterios, métodos y aplicación.” Ámbito Farmacéutico, gestión farmacéutica. vol. 25; núm. 2, Barcelona, España. ORGANIZACIÓN MUNDIAL DE LA SALUD (OMS) (2002): “Perspectivas políticas sobre medicamentos de la OMS, Promoción del uso racional de medicamentos: componentes centrales”. Ginebra. ORGANIZACIÓN PANAMERICANA DE LA SALUD OMS (2011):”Propuesta regional para la implementación de una estrategia nacional de uso racional de medicamentos”. Documento de OPS; OMS, pp.12. RAMOS GONZALO y OLIVARES GUILLERMO (2010): “Uso racional de medicamentos: Una tarea de todos”. Dpto. Políticas Farmacéuticas y Profesiones médicas; División de políticas públicas saludables y promoción; Subsecretaría de Salud pública; Chile. RUBIO HURTADO M.J., y VILÀ BAÑOS R. (2017): “El análisis de conglomerados bietápico o en dos fases con SPSS”. R E I R E. Revista d ’Innovació i Recerca en Educació, vol.10; núm1, pp.118-126. Barcelona, España.
: 133 :
ESCALAS DE LIKERT UN ESTUDIO DE SU USO EN TRABAJOS DE APRENDIZAJE ORGANIZACIONAL
MARÍA DEL CARMEN ROMERO – MARÍA I. CAMIO – MARÍA B. ÁLVAREZ
Centro de Estudios en Administración, Facultad de Ciencias Económicas, UNICEN - Centro de Estudios en Administración, Facultad de Ciencias Económicas, UNICEN - CEA, CONICET, FCE, UNICEN (Pinto 399) Tandil,
Buenos Aires, Argentina [email protected] – [email protected] – [email protected]
1. RESUMEN
El Aprendizaje Organizacional (AO) es considerada una variable clave para explicar por qué unas empresas obtienen mejores resultados que otras. Templeton, Lewis y Snyder (2002) lo definen como un conjunto de acciones dentro de la organización (ejemplo, adquisición de conocimiento) que tanto intencional como involuntariamente influyen en un cambio organizacional positivo.
El proyecto de investigación “Gestión del aprendizaje: capacidades, competencias y procesos” del Centro de Estudios en Administración (Facultad de Ciencias Económicas, UNICEN) tiene como objetivo la construcción de un modelo compuesto por las capacidades, competencias y procesos considerados clave para el estudio y la medición del AO.
En el año 2017, se realizó una revisión bibliográfica para relevar el estado del arte respecto de los aspectos importantes en la medición del AO, y la forma de medición. Se seleccionaron 46 artículos (Scopus: 25, Google académico: 11, por conveniencia: 10) con la clave de búsqueda “Organizational learning + measurement”. Del total, 27 plantean cuestiones empíricas, de los cuales 17 (62.96%) trabajan con escala de Likert.
El método propuesto por Likert (1932) implica el relevamiento de la reacción de un sujeto a una serie de ítems, cada uno de los cuales expresa la actitud subyacente que quiere medirse, y a los que el sujeto responde indicando su grado de acuerdo (Baranger, 1992).
El objetivo del presente trabajo es analizar el uso de esta escala para la medición del AO en las publicaciones seleccionadas (que declaran usar escalas de Likert).
Los principales problemas detectados son: la escasez de ítems para “medir” una actitud, la no construcción de una escala en términos de la metodología planteada y la realización de un análisis estadístico por ítem (mediante una asignación numérica a las respuestas ordinales) sin tener en cuenta que forman parte de un “aspecto” más general. Palabras Clave: Likert – Escalas – Aprendizaje organizacional
2. REFERENCIAS
ALEGRE J., CHIVA R. (2008): “Assessing the impact of organizational learning capability on product innovation performance: An empirical test”. Technovation, 28(6), 315–326.
: 134 :
BARANGER D. (1992): Construcción y análisis de datos. Una introducción al uso de técnicas cuantitativas en la Investigación Social. Editorial Universitaria. 146 páginas. LIKERT R. (1932): “A technique for the measurement of attitudes”. Archivos de Psicología, 140, 5-55. NAICKER V., OMER N. (2015): “Measurement and Determining Factors Affecting the Level of Knowledge Management”. The Electronic Journal of Information Systems in Developing Countries. 68(8), 1–20. TEMPLETON G. F., LEWIS B. R., SNYDER C. A. (2002): “Development of a Measure for the Organizational Learning Construct”. Journal of Management Information Systems, 19(2), 175–218.
: 135 :
CÁLCULO DE PARÁMETROS REGULARIZACIÓN DE TIKHONOV EN IDENTIFICACIÓN DE SISTEMAS LINEALES
RODOLFO H. RODRIGO - DANIEL H. PATIÑO - GUSTAVO SCHWEICKARDT – JUAN M. GIMÉNEZ ÁLVAREZ
Depto. Electromecánica Ing. UNSJ – Instituto de Automática UNSJ – CONICET/Universidad Tecnológica Nacional – CONICET/Universidad Nacional de San Juan
[email protected] - [email protected] [email protected] - [email protected]
1. RESUMEN
La identificación de parámetros de un sistema lineal, a menudo deriva en
problemas de resolución de sistemas lineales mal condicionados. En tales circunstancias, puede aplicarse la regularización de Tikhonov clásica.
Los métodos de regularización requieren la determinación de parámetros específicos, los cuales incorporan información, como el tipo de función de densidad de probabilidad de la perturbación. Para la regularización clásica de Tikhonov la literatura ha propuesto variados métodos, estos se basan en hipótesis de normalidad y esperanza nula de la perturbación.
En esta propuesta se asume la hipótesis que la función de densidad de la perturbación está acotada por un intervalo. Esta información adicional permite construir en un modelo lineal, un politopo en el dominio donde se encuentre la solución; el centro de este, es una solución aproximada, lo cual nos da el primer parámetro requerido 𝕩0. El parámetro de regularización 𝜆, se ajusta de manera tal que
no salga del politopo 𝕩𝑚𝑎𝑥, con lo que se tiene un intervalo de confianza en la solución independiente de consideraciones respecto de la distribución de probabilidad de la perturbación.
Palabras Clave: Simulación – Identificación – Regularización – Filtros – Intervalos 2. REFERENCIAS GARCÍA FERREIRA S. (2010): Ultrafiltros sobre N y Sistemas Dinámicos Discretos. Ediciones IVIC, Mathematics Subject Classification: 54G20, 54D80, 22A99, ISBN 978-980-261-123-2. HANSEN C. (2008): Regularization tools. A Matlab package for analysis and solution of discrete ill posed problems, University of Denmark Lyngby, report march 2008. REICHEL L., RODRIGUEZ G. (2012): “Old and new parameter choice rules for discrete ill-posed problems”, Numer Algor (2013) 63:65–87. Springer Science+Business Media, LLC 2012.
TIKHONOV A.N. (1973): “On regularization of ill-posed problems”. Doklady Akademii Nauk USSR, vol. 153, pp. 49–52. TIKHONOV A.N., GONCHARSKY A.V., STEPANOV V.V., YAGOLA A.G. (1995): Numerical Methods for the Solution of Ill-Posed Problems. Kluwer Academic Publishers.
: 136 :
DETERMINACIÓN DE PATRONES DE COMPORTAMIENTO EN LOS USUARIOS DEL SISTEMA PÚBLICO DE BICICLETAS DE LA CIUDAD DE
BUENOS AIRES
ARIEL COHEN Facultad de Ingeniería - UBA
1. RESUMEN
En el trabajo se plantea el interrogante de si se pueden agrupar en clusters los
usuarios del sistema de bicicletas públicas de la ciudad de Buenos Aires a partir de sus comportamientos, siendo éste un enfoque complementario al modelado de un sistema con flujos entre estaciones. Entender el comportamiento permite mejorar la comunicación, establecer una política de precios óptima y asociar comportamientos humanos con estaciones o regiones de la ciudad.
Se combinó la información de los recorridos con información geográfica de las estaciones e información climática y se procedió a crear vectores que describan a cada usuario. Luego se ortogonalizaron las variables a partir del método de componentes principales y se procedió a buscar los grupos con los métodos de clustering jerárquico y no jerarquico (k-medias). Finalmente se analizan las características distintivas de cada grupo y se los compara.
Se identificaron 7 grupos, los cuáles son descriptos en función de las variables que componen el vector usuario, cada uno tiene distinta magnitud y aportan de forma heterogénea al total de recorridos realizados. Las variables que mejor describen cada grupo son la franja horaria de uso y el tipo de día (hábil o no). Los viajes acumulados por usuario responden a una distribución Pareto. También se determinó la distribución del tiempo de uso como lognormal. Finalmente, se asociaron distintos puntos de la ciudad con algunos de los clusters y se observa cierta sensibilidad de los usuarios a la temperatura.
Palabras Clave: Estadística – Clustering – Movilidad – Comportamiento
2. REFERENCIAS
GARCIA R.M. (2004): Inferencia Estadística y Diseño de Experimentos. Eudeba, Buenos Aires, Argentina. OUKHELLOU L, COME E. (2013): “Analyse de données de mobilité :Cas des systèmes de vélos en libre (VLS) ”. Laboratoire Grettia, IFFSTAR-COSYS. Versión obtenida el 3/5/2017. http://actionsincitatives.ifsttar.fr/fileadmin/uploads/recherches/geri/animatic/sem7juin13/OukhellouCome.pdf PEÑA D. (2002): Análisis de datos multivariantes. McGrawHill.
: 137 :
APLICACIÓN DE ANÁLISIS MULTIVARIADO EN LA CLASIFICACIÓN DE PUNTAS LÍTICAS
ALICIA B. HERNÁNDEZ1,2 - LILIANA A. GARCÍA2 - M. DE LA PAZ GUILLON2
1Facultad Regional Bahía Blanca - Universidad Tecnológica Nacional 2Departamento de Matemática - Universidad Nacional del Sur
[email protected] - [email protected] - [email protected]
1. RESUMEN El análisis multivariado es la parte de la estadística y del análisis de datos que
estudia, analiza, representa e interpreta los datos que resultan de observar más de una variable estadística sobre una muestra de individuos.
Al observar muchas variables sobre una muestra es presumible que una parte de la información recogida pueda ser redundante o excesiva, en cuyo caso se puede reducir la dimensión del número de variables consideradas originalmente mediante análisis de componentes principales, factorial, de correspondencias, etc. Por otro lado, los individuos de la muestra pueden presentar ciertas características comunes en sus respuestas, y mediante los métodos de clasificación como análisis de clúster y análisis discriminante, se puede intentar su clasificación en grupos de cierta homogeneidad.
En la pampa bonaerense se han hallado en diferentes sitios puntas líticas (instrumentos tallados en piedra, utilizados como extremidad de una flecha, lanza u otra arma de combate o caza), provenientes de distintas épocas (que van desde ca. 12.000 años AP, hasta momentos previos al contacto con los europeos), con características tecno-morfológicas variadas. Considerando cada una de estas características como una variable estadística, el estudio de las puntas es un caso de análisis de datos multivariado.
El objetivo de este trabajo es presentar la caracterización, mediante la aplicación de técnicas multivariadas, de un conjunto de 35 puntas líticas, provenientes de ocho sitios del sudoeste bonaerense, a través de cuatro variables correlacionadas: longitud, ancho, espesor y peso.
La aplicación del análisis de componentes principales permite concluir que ancho y espesor son las variables que más contribuyen en la caracterización de las puntas. La utilización del análisis de clúster lleva a la clasificación de las puntas en tres grupos homogéneos, lo cual es de interés, pues posibilita inferir que las diferencias entre grupos se relacionan con la presencia de diferentes sistemas de armas. Palabras Clave: Estadística – Análisis multivariado – Componentes principales – Análisis de clúster – Puntas líticas 2. REFERENCIAS CUADRAS, CARLES M. (2014): Nuevos métodos de Análisis Multivariante. CMC Editions, Manacor, Barcelona, España. FERNÁNDEZ MARTÍNEZ, VÍCTOR M. (2015): Arqueo – Estadística. Métodos Cuantitativos en Arqueología. Alianza Editorial. Madrid, España.
: 138 :
GUISANDE GONZÁLEZ, C.; VAAMONDE LISTE, A. Y BARREIRO FELPETO, A. (2011): Tratamientos de datos con R, STATISTICA y SPSS. Ed. Díaz de Santos, España. PÉREZ LÓPEZ, CÉSAR (2008): Técnicas de Análisis Multivariante de datos. Aplicaciones con SPSS. Ed. Pearson Educación, Madrid, España. MCGARIGAL, K. CUSHMAN, S Y STAFFORD, S. (2002): Multivariate Statistics for Wildlife and Ecology Research. Springer, New York, USA.
: 139 :
DETERMINACIÓN DE PERFILES DE PACIENTES CON INTERNACIONES INADECUADAS COMO HERRAMIENTA DE APOYO PARA LA TOMA DE
DECISIONES EN EL SECTOR SALUD
FERNANDA S. VILLARREAL1,2 – MARÍA V.PISANI1 – ALICIA E. QUINTANA1 – MARÍA E. ELORZA2, 3 1Departamento de Matemática- Universidad Nacional del Sur; 2Instituto de Investigaciones Económicas y
Sociales del Sur (CONICET-UNS); 3Departamento de Economía- Universidad Nacional del Sur [email protected] [email protected] [email protected] [email protected]
1. RESUMEN
Las internaciones hospitalarias que se prolongan de forma inadecuada constituyen una problemática para los hospitales, afectando la calidad de atención y el uso eficiente de recursos. La literatura identifica cuatro grupos de causas, según la responsabilidad provenga de: la gestión hospitalaria, el equipo de salud, la familia del paciente y/o el sistema de salud.
Ante la sospecha de que dichas causas estarían asociadas con cierto perfil de pacientes, se propuso encontrar grupos de pacientes internamente homogéneos y externamente heterogéneos, de acuerdo con ciertas variables de interés.
La metodología empleada fue un análisis de clúster bietápico de los casos de pacientes con internaciones inadecuadas durante 2012 en un hospital público de Bahía Blanca (Buenos Aires). Las variables seleccionadas fueron: edad; cobertura de salud; patología al egreso; servicio de internación. Se evaluó la existencia de correlación entre las variables, la presencia de outliers y se eligió el mejor modelo utilizando el software IBM SPSS Statistics v.19. Se compararon, entre grupos, las variables: días de internación inadecuados y causa de internación inadecuada mediante las pruebas U de Mann-Whitney y exacta de Fisher, respectivamente.
Entre los resultados se destacan: i) identificación de 4 grupos balanceados y caracterizados como: a) jóvenes en servicio quirúrgico sin cobertura de salud con patología “causas externas”; b) mayores en servicio quirúrgico con PAMI con patología “causas externas”; c) mayores en clínica con PAMI con “otras patologías” y d) adultos en clínica sin cobertura de salud con “otras patologías”; y ii) diferencias estadísticamente significativas en la distribución del tiempo de internación inadecuada entre los grupos y en las causas que la generaron para los pacientes de los grupos a y b.
La utilidad de este tipo de análisis es generar información que permita a los gestores focalizar sus medidas de monitoreo en aquellos servicios que requieran minimizar los potenciales días de internación inadecuados.
Palabras Clave: Estadística– Análisis de clúster bietápico – Gestión hospitalaria – Tiempo de Internación inadecuado
2. REFERENCIAS CHIU T., FANG D., CHEN J., WANGY., JERIS C. (2001): “A robust and scalable clustering algorithm for mixed type attributes in large database environment”. Proceedings of 7th ACM SIGKDD international conference on knowledge discovery
: 140 :
and data mining, pp. 263-268.
ELORZA M. E., RIPARI N. V., CRUCIANI F., MOSCOSO N.S., GULLACE M. E. (2012): “Clasificación de las causas que determinan estadía inadecuada útil para la gestión hospitalaria”. Revista Cubana de Salud Pública, vol. 38, pp. 581-91. GUISANDE GONZÁLEZ C., VAAMONDE LISTE A., BARREIRO FELPETO A. (2011): Tratamiento de datos con R, STATISTICA Y SPSS. Ediciones Díaz de Santos. España. PÉREZ LÓPEZ C. (2004): Técnicas de análisis multivariante de datos. Aplicaciones con SPSS. Pearson Educación S.A. Madrid, España. RUBIO HURTADO M. J. Y VILÀ BAÑOS R. (2017): “El análisis de conglomerados bietápico o en dos fases con SPSS”. REIRE. Revista d’Innovació i Recerca en Educació, vol. 10, num. 1, pp. 118-126.
: 141 :
CLASIFICACIÓN DE EMPRESAS QUE COTIZAN EN EL MERCADO DE VALORES ARGENTINO SEGÚN SU RIESGO CREDITICIO
MARIANA FUNES – MARÍA INES STIMOLO – JOSEFINA RACAGNI– HERNÁN GUEVEL
Facultad de Ciencias Económicas UNC [email protected] – [email protected] – [email protected] – [email protected]
1. RESUMEN
En un ambiente financiero y económico cada vez más complejo, el riesgo crediticio, tanto desde el punto de vista de las entidades financieras que obtienen su rentabilidad en función de las operaciones que ofrecen a sus clientes, como del de las empresas que requieren financiamiento para sus planes de inversión, necesita basarse en herramientas eficientes que permitan valorarlo adecuadamente.
La Comunicación A5998 del Banco Central de la República Argentina (BCRA) recomienda desarrollar procedimientos de análisis de cartera que aseguren un estudio adecuado de la situación económica y financiera del deudor y una revisión periódica de su situación en cuanto las condiciones objetivas y subjetivas de los riesgos asumidos.
La principal fuente de información de las empresas son sus estados financieros, a partir de cuyas cuentas se calculan determinadas razones que constituyen los factores predictivos más ampliamente usados para evaluar los riesgos de incumplimiento temporal y permanente, dado que esta información está disponible públicamente.
En este trabajo, a partir de los estados financieros publicados en el período 2012-2015 por un grupo de empresas que cotizan en el mercado de valores argentino, aplicamos técnicas de clasificación que permiten distinguir grupos de empresas según su calidad crediticia.
Palabras Clave: Riesgo crediticio – Clasificación – Empresas – Estados financieros
2. REFERENCIAS
BANCO CENTRAL DE LA REPÚBLICA ARGENTINA (2016): Comunicación A5998: Clasificación de Deudores.
COOPER W., SEIFORD L. M. Y TONE K. (2007): “Data Envelopment Analysis: A Comprehensive Text with Models, Applications, References and DEA-Solver Software. Springer.
HERNÁNDEZ CORRALES, L.; MENESES CERÓN, L. A. y BENAVIDES, J. (2005): “Desarrollo de una Metodología Propia de Análisis de Crédito Empresarial en una Entidad Financiera”. Estudios Gerenciales N° 97, Octubre – Diciembre, pp. 129-165.
KONDO, Y. (2011): Robustificaiton of the sparse K-means clustering algorithm. MSc. Thesis, University of British Columbia. Canada.
: 142 :
ZOPOUNIDIS, C.; DOUMPOS, M. (1999): “A Multicriteria Decision Aid Methodology for Sorting Decision Problems: The Case of Financial Distress”. Computational Economics; Dec., 14, 3, pp. 197-218.
: 143 :
ESTUDIO CUANTITATIVO COMPARATIVO DE LAS HABILIDADES DE METAHEURÍSTICAS X-PSO MULTIOBJETIVO MEDIANTE INDICADORES
DE INTELIGENCIA DE GRUPO APLICACIÓN EN LA OPTIMIZACIÓN DE LA CONFIABILIDAD DE REDES
ELÉCTRICAS DE MEDIA TENSIÓN
CARLOS A. CASANOVA – GUSTAVO A. SCHWEICKARDT – FEDERIGO G. CAMARGO
CONICET – UTN Facultad Regional Concepción del Uruguay [email protected] – [email protected] – [email protected]
RESUMEN
Este trabajo presenta un análisis cuantitativo del comportamiento de
metaheurísticas referidas como X-PSO formas multiobjetivo (X-FPSO) recurriendo al concepto de Inteligencia de Grupo (IG). Este análisis profundiza los estudios realizados por los autores presentados en otros trabajos. Se incluye la formulación de un indicador de habilidad media en cada principio de inteligencia de grupo, el cual caracteriza la ejecución completa de cada metaheurística, y a la vez permite comparar las habilidades exhibidas por cada una. El análisis se realiza sobre dos variantes de la metaheurística PSO original: la FPSO con Factor de Constricción y Topología de Comunicación entre partículas Estrella Global Determinística (FPSO FC DS), y la FEPSO con Topología de Comunicación Estrella Global Determinística (FPSO DS). Se presenta una simulación en el contexto de la resolución de un problema de optimización combinatoria, considerado en trabajos previos como estudio de caso: la Optimización de la Confiabilidad en Sistemas de Distribución de Energía Eléctrica de Media Tensión por ubicación de Equipos de Seccionamiento/Protección (SP).
Palabras Clave: Optimización – Inteligencia de Grupo – Metaheurísticas – Enjambre de Partículas. 1. INTRODUCCIÓN
El objetivo central del presente trabajo consiste en realizar un análisis
cuantitativo sobre las habilidades exhibidas por dos metaheurísticas, variantes de la PSO, en los principios de inteligencia de grupo. Un análisis similar fue presentado por los autores en (Casanova y Schweickardt, 2016a, 2016b), aplicado a una instancia representante del problema del Balance de Cargas en Sistemas de Distribución de Energía Eléctrica (SDEE) de Baja Tensión. El estudio presentado en este trabajo se realiza sobre una instancia del problema de la Optimización de la Confiabilidad en SDEEs de Media Tensión, también resuelto previamente por los autores en (Camargo, Schweickardt, y Casanova, 2018), con un doble propósito: (a) por un lado, comparar dos formas X-FPSO entre sí para determinar la más hábil en cada principio cuando se la aplica a este problema; y (b) comparar si el análisis realizado anteriormente se mantiene, al analizar un problema distinto pero que pertenece a la misma clase de problemas. Esta clase fue definida por los autores y agrupa problemas de la Economía Computacional de Regulación de Redes Eléctricas (ECRRE) que comparten características clave: variables de decisión discretas, espacio de búsqueda
: 144 :
combinatorio, múltiples objetivos, y preferencias entre objetivos dominadas por incertidumbres fundamental de valor.
El trabajo se estructura como sigue. En la sección 1.1 se describe brevemente el problema de optimización combinatoria considerado en este trabajo. En la sección 2 se describe la metaheurística PSO y las variantes consideradas. En la sección 3 se presenta el tópico de la Inteligencia de Grupo y se presentan los indicadores formulados para realizar la medición instantánea (esto es, en cada iteración) de la habilidad en cada principio. En la sección 3.1 se presenta el indicador de habilidad media, un novedoso aporte de este trabajo. La sección 4 presenta el análisis propiamente dicho y en la sección 5 se realizan las conclusiones más relevantes. Finalmente, en la sección 6 se presentan las tablas y figuras, y la sección 7 recoge las referencias bibliográficas utilizadas.
1.1. El problema de la Optimización de la Confiabilidad en Media Tensión
En los últimos años, a partir de que la reforma eléctrica es aplicada al
segmento de distribución, comienzan a exigirse desde los cuerpos regulatorios determinados Índices de Confiabilidad (referida, básicamente, a la continuidad del suministro) teóricamente fundados en la maximización del beneficio de los agentes que integran el sistema (monopolista-distribuidor y clientes). Desde este enfoque, el problema de diseño pasa a ser de naturaleza económica. Al conferirle esta dimensión, en el contexto de maximización establecido, se entiende que los costos económicos de la confiabilidad deben ser mínimos.
A estos efectos, el problema de optimización de la confiabilidad en una red de media tensión (MT) consiste en la ubicación de equipos de seccionamiento/protección (SP) de manera de obtener los mejores índices de confiabilidad (Energía No Suministrada, Cantidad y Duración de las Interrupciones) en la red con el mínimo costo de adquisición y mantenimiento de los equipos. Para mayor información sobre este problema se invita a consultar la referencia (Camargo, Schweickardt, y Casanova, 2018), la cual también posee información acerca de la instancia del problema considerada en este trabajo.
2. LA METAHEURÍSTICA PSO Y LAS FORMAS X-FPSO CONSIDERADAS
El algoritmo PSO es una metaheurística poblacional, esto es, mantiene en
cada iteración un conjunto (enjambre) de soluciones candidatas llamadas partículas, las cuales se mueven por el espacio de soluciones. El movimiento, es decir, el cambio de posición, se realiza mediante una ecuación de movimiento, la cual rige el movimiento de las partículas a través del espacio. La regla de movimiento es una forma de perturbación de la solución, por lo que esta metaheurística es también del tipo perturbativa (en contraposición a las constructivas). Cada partícula cuenta con acceso a una función de aptitud, la cual mide constituye una medida de eficiencia de la posición actual de cada partícula, y es el objetivo que se desea optimizar.
Brevemente, cada partícula i en la iteración k+1 cambia su posición Xi[k+1]
aplicando la velocidad Vi[k+1], calculada según la regla de movimiento:
Vi[k+1] = Vi
[k] + wC x (r1[k]) x [bi
[k] – Xi[k]] + wS x (r2
[k]) x [bG[k] – Xi
[k]] (1) donde bi
[k] simboliza la mejor posición alcanzada por la partícula en iteraciones anteriores, bG
[k] es la mejor posición alcanzada por todo el enjambre en iteraciones anteriores, r1 y r2 son números aleatorios distribuidos uniformemente en el intervalo [0,1], y wc y ws son constantes predeterminadas (parámetros del algoritmo). Los tres
: 145 :
términos de la ecuación de movimiento representan, en orden, inercia, memoria y cooperación.
La posición Xi[k+1] se modifica de la siguiente manera:
Xi[k+1] = Xi
[k] + Vi[k+1] (2)
Numerosas variantes de este PSO original se han formulado, buscando propiciar distintos tipos de comportamiento del enjambre, según el criterio del usuario/programador. Aquellas variantes se denominan X-PSO formas, y cuando son extendidas al dominio multiobjetivo mediante Conjuntos Difusos (Fuzzy Sets) las mismas son llamadas X-FPSO formas. En este trabajo se utilizan dos X-FPSO formas que han sido aplicadas extensamente por los autores: la FPSO con factor de constricción, presentada en (Clerc y Kennedy, 2002), formulada para propiciar la convergencia, y la FEPSO, presentada en (Miranda, Keko, y Jaramillo, 2007), formulada en pos de la autoadaptación de sus parámetros (principalmente, las constantes cognitiva y social), basándose en estrategias evolutivas.
3. INDICADORES DE INTELIGENCIA DE GRUPO
El término Inteligencia de Grupo (Swarm Intelligence) fue introducido en (Beni y
Wang, 1989). Allí el concepto es utilizado para describir el comportamiento de los autómatas celulares, que exhiben características similares a las observables en ciertos sistemas biológicos, tales como los insectos. En (Millonas, 1994) se enuncian cinco principios, llamados Principios de Inteligencia de Grupo, los cuales fueron tomados por los autores para enunciar Indicadores de Inteligencia de Grupo (IIG), uno por cada principio. Tales indicadores se muestran en la Tabla 1, y pueden consultarse en la referencia (Casanova y Schweickardt, 2016b). El objetivo buscado con la formulación de estos indicadores es el análisis de las habilidades de distintas estrategias metaheurísticas, buscando describir las diferencias de comportamiento de las mismas. Todos los indicadores están normalizados en el intervalo [0,1], siendo 0 el valor de mínima habilidad y 1 el de máxima habilidad en cada indicador, y son evaluados en cada iteración k.
3.1. Indicador de habilidad media
A fin de obtener un valor característico de la habilidad en cada principio de IG
mostrada por una metaheurística al resolver un problema, se presentan en este trabajo los Indicadores de Habilidad Media en cada Principio de Inteligencia de Grupo.
Utilizando un indicador genérico llamado IIG[k], el indicador de habilidad media hasta la iteración k, simbolizado IIG[k], se define de la siguiente manera: [ ] = ∑ [ ]
(3) es decir, el promedio de los valores de cada iteración hasta la iteración actual k.
4. RESULTADOS Y ANÁLISIS COMPARATIVO Se realizaron 30 ejecuciones de ambas metaheurísticas aplicándose a la
instancia considerada del problema de la Optimización de la Confiabilidad, utilizando 64 partículas, durante una cantidad de tiempo de 3 segundos. Se consideraron segundos ya que el costo de ambas metaheurísticas es muy dispar, de modo de realizar la comparación de la manera más justa posible. Por otra parte, al contener una componente aleatoria, las ejecuciones de las metaheurísticas, lógicamente, difieren de
: 146 :
una a otra en sus valores instantáneos. En las figuras siguientes se han representado los valores instantáneos de los IIG, con un marcador distinto por ejecución. Para aumentar la legibilidad sólo se consignan las primeras 10 ejecuciones de cada metaheurística en las figuras, y se ha prescindido del eje de ordenadas, aunque la representación se limita al intervalo [0, 1], con las rejillas horizontales equiespaciadas cada 0.1. Además se ha representado con una línea continua en color negro la media de cada iteración, de forma de visualizar la tendencia de tales ejecuciones.
En primer lugar, en la Figura 1 se representan los valores del Indicador de Proximidad, IP. Como puede apreciarse, las partículas de la FPSO FC se mueven durante máyor cantidad de tiempo que la de la EPSO. Los valores intermedios presentan un alto grado de similaridad, difiriendo principalmente al principio y al final.
En el Indicador de Calidad, IC, estas dos metaheurísticas tienden a comportarse de la misma manera que en el Indicador de Proximidad. Tendencia decreciente, que acompaña a la falta de movimiento observada en IP, con pequeños repuntes esporádicos, notándose una mayor uniformidad en las ejecuciones de FPSO FC que en FEPSO.
La Diversidad de Respuesta, IDR, es uno de los Indicadores donde más se diferencian estas dos metaheurísticas. Mientras que la FPSO FC tiende a perder toda la habilidad en este principio, ya que todas las partículas tienden al mismo lugar, la FEPSO la mantiene, convergiendo hacia distintos valores, aunque rara vez a valores inferiores a 0.4.
La Estabilidad es un indicador en el cual ambas metaheurísticas tienen un nivel de habilidad similar y uniforme. Salvo la ejecución 5 de la FEPSO, todas se encuentran muy cerca de la media. Esto es esperable debido a las ecuación de movimiento de ambas: la FPSO FC fue formulada para mejorar la convergencia, produciendo que los movimientos sean cada vez menos pronunciados en torno al mejor global, mientras que la FEPSO realiza movimientos cada vez más finos modificando sus constantes, haciendo que converjan al valor 0, realizando movimientos cada vez más leves.
La Adaptación es claramente dominada por la FPSO FC, ya que la totalidad de las partículas tiende a adaptarse, yendo detrás del mejor global bG, mientras que, como ya se vio en IDR, algunas partículas FEPSO tienden a mantener su mejor posición individual en detrimento de la global, manteniéndose no adaptadas.
El comportamiento observado y analizado se confirma con los valores de habilidad media calculada. El valor de habilidad media de cada metaheurística se calcula como el promedio de los valores de habilidad medios de cada ejecución. Es decir, en este caso se calcularon los valores medios de cada una de las 30 ejecuciones de cada metaheurística y se los promedió, dando lugar a los valores indicados de la Tabla 2. De dichos valores puede afirmarse que la FPSO FC domina claramente en Proximidad y Adaptación, levemente en Calidad, mientras que la FEPSO domina claramente en Diversidad de Respuesta y levemente en Estabilidad.
El análisis aquí realizado es completamente coincidente con el presentado en (Casanova y Schweickardt, 2016a), verificando de esta manera la hipótesis del similar comportamiento de las metaheurísticas en distintos problemas de la clase de la ECRRE definida por los autores. 5. CONCLUSIONES
1) Se han aplicado Indicadores de Inteligencia de Grupo para evaluar las
habilidades de dos X-FPSO formas en los principios de Inteligencia de Grupo al
: 147 :
resolver una instancia del problema de la Optimización de la Confiabilidad en SDEE MT. Las metaheurísticas seleccionadas son la FPSO con Factor de Constricción y la FEPSO.
2) Del análisis realizado se pudo comprobar visualmente mediante las gráficas de los IIG que la FPSO FC es particularmente hábil en Proximidad y Adaptación, mientras que la FEPSO lo es en Diversidad de Respuesta.
3) Se incorporó un nuevo indicador que utiliza información de múltiples ejecuciones, para formar un indicador global que mide la habilidad media de cada metaheurística respecto de cada indicador, llamado Indicador de Habilidad Media de la X-FPSO forma. De la comparación mediante este indicador se determinó que la FPSO FC domina claramente en Proximidad y Adaptación, levemente en Calidad, mientras que la FEPSO domina claramente en Diversidad de Respuesta y levemente en Estabilidad. Este análisis permitió comparar fehacientemente las habilidades de ambas formas, ya que en algunos casos visualmente no fue posible determinar cuál es más hábil.
4) Finalmente, el análisis realizado coincide con el presentado en trabajos anteriores, por lo que las habilidades de las X-FPSO formas se mantienen al utilizarse en la resolución de distintos problemas de la ECRRE.
6. TABLAS Y FIGURAS
1 10 19 28 37 46 55 64 73 82 91 100
IP1 IP2IP3 IP4IP5 IP6IP7 IP8IP9 IP10IP
Iteración
1 40 79 118
157
196
235
274
313
352
391
430
469
IP1 IP2IP3 IP4IP5 IP6IP7 IP8IP9 IP10IP
Iteración
(a) (b)
Figura 1: Valores instantáneos de IP en (a) FEPSO (b) FPSO FC
: 148 :
1 10 19 28 37 46 55 64 73 82 91 100
IC1 IC2IC3 IC4IC5 IC6IC7 IC8IC9 IC10IC
Iteración
1 40 79 118
157
196
235
274
313
352
391
430
469
IC1IC2IC3IC4IC5IC6IC7IC8IC9IC10IC
Iteración
(a) (b)
Figura 2: Valores instantáneos de IC en (a) FEPSO (b) FPSO FC
1 10 19 28 37 46 55 64 73 82 91 100
IDR1 IDR2 IDR3IDR4 IDR5 IDR6IDR7 IDR8 IDR9IDR10 IDR
Iteración
1 40 79 118
157
196
235
274
313
352
391
430
469
IDR1IDR2IDR3IDR4IDR5IDR6IDR7IDR8IDR9IDR10IDR
Iteración
(a) (b)
Figura 3: Valores instantáneos de IDR en (a) FEPSO (b) FPSO FC
: 149 :
1 10 19 28 37 46 55 64 73 82 91 100
IE1IE2IE3IE4IE5IE6IE7IE8IE9IE10IE
Iteración
1 40 79 118
157
196
235
274
313
352
391
430
469
IE1IE2IE3IE4IE5IE6IE7IE8IE9IE10IE
Iteración
(a) (b)
Figura 4: Valores instantáneos de IE en (a) FEPSO (b) FPSO FC
1 10 19 28 37 46 55 64 73 82 91 100
IA1 IA2 IA3 IA4IA5 IA6 IA7 IA8IA9 IA10 IA
Iteración
1 40 79 118
157
196
235
274
313
352
391
430
469
IA1IA2IA3IA4IA5IA6IA7IA8IA9IA10IA
Iteración
(a) (b)
Figura 5: Valores instantáneos de IA en (a) FEPSO (b) FPSO FC
: 150 :
Tabla 1: Indicadores Instantáneos de Inteligencia de Grupo Principio Proximidad Calidad
Indicador k k-1nP
k i i
i=1
X XIP =nP
k k-1 k-1 k-2nP i i i ik
i=1
f x > f x f x > f xIC =
nP
Principio Diversidad de Respuesta Estabilidad Adaptación
Indicador
kf nP f
kf F
IDR = - P log P
nP 1k
ii=1
k
-
2×
DIM×nP
V
IE = e
nP
k
i=1
adaptado i,kIA =
nP
Tabla 2: Indicadores de Habilidad Medios de cada Metaheurística X-FPSO forma IPX-FPSO ICX-FPSO IDRX-FPSO IEX-FPSO IAX-FPSO FPSO FC 0.41409 0.36993 0.35284 0.85101 0.69763 FEPSO 0.30164 0.31410 0.61795 0.91229 0.51011 7. REFERENCIAS
BENI, G., Y WANG, J. (1989). Swarm Intelligence in Cellular Robotic Systems. En Proccedings NATO Advanced Workshop on Robots and Biological Systems. Tuscany.
CAMARGO, F., SCHWEICKARDT, G., Y CASANOVA, C. (2018). Maps of Intrinsic Cost (IC) in reliability problems of medium voltage power distribution systems through a Fuzzy multi-objective model. Revista DYNA, 85(204), 334-343.
CASANOVA, C., Y SCHWEICKARDT, G. (2016a). Análisis cuantitativo de las habilidades de Metaheurísticas X-PSO Multiobjetivo mediante Indicadores de Inteligencia de Grupo. En IV Congreso Nacional de Ingeniería en Informática/Sistemas de Información. Salta, Argentina.
CASANOVA, C., Y SCHWEICKARDT, G. (2016b). Análisis de las habilidades de Metaheurísticas X-PSO Multiobjetivo mediante Indicadores de Inteligencia de Grupo: Aplicación en el Balance de Carga en Redes Eléctricas de Baja Tensión. Revista de la Escuela de Perfeccionamiento en Investigación Operativa, (40), 23-42.
CLERC, M., Y KENNEDY, J. (2002). The particle swarm - explosion, stability, and convergence in a multidimensional complex space. IEEE Transactions on Evolutionary Computation, 6(1), 58-73. https://doi.org/10.1109/4235.985692
MILLONAS, M. M. (1994). Swarms, Phase Transitions, and Collective Intelligence. Santa Fe Institute Studies in the Sciences of Complexity-Proceedings Volume-, 30.
MIRANDA, V., KEKO, H., Y JARAMILLO, A. (2007). EPSO: Evolutionary particle swarms. Studies in Computational Intelligence, 66, 139-167.
: 151 :
ESTIMACIÓN DE ESTADO EN SISTEMAS DE DISTRIBUCIÓN ELÉCTRICA CON GENERACIÓN DISTRIBUIDA RENOVABLE A PARTIR DE LA
UBICACIÓN ÓPTIMA DE UNIDADES DE MEDICIÓN FASORIAL
TOMÁS LUCIANO† – GUSTAVO SCHWEICKARDT†† – FABIÁN CORASANITI†
UNLP- Departamento de Electrotecnia - IITREE - Instituto de Investigaciones Tecnológicas para Redes y Equipos Eléctricos†- CONICET – UTN – Facultad Regional Concepción del Uruguay††
[email protected] - [email protected] - [email protected]
1. RESUMEN
El Análisis de Estimación de Estado (AEE) en Sistemas de Potencia, ha sido
utilizado tradicionalmente para Sistemas de Transmisión de Energía Eléctrica (STEE). En los últimos años ha sido estudiada su aplicación en Sistemas de Distribución de Energía Eléctrica (SDEE) incorporando Generación Distribuida (GD). El AEE determina en tiempo real el estado del sistema, considerando las pseudomedidas provenientes de su modelación matemática, contrastadas, tradicionalmente, con medidas provenientes de sistemas SCADA (Supervisory Control and Data Acquisition - Control de Supervisión y Adquisición de Datos), de manera que se minimice el Error Global Cuadrático Medio (EGCM) de la diferencia entre las mismas. De modo tal que el AEE supone un Problema de Optimización no Lineal minimizando el EGCM mediante diferentes métodos desde la Programación Matemática o Técnicas Metaheurísticas. La complejidad en los actuales STEE ha generado problemas de convergencia para minimizar el EGCM. Asimismo, la complejidad para los SDEE al incorporar GD, y en particular desde fuentes primarias renovables, considerando una modelización de redes trifásica, incertidumbres de inyección de excedentes bajo la nueva legislación y restricciones operativas, supone un inconveniente similar. La solución para los STEE ha resultado en la incorporación de las denominadas PMU´s (Phasor Measurement Units) o Sincrofasores, los cuales miden de manera sincronizada las magnitudes de estado (tensiones, corrientes, etc.). En el presente trabajo se propone un modelo híbrido para el AEE en SDEE+GD, considerando mediciones SCADA reforzadas por mediciones PMU’s, de mayor precisión, de forma que se garantice una mejor convergencia hacia el mínimo EGCM. Para ello, sobre el Modelo Matemático Tradicional basado en SCADA, se incorpora la Ubicación Óptima del Mínimo Número de PMU’s, tal que permita arribar a la mejor convergencia del mínimo EGCM. Se presentan dos Modelos de Optimización: uno soportado en Programación Dinámica y otro en HiperHeurísticas, comparando sus resultados sobre un SDEE+GD real. Palabras Clave: Optimización – Análisis de estimación de estado – Sistemas de distribución – Generación distribuida renovable – Sincrofasores
2. REFERENCIAS
AHMAD F., RASOOL A., OZSOY E., RAJASEKAR S., SABANOVIC A., ELITAS M. (2018): “Distribution System State Estimation-A step towards Smart Grid”. Renewable and Sustainable Energy Reviews, ELSEVIER, Volume 81, Part 2, pp. 2659-2671.
MACII, D., BARCHI G., FONTANELLI, D. (2017): "Decorrelation-based Harmonic Distortion Reduction for Synchrophasor Measurements". IEEE International Workshop
: 152 :
on Applied Measurements for Power Systems (AMPS). 2017, pp. 1-6.
NANDA P., PANIGRAHI C.K., DASGUPTA A. (2017): "Phasor Estimation and Modelling Techniques of PMU- A Review", Energy Procedia, vol. 109, pp. 64-79.
PRIMADIANTO A., LU, C.N. (2017): “A Review on Distribution System State Estimation”. IEEE Transactions on Power Systems, Volume 32, Issue: 5, pp. 3875 – 3883.
SCHWEICKARDT, G. (2007): Aplicaciones EMS (Energy Management Systems) para Sistemas de Distribución Troncal de Energía Eléctrica. Editorial Fundación Bariloche. Bariloche, Argentina. ISBN: 978-987-23544-1-1.
: 153 :
PROPOSTA DE FRAMEWORK PARA SELEÇÃO DE BARREIRAS DE SEGURANÇA UTILIZANDO MULTIMETODOLOGIA
THIAGO G. DIAS – MOACYR MACHADO C. J. – MISCHEL C.N. BELDERRAIN
Instituto Tecnológico de Aeronáutica [email protected] - [email protected] - [email protected]
RESUMO
A Confiabilidade é um dos aspectos primordiais no gerenciamento de risco de qualquer sistema. Portanto, a seleção adequada de barreiras que garantam a possibilidade de o sistema cumprir seus objetivos adquire importância vital na concepção do mesmo. As abordagens utilizadas em Gerenciamento de Risco podem ser aplicadas utilizando métodos de Pesquisa Operacional para a estruturação de problemas e otimização de resultados. O presente trabalho apresenta o framework para seleção de Barreiras de Segurança e a metodologia utilizada para estruturação do problema. Utilizando a abordagem Value-Focused Thinking (VFT) foi possível definir os objetivos e critérios necessários para elencar as alternativas e, futuramente, hierarquiza-las utilizando Métodos Multicritério de Apoio a Decisão.
Palavras Chave: Estruturação de Problemas – Bow Tie – Análise de Resiliência – Valued-Focused Thinking. 1. INTRODUÇÃO
A confiabilidade é um dos aspectos mais importantes a serem observados na concepção de um sistema. Sabendo ser impossível extinguir todos os riscos a qual um sistema está submetido, é preciso analisar até que ponto uma situação anormal pode ser sustentada de maneira a minimizar ou até suprimir possíveis danos. Assim sendo, a proposta de uma análise de risco a partir da resiliência proporciona dados que complementam o gerenciamento de risco.
O presente trabalho tem por objetivo apresentar um framework para a seleção e otimização de barreiras de segurança pela utilização de multimetodologia. Inicialmente serão apresentados os referenciais teóricos que balizaram o framework apenas sob aspectos abordados neste artigo.
Em seguida, serão identificados os objetivos e critérios para avaliação das alternativas aplicando VFT na estruturação do problema de seleção de barreiras em paralelo à análise de resiliência de risco por meio da abordagem bow-tie. Uma vez identificados os objetivos e critérios é possível assinalar as possíveis alternativas bem como hierarquiza-las para, posteriormente, selecioná-las utilizando Programação Linear. Por fim, será exposta uma breve conclusão a respeito dos aspectos do framework abordados neste artigo bem como sugestões de trabalhos futuros aplicando o framework de forma completa. 2. FUNDAMENTAÇÃO TEÓRICA 2.1. Literatura Acadêmica Sobre o Assunto
Embora a teoria geral de sistemas visualize de maneira integrada os fatores
: 154 :
ambientais internos e externos componentes do sistema, saber quais as ameaças que ele será submetido é muito difícil (Bertalanffy, 1968). Por vezes, não são claras quais características serão necessárias para conter estas ameaças, complicando, portanto, a seleção e otimização de barreiras de segurança. Buscando alternativas para facilitar esta seleção, o presente artigo utilizou-se a abordagem Valued-Focused Thinking (VFT) para estruturar o problema. 2.2. Métodos de Estruturação de Problemas
Todo problema organizacional surge quando se acredita que os objetivos são questionados, ou ainda, não atingiram ou não são mantidos em um nível satisfatório. Explicar e clarificar os propósitos organizacionais, portanto, são uma parte central da estruturação de um problema e são, se não um prefácio, o aspecto fundamental para qualquer estudo de Pesquisa Operacional (PO). Sem uma claridade de propósito, os problemas não podem ser entendidos como problemas (Eden & Ackermann, 2013).
Os métodos de estruturação de problemas (Problem Structuring Methods -PSM) permitem uma forma de representar a situação problemática permitindo que os participantes clareiem os seus dilemas, convergindo seus interesses para a resolução de um problema claro, com objetivos bem definidos, um leque amplo de alternativas e critérios coerentes para avaliação de cada uma delas (Mingers & Rosenhead, 2004).
Um problema decisório não estruturado é caracterizado pelo elevado nível de complexidade e incerteza. Este torna-se complexo por possuir diferentes perspectivas, valores e preferencias daqueles responsáveis pela decisão, assim como, aqueles impactados pela sua resolução (Marttunen, Lienert, & Belton, 2017).
Mingers e Rosenhead (2004) comentam que as situações em que os PSM buscam prover assistência são caracterizadas por possuir: (a) múltiplos atores; (b) múltiplas perspectivas; (c) interesses incomensuráveis e/ou conflitantes; (d) intangíveis importantes; e (e) incertezas em pontos fundamentais do problema.
A utilização dos métodos PSM tem sido um dos pontos de crescimento na Pesquisa Operacional, estendendo a sua abordagem, fundamentalmente, analítica em domínios problemáticos com as quais a PO Tradicional já havia falhado em resolver, ou não pretendia envolver (Rosenhead, 2006). 2.3. O Método Value-Focused Thinking (VFT)
Keeney (1992) desenvolve a abordagem Value Focused Thinking (VFT) para estimular aos decisores a definirem os objetivos fundamentais e os objetivos meios para atingi-los. Keeney afirma que os valores devem ser as forças fundamentais no processo decisório. Ao focar inicialmente nos valores, para depois pensar nas alternativas é possível um maior controle decisório. O processo de identificação de objetivos começa com a identificação dos valores (Keeney, 1996).
O processo de identificação dos objetivos é crucial para a resolução de um problema. Sua identificação fornece uma melhor visão do contexto decisório e dos critérios para avaliação das alternativas. Os objetivos estão ligados aos interesses a serem atingidos e o conhecimento da situação. Portanto, a maneira mais óbvia para a sua identificação se dá através da discussão da situação (Keeney, 1992). 2.4. Gerenciamento de Risco através da Abordagem BOW-TIE
O Gerenciamento de Risco é essencialmente uma atividade que demanda: identificação, análise, avaliação e controle (Akintoye & MacLeod, 1997). Uma vez que seu objetivo visa neutralizar, reduzir ou controlar os riscos. Um dos principais aspectos balizadores da gestão de risco está na exposição do sistema ao risco de um evento
: 155 :
indesejado, ou ainda na resiliência do sistema após o referido evento (Gunningham, Sinclair, & Drahos, 2017). Assim, as ações ou medidas para mitigação das consequências de um evento indesejado constituem barreiras essenciais a sustentabilidade do sistema. E, sendo uma atividade de Controle, é possível identificar claramente as etapas descritas no ciclo PDCA (Plan - Do - Check - Act) (Enzenhöfer, 2014). Especificamente para o Gerenciamento de Risco algumas das ações são a implementação de barreiras, que no escopo do presente trabalho serão direcionadas apenas às barreiras de mitigação (Khakzad, Khan, & Amyotte, 2012).
Para identificar quais as possíveis barreiras de segurança e suas alocações, primeiro é preciso identificar o “Main Event”, ou evento crítico indesejado, e seus respectivos ramos na Arvore de Falhas bem como suas consequências na Arvore de Eventos. Para tanto, a análise de risco por meio da abordagem Bow-tie se destaca por identificar de maneira objetiva todas as possibilidades de alocação de barreiras para um “Main Event”. Através da diagramação dos ramos que terminam diretamente ligado ao evento crítico (Figura 1) é possível identificar os riscos que cada Grafo e como suas barreiras poderiam incrementar o tempo de resiliência sistêmico sem, contudo, extrapolar os custos máximos estipulados (Cockshott, 2005).
2.5. Análise de Resiliência Sistêmica
Como subsidio à seleção de barreiras, a análise de resiliência torna-se uma ferramenta muito apropriada para avaliação do desempenho destas barreiras. Uma vez que o tempo de degradação de cada barreira é diretamente proporcional à resiliência do sistema, o propósito deste sistema pode estar comprometido por não possuir um tempo mínimo que garanta alcançar este propósito. A partir desta análise é possível observar que uma melhor alocação de barreiras pode estender suas limitações para padrões condizentes ao objetivo fundamental do sistema, isto é seu propósito de criação (Henry D. & Ramirez-Marquez, J.E. 2012).
De acordo com Westrum (2006), a resiliência consiste em ao menos dois dos três pilares abaixo: • Prevenção: No sentido de evasão de falhas, ou seja, a capacidade do sistema para se flexibilizar a ponto de, quando detectada uma possibilidade de falha, evita-la por completo. • Sobrevivência: A Capacidade do sistema de não ser destruído por completo, ou perder suas funcionalidades • Recuperação: A capacidade de sobrevivência com performance reduzida.
Sendo assim, sob a perspectiva da Sobrevivência, a Resiliência Mínima pode ser definida como o tempo mínimo de um sistema para a consecução de seu propósito
FIGURA 1:Diagrama da abordagem Bow-Tie: FTA+"Main Event"+ETA
: 156 :
original antes de ser incapacitado por completo. (Hollnagel, Woods, & Leveson, 2010; Westrum, 2006). 3. METODOLOGIA 3.1. Proposta de Framework Para Seleção De Barreiras De Segurança
Visando melhorar o melhor entendimento de cada ferramenta utilizada para otimização na seleção das barreiras, este artigo propõe o seguinte framework:
Como demonstrado, o framework estrutura o problema de seleção de barreiras utilizando o Método VFT em paralelo a análise de resiliência e a análise de risco pela abordagem Bow-Tie. É possível observar que os três métodos fornecem subsídios para a análise multicritério realizada posteriormente e, por fim a seleção de barreira propriamente dita através de programação linear. Vale lembrar que aplicação de AHP como método MCDA tem por objetivo mensurar critérios não quantitativos para serem utilizados na solução do problema de Programação Linear. O escopo do presente artigo se limita apenas a estruturação do problema através de VFT e suas decorrências na abordagem Bow-Tie, partes azul do framework na seguinte sequência:
A. Identificação de Stakeholders; B. Identificação de Valores; C. Identificação de Objetivos; e D. Identificação de Critérios.
4. APLICAÇÃO 4.1. Estruturação Do Problema utilizando a abordagem VFT
Tendo em vista que a seleção de barreiras de segurança em um sistema é um problema não estruturado e com alto potencial de complexidade, a problemática pode
FIGURA 2:Framework de Seleção de Barreiras
: 157 :
ser eficientemente estruturada por meio do VFT (Value Focused Thinking). Desta maneira, ao longo das etapas de estruturação através do método proposto por Keeney (1992), as seguintes questões serão respondidas: A quem pertence a prerrogativa de seleção das Barreiras de segurança? Qual o propósito de alocar Barreiras de Segurança? Quais objetivos as Barreiras devem alcançar para garantir o propósito de sua alocação? Quais são as limitações sistêmicas? Quais seriam os critérios para avaliação das barreiras? Como identificar as alternativas?
A. Identificação de Stakeholders e Valores: Quando o Sistema é analisado sob o aspecto de manutenção de sua própria subsistência, três grandes grupos de pessoas se destacam por sua grande significância: Os Operadores; Os Criadores; e Os Gestores de Segurança. Observando a classificação proposta por Ackermann e Eden (2011) fica evidente que dentre os grupos de pessoas há um grupo que possui envolvimento e poder suficientes com o sistema, a ponto de influenciar para que o mesmo opere em segurança da melhor maneira possível. Os gestores, em específico os gerentes de risco, buscam garantir a subsistência sistêmica de todos os envolvidos, tanto quanto buscam alcançar o propósito pela qual o sistema foi concebido. De maneira geral, as barreiras podem ser classificadas a partir de três características que, por traduzirem as principais motivações para a seleção de barreiras de segurança em um sistema, caracterizarão os valores para a estruturação do problema. A Saber: Eficiência; Resiliência; e Custo.
B. Identificação de Objetivos: Uma vez que os valores e Stakeholders foram identificados, inicia-se a confecção de uma lista de Objetivos desejáveis na alocação de barreiras de segurança. Essa lista de objetivos, discriminada por Keeney (1996) como Wish List, proporcionará de maneira mais tangível que tipos de barreiras são apropriadas para o sistema em questão. Também desta lista é possível extrair os critérios de seleção que classificarão as alternativas. A identificação destes critérios emerge ao longo do processo de hierarquização dos objetivos na medida em que são percebidas as características comuns dos objetivos listados.
Wish List: Obj 1 [Criadores]-Maximizar a capacidade do sistema para alcançar e manter seu propósito Obj 2 [Criadores]-Minimizar os óbices de implantação (Barreira mais adaptada) Obj 3 [Criadores]-Minimização de Custos Obj 4 [Gestores de Segurança]-Maximizar a Aplicação como Barreira, preventiva e Mitigadora (Barreira dual) Obj 5 [Operadores]-Maximizar a Preservação Pessoal do Usuário do Sistema Obj 6 [Criadores]-Maximizar a Preservação Patrimonial da Estrutura de Criação/Manutenção do Sistema Obj 7 [Operadores]-Maximizar o tempo de Sobrevivência à danos Catastróficos Obj 8 [Gestores de Segurança]-Maximizar a Preservação Ambiental Obj 9 [Gestores de Segurança]-Minimizar os Danos aos recursos essenciais ao Sistema e sua Estrutura de Manutenção Obj 10 [Gestores de Segurança]-Maximizar a viabilidade de implantação de outras barreiras
Hierarquização de Objetivos e Identificação de Critérios: Para ranquear cada objetivo identificado na wish list, aplica-se o WI-TI Test (Why is it important Test?) de maneira a verificar como cada objetivo se relaciona evidenciando assim a hierarquia entre eles. Quando um objetivo é questionado e não é mais possível
: 158 :
responder, aquele objetivo é considerado um objetivo fundamental. A Tabela 1 apresenta o resultado da Hierarquização de Objetivos.
TABELA 1: Hierarquia dos Objetivos
C. Identificação de Critérios: A partir da hierarquia de objetivos, é possível construir a rede de objetivos mostrada na Figura 3. Uma vez disposta, a rede de objetivos pode ser particionada em grupos de objetivos evidenciando características semelhantes. Estas características materializam os critérios de avaliação com a qual é possível distinguir as alternativas sob os aspectos qualitativos.
É válido lembrar que os critérios de avaliação que emergem da rede podem não ser exaustivos, mas são complementares aos critérios definidos pela análise de resiliência. Portanto, através dos critérios emergidos, características qualitativas que outrora não poderiam ser mensuradas agora podem ser submetidas a uma Análise de Decisão Multicritério. De acordo com a Figura 3, os critérios de avaliação identificados através da rede de objetivos foram: Viabilidade; Sustentabilidade; e Desempenho. Observa-se aqui a possibilidade de vieses na avaliação das alternativas com relação aos aspectos qualitativos. Casos estes vieses ocorram, eles poderão ser corrigidos posteriormente no programa linear. 4.2. Identificação de Alternativas por meio da Abordagem BOW-TIE
A partir desta contextualização é possível suscitar um rol mais apropriado de alternativas para as Barreiras de Segurança. É importante salientar que as alternativas devem conter, na medida do possível as barreiras já existentes, caso estas tenham condição de atuarem de maneira dual, prevenindo o evento critico antes de sua ocorrência ou mitigando o dano caso esta já tenha sido desencadeado.
1. Maximizar a capacidade do sistema para alcançar e manter o propósito planejado
(Obj1)
1.1. Maximizar a Preservação Pessoal do Usuário do Sistema (Obj5)
1.2. Maximizar tempo de Sobrevivência à danos Catastróficos (Obj7)
1.2.1. Maximizar a viabilidade de implantação de outras barreiras (Obj10)
1.2.1.1. Minimização de Custos (Obj3)
1.2.1.1.1. Minimizar os óbices de implantação (Mais Adaptada) (Obj2)
1.2.1.2. Maximizar a Aplicação como Barreira, preventiva e Mitigadora
(Barreira Dual) (Obj4)
1.2.1.2.1. Minimizar os óbices de implantação (Mais Adaptada) (Obj2)
1.2.2. Maximizar a Preservação Patrimonial da Estrutura de Criação/Manutenção
do Sistema (Obj6)
1.2.2.1. Minimização de Custos (Obj3)
1.2.2.2. Minimizar os Danos aos recursos essenciais ao Sistema e sua
Estrutura de Manutenção (Obj9)
1.2.2.2.1. Maximizar a Preservação Ambiental (Obj8)
: 159 :
4.3. Seleção de Alternativas e Coleta de Dados:
Após a contextualização do evento crítico e a identificação de alternativas é possível coletar os parâmetros quantitativos para a sua avaliação de cada uma delas. De acordo com Enzenhofer (2014), análises de risco com abordagens quantitativas são superiores às abordagens meramente qualitativas por permitirem mais transparência na visualização dos objetivos, provendo informações em escala e possibilitando a compreensão de seu significado econômico. Portanto, no caso de parâmetros qualitativos, o ranqueamento das alternativas pode ser realizado utilizando o Método Analytic Hierarchy Process - AHP ou sua variação em ratings ou ainda outros métodos MCDA (Multi Criteria Decision Analysis). Uma vez ranqueadas pelos parâmetros qualitativos, o valor atribuído a cada uma das alternativas referente a este parâmetro poderá compor o modelo de Programação Linear. Assim, este modelo terá condições de congregar juntamente todos os parâmetros originalmente quantitativos com os qualitativos por causa da atribuição de valor. Por fim, a seleção de barreiras propriamente dita ser feita de maneira otimizada utilizando um modelo de programação linear para alocação das que maximizam os objetivos do sistema. 5.CONSIDERAÇÕES FINAIS O Framework de seleção de barreiras, proposto no trabalho, mostra-se de fácil implementação. Seu caráter multidisciplinar proporciona um fundamento sólido e confiável para aplicação em diversas áreas. Os critérios e objetivos identificados durante a aplicação serão utilizados como base para a aplicação de AHP em um conjunto de barreiras para o sistema em foco. Além disso, tem-se como proposta de trabalhos futuros a implementação de um modelo de programação linear que determine o conjunto de barreiras que melhor atendam aos objetivos aqui identificados, bem como leve em conta os critérios identificados. 6.AGRADECIMENTOS Os autores agradecem o apoio do Comando da Aeronáutica – COMAER e ao Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq.
: 160 :
7. REFERENCIAS ACKERMANN, F., & EDEN, C. (2011). "Strategic Management of Stakeholders:
Theory and Practice". Long Range Planning. doi:10.1016/j.lrp.2010.08.001 AKINTOYE, A. S., & MACLEOD, M. J. (1997). "Risk analysis and management in
construction". International Journal of Project Management, 15, pp. 31–38. BERTALANFFY, L. VON. (1968). "THE MEANING OF GENERAL SYSTEM THEORY".
In General System Theory. doi:10.1017/CBO9781107415324.004 COCKSHOTT, J. E. (2005). "Probability bow-ties a transparent risk management tool".
Process Safety and Environmental Protection. doi:10.1205/psep.04380 EDEN, C., & ACKERMANN, F. (2013). "Problem structuring: on the nature of, and
reaching agreement about, goals". EURO Journal on Decision Processes. doi:10.1007/s40070-013-0005-6
ENZENHÖFER, R. (2014). Risk quantification and management in water production and supply systems. Thesis. Retrieved from http://elib.uni-stuttgart.de/handle/11682/530
GUNNINGHAM, N., SINCLAIR, D., & DRAHOS, P. (2017). "Smart regulation". In Regulatory Theory (pp. 133–148).
HENRY, D., & RAMIREZ-MARQUEZ, J.E. (2012). "Generic metrics and quantitative approaches for system resilience as a function of time". Reliability Engineering and System Safety, 99, pp. 114–122.
HOLLNAGEL, E., WOODS, D. W., & LEVESON, N. (2010). Resilience Engineering: Concepts and Precepts. Retrieved from https://books.google.com.br/books?hl=pt-BR&lr=&id=rygf6axAH7UC&oi=fnd&pg=PP1&dq=Resilience+engineering:+Concepts+and+precepts&ots=ip3CNU518g&sig=M98GXnjO7xYGpmgrE5BMfD8pi_U
KEENEY, R. L. (1992). "Value-focused thinking: A Path to Creative Decisionmaking." Journal of Multi-Criteria Decision Analysis. doi:HD30.23.K354
KEENEY, R. L. (1996). "Value-focused thinking: Identifying decision opportunities and creating alternatives". European Journal of Operational Research, 92, pp. 537–549.
KHAKZAD, N., KHAN, F., & AMYOTTE, P. (2012). "Dynamic risk analysis using bow-tie approach". Reliability Engineering and System Safety, 104, pp. 36–44.
MARTTUNEN, M., LIENERT, J., & BELTON, V. (2017). "Structuring problems for Multi-Criteria Decision Analysis in practice: A literature review of method combinations". European Journal of Operational Research, 263, pp. 1–17.
MINGERS, J., & ROSENHEAD, J. (2004). "Problem structuring methods in action". European Journal of Operational Research, 152, pp. 530–554.
ROSENHEAD, J. (2006). "Past, present and future of problem structuring methods". Journal of the Operational Research Society. doi:10.1057/palgrave.jors.2602206
WESTRUM, R. (2006). "A typology of resilience situations". In Resilience engineering: Concepts and percepts (pp. 55–65).
: 161 :
ESTRUTURAÇÃO DE ALTERNATIVAS PARA AMBIENTE DE ALTA CONCORRÊNCIA COM ABORDAGEM MULTIMETODOLÓGICA: ESTUDO
DE CASO PARA UMA FABRICANTE DE AERONAVES REGIONAIS
BRUNO L. SALVADORI1– THAIS S. SALVADORI1 – MISCHEL C.N. BELDERRAIN1 – NISSIA C. R. BERGIANT2
1Instituto Tecnológico de Aeronáutica 2Departamento de Engenharia de Produção – Universidade Federal Fluminense (UFF)
[email protected] – [email protected] - [email protected] – [email protected]
RESUMO
O mercado aeronáutico tem como objetivo principal a produção de veículos
aéreos. Um dos ramos da aviação na qual o presente trabalho está incluso é a aviação civil e comercial. O mercado aeronáutico é muito dinâmico, possuindo inúmeras variáveis, sendo extremamente imprevisível e sensível a qualquer evento mundial. O presente trabalho apresenta o cenário atual das fabricantes de aeronaves em relação a concorrência de mercado bem como uma análise das principais alternativas de diferenciação a serem adotadas por aquelas que desejam nele se distinguir, tendo em vista um olhar específico para a empresa brasileira no ramo de aviões civis, a Embraer S.A. Para a estruturação deste problema utilizou-se uma multimetodologia, isto é, uma combinação dos métodos da Pesquisa Operacional soft: Value Focused Brainstorming (VFB) e Strategic Choice Approach (SCA). O SCA foi escolhido porque permite detalhar as incertezas da situação problemática e as opções de decisão. Desta forma o desenvolvimento de uma aeronave Turboprop é considerada como uma boa alternativa de diferenciação. Palavras Chave: Multimetodologia - Strategic Choice Approach – VFB - Tomada de decisão – Mercado Aeronáutico. 1. INTRODUÇÃO
O mercado internacional de aeronaves possui dimensão global, podendo ser
considerado como um oligopólio concentrado em nível mundial. Pode-se dizer que nenhum país possui um mercado com dinamismo e magnitude para pleitear custos de desenvolvimento de novas aeronaves, por isso, a atuação de grandes empresas globalmente se faz necessária. O desenvolvimento de novas aeronaves está restrito a um grupo pequeno de atores, global players, e este processo de concentração que vem ocorrendo nas últimas décadas visa não somente a ampliação dos ganhos de escala, mas também a criação de importantes economias de escopo (ABDI, 2008).
Os mercados aeronáuticos de fabricação de aeronaves civis possuem dois grandes monopólios, americana Boeing e a europeia Airbus dividem o segmento de aeronaves grandes. A Embraer e a canadense Bombardier praticamente só competem entre si pelas encomendas globais de aviões comerciais regionais. No momento, o cenário brasileiro apresenta uma grande hostilidade, uma vez que as gigantes Boeing e Airbus despertaram interesse por este nicho de mercado e cada vez mais inserem seus produtos no mesmo. (CABRINI, 2013)
: 162 :
De acordo com as estimativas da Embraer, nos próximos 20 anos serão vendidos mundialmente 6.750 jatos com capacidade de transporte de 30 a 120 passageiros, com um custo aproximado de 220 bilhões de dólares. Este fato alertou a importantes centros de engenharia aeronáutica de todo o mundo, empresas da Rússia, China e Japão que são Sukhoi, Comac e Mitsubishi, respectivamente, as quais planejam entrar no mercado de uma forma bem agressiva, com produtos de qualidade e com subsídios de seus respectivos países. (CABRINI, 2013; REED ,2017).
A recente aquisição do programa C-Series da Bombardier pela Airbus e as negociações entre Boeing e Embraer para uma possível fusão comprovam o potencial do mercado de aeronaves regionais, já que as duas gigantes pouquíssimas vezes se interessaram por este mercado, acirrando cada vez mais a concorrência neste nicho. Isto exige dos competidores do referido mercado a criação de alternativas para se destacarem nesse mercado, e consequentemente, garantir a sobrevivência da empresa. Sendo este, o principal objetivo a ser estudado neste artigo. (WELLE, D., 2018)
O problema a ser abordado neste artigo é a recorrente perda de espaço pelas duas mais tradicionais fabricantes de aeronaves regionais, Embraer e Bombadier, por novos players no referido mercado. Devido à complexidade do problema e ao número de incertezas relacionadas optou-se em usar a Strategic Choice Approach (SCA), com o apoio dos conceitos do Value Focused Brainstorming (VFB) para a definição das áreas de decisão e áreas de comparação do SCA. Com o intuito de estruturar o problema e desenvolver alternativas que possibilitem a manutenção e expansão do espaço da Embraer, neste mercado que se encontra cada vez mais competitivo.
Este trabalho foi estruturado em três seções: Fundamentação Teórica, que aborda os temas de Métodos de estruturação de problema e SCA, a metodologia que descreve as etapas do SCA e a abordagem realizada, e por fim Resultados e Considerações Finais. 2. FUNDAMENTAÇÃO TEÓRICA
Os métodos de estruturação de problemas (PSM – Problem Structuring Methods) são um conjunto de métodos que tratam da incerteza, complexidade, conflitos das variáveis envoltas na problemática, sendo o Strategic Choice Approach um método de destaque para analisar situações complexas (MORAES, D.A.; COSTA, A.P.C.S; ALENCAR, L.H.; & DAHER, S.D.F.D, 2012).
Os PSMs mais utilizados são: Soft Systems Methodology (SSM), Strategic Options Development and Analysis (SODA) e Strategic Choice Approach (SCA). A escolha de qual PSM usar depende de qual problema a ser resolvido, cada metodologia tem suas características, podendo direcionar mais o problema usando um método do que o outro.
O SCA (Strategic Choice Approach) caracteriza-se por uma abordagem de planejamento centrado na gestão de incerteza em situações estratégicas, permitindo ao grupo a identificação das áreas prioritárias para estabelecer um compromisso parcial e definir os planos de contingência. Assim, este método permite lidar com a complexidade advinda da incerteza presente em atividades de planejamento (FRIEND e HICKLING, 2005).
A aplicabilidade do SCA se dá quando há um alto nível de incertezas no processo de tomada de decisão (FRIEND e HICKLING, 2005). Neste caso subdivide-se o problema de decisão, identificando com base nos critérios de urgência e
: 163 :
importância, um subconjunto de ações e projetos (alternativas) mutuamente compatíveis e coerentes com o cenário previsto pelas partes interessadas (FREGONARA, E; CURTO, R.; GROSSO. M.; MELLANO, P.;ROLANDO, D.;& TUULLIANI, J.M.,2013, p.57-80).
O SCA é composto por 4 modos: Shaping mode (modo de modelagem), Designing mode (modo de design), Comparing mode (modo de comparação) e Choosing mode (modo de escolha).
Este último modo, Choosing Mode, é o momento no qual os decisores tratam de pequenos compromissos assumidos sobre a forma de ações ao longo do tempo, no presente e consequências no futuro. É neste modo temporal que as decisões tomadas sobre incerteza têm de ser revistas. Assim algumas incertezas devem ser consideradas nesta etapa (FRIEND; HICKLING, 2005):
Incerteza relativa ao ambiente de trabalho (IA): Trata-se de incerteza em que se dá uma resposta mais técnica, como estudos, pesquisas, exercícios provisionais, estimadores de custo.
Incerteza relativa a valores orientadores (IV): É o tipo de incerteza que requer uma resposta mais política, clarificação de objetivos, uma consulta a todos os interessados envolvidos.
Incerteza relativa a campos de decisão relacionados (IR): Este tipo de incerteza pede uma resposta na forma de exploração das relações entre as decisões que se estudam neste momento e outras que aparentam estar relacionadas. Depois de levantadas as incertezas, é necessário encontrar ações que possam
mitigá-las. Isso pode ser realizado por meio de Opções Exploratórias que são ações destinadas a diminuir o grau da incerteza ou nível da dúvida. (STERNADT,1997). A abordagem Value Focused Brainstorming (VFB) possibilita aumentar a qualidade e a capacidade de geração de objetivos e alternativas, incorporando os recursos da abordagem Value-Focused Thinking (VFT) no tradicional processo de Brainstorming. O VFB preconiza um fluxo de ações dirigidas pelo entendimento mais aprofundado dos objetivos e valores envolvidos no contexto do problema. (KEENEY, 2012, p.303-313). Em primeiro lugar, os aspectos de valor potenciais são identificados, posteriormente, cada participante e/ou especialista realiza um brainstorming individualmente, com o intuito de aumentar a contribuição individual.
3. METODOLOGIA A metodologia deste trabalho consiste na aplicação do método SCA. Este trabalho foi considerado como multimetodológico, pois nos modos de Modelagem e Comparação utilizou-se da abordagem VFB para a definição das áreas de decisão e áreas de comparação. Os stakeholders que participaram da análise deste trabalho foram os próprios autores deste trabalho, ambos com experiência no meio aeronáutico. Um dos autores trabalha na empresa Embraer na área Comercial, e outro autor possui experiência em uma subsidiária da Airbus na área de Qualidade. Neste sentido, as análises realizadas têm o objetivo de coordenar duas importantes visões no âmbito deste trabalho, uma relacionada diretamente com a visão dos clientes e outra visão sistêmica de processos e qualidade de produtos.
: 164 :
4. RESULTADOS
Modo Modelagem
Para definir as Áreas e o Foco de Decisão foi necessário aplicar o Value Focused Brainstorming para explorar os fatores envolvidos na situação problemática descrita na introdução. A tabela 1 apresenta os 14 fatores gerados.
Tabela 1 - Fatores gerados individualmente, em sua forma original.
Fatores gerados individualmente
F1 Desenvolver aeronave Turboprop
F2 Desenvolver Jatos comerciais com mais de 150 assentos
F3 Desenvolvimento de Caças supersônicos para aviação militar
F4 Aprimorar nível de acabamento F5 Ampliação da capacidade de customização
F6 Aprimorar a qualidade dos serviços de suporte ao cliente
F7 Desenvolver aeronaves movidas a Biocombustíveis
F8 Desenvolver aeronaves usando Motores Elétricos
F9 Desenvolver aeronaves usando Energia Solar
F10 Diminuir a emissão de gases poluentes ao meio ambiente
F11 Desenvolver Carros voadores
F12 Incentivos do governo como linha de crédito e incentivos fiscais
F13 Investimento de Empresas Privadas
F14 Parcerias financeiras para desenvolvimento de tecnologia
Após a geração individual, o grupo se reuniu para discutir os fatores gerados. Os fatores F3, F8, F10 e F14 foram eliminados, pois este trabalho leva em consideração somente os fatores com maior viabilidade técnica e econômica para as empresas envolvidas. Assim, as áreas de decisão foram determinadas a partir desses grupos de fatores analisados. Elas são: 1) Portfólio - Como adequar seu portfólio de acordo com as demandas de mercado?; 2) Qualidade - Como aumentar a percepção de qualidade do produto ofertado por parte do cliente?; 3) Inovação - Quais inovações devem ser desenvolvidas visando o futuro da aviação?; e 4) Investimento - Como obter investimentos públicos para expansão da empresa?.
Modo Design Neste modo, cada área de decisão recebe opções de decisão que devem ser
mutuamente exclusivas. A Tabela 2 mostra as áreas de decisão, as opções de decisão associadas e o rótulo da área. Observar que algumas opções surgem do VFT desenvolvido no modo anterior. A árvore de decisão foi construída mostrando as 36 alternativas de decisões viáveis que resultaram de combinações entre cada área e opção de decisão. A definição da viabilidade das alternativas, denominadas (A, B, C,...AA, AB, AC,....AN). Por exemplo, a alternativa A (não viável) refere-se a produzir um Turboprop com aumento de nível de acabamento utilizando Biocombustível e com incentivos públicos. A alternativa Z (viável) refere-se a produzir um Turboprop com possibilidades de customizações utilizando energia solar e incentivos privados.
: 165 :
Tabela 2 - Áreas de decisão e as opções de decisão associadas
Áreas de Decisão Opções de Decisão Rótulo
Como adequar seu portfólio de acordo com as
demandas de mercado?
Turboprop
Portfólio?
Jatos comerciais com mais de 150 assentos
Como aumentar a percepção de qualidade do produto ofertado por parte
do cliente?
Aumento nível de acabamento
Qualidade? Possibilidade customizações
Excelência em suporte ao cliente
Quais inovações devem ser desenvolvidas visando o
futuro da aviação?
Biocombustíveis
Inovação? Energia Solar
Carros voadores
Como obter investimentos públicos para expansão da
empresa?
Iniciativa Pública Investimento?
Inciativa Privada
Modo de Comparação Por meio do VFB realizado entre os stakeholders gerou-se 03 áreas de
comparação descritos na Tabela 3, como também a ordem de importância de cada uma delas. Tabela 3 - Áreas de comparação
Ordem de Importância Áreas de Comparação Rótulos
1° Aumento de valor agregado ao produto Valor
2° Conquista de novos clientes Novos Clientes
3° Viabilidade técnica/comercial Viabilidade
Para identificar as melhores alternativas foi necessário fazer comparações
entre elas a fim de escolher as opções de acordo com o desempenho em relação às áreas de comparação. Cada alternativa foi avaliada segundo uma escala criada com símbolos para as áreas de comparação, quanto maior a quantidade de símbolos maior é a valor de cada área. A Tabela 4 mostra a escala utilizada. Para cada alternativa as pontuações das três áreas de comparação foram somadas de acordo com as opções de decisão obtendo desta forma a pontuação de cada alternativa. Assim gerou-se a Tabela 5 na qual possui alternativas de A à AN de acordo com cada pontuação de área de comparação.
Tabela 4 - Escala para comparação entre alternativas
Opções de Decisão Áreas de Comparação
Valor Novos Clientes Viabilidade
Turboprop $ *** ##
Jatos comerciais com mais de 150 assentos $$ ** #
: 166 :
Aumento nível de acabamento $$$ *** ##
Possibilidade customizações $$$$ *** #
Excelência em suporte ao cliente $$$ ***** ##
Biocombustíveis $$ * ##
Energia Solar $$$ ** ###
Carros voadores $$ *** #
Modo de Escolha Como pode ser verificado na tabela 5, as alternativas mais viáveis são Z e a AI,
desenvolvimento de “Turboprop” e “Jatos Comerciais com mais de 150 assentos”, respectivamente. Os mesmos foram selecionados por terem maior pontuação critério “Valor”, “Novos Clientes” e “Viabilidade”, conforma ordem de importância definido na Tabela 3.
As outras alternativas que possuem a mesma pontuação que AI no critério “Valor” foram descartadas por estarem no mesmo portfolio “Jatos comerciais com mais de 150 assentos”.
Tabela 5 - Pontuação das alternativas para comparação
Alternativas Áreas de Comparação
Valor NovosClientes Viabilidade
A $$$$$$$ ******* ######
B $$$$$$$$ ******** #######
…
…
…
…
Z $$$$$$$$$$$ ******** ######
…
…
…
…
AI $$$$$$$$$$$$ ******* #####
AJ $$$$$$$$$$$ ******** ###
AL $$$$$$$$$$ ******* #####
AM $$$$$$$$$$$ ******** ######
AN $$$$$$$$$$ ********* ####
Assim a decisão fica entre as alternativas Z e AI que possuem a mesma
pontuação. Contudo, há incertezas associadas que devem ser consideradas no processo de tomada de decisão. Para o presente estudo, foram observadas duas grandes incertezas: 1) Incerteza relacionada à capacidade técnica de concepção das aeronaves Turboprop e Jatos comerciais com mais de 150 assentos, a qual consiste na capacidade de design e fabricação, por conta de know-how (ou melhor, conhecimento) técnico, fornecedores e capacidade da linha de produção. 2) Incerteza associada ao espaço no mercado, que é atrelado a demanda do produto e aos competidores.
Dentre as duas alternativas que obtiveram maior pontuação, Z e a AI, por conta das incertezas considerando a capacidade de concepção e design dos referidos tipos de aeronaves, opta-se pela alternativa Turboprop, uma vez que esta possui uma
: 167 :
complexidade técnica relativamente inferior aos jatos comerciais com mais de 150 assentos, fazendo com que seja mais fácil não só a concepção, mas como também a produção, em termos de fornecedores e mão de obra especializada. Além disso, o mercado de aeronaves com mais de 150 lugares é dominado pelas gigantes Boeing e Airbus, as quais coíbem a inserção de novos competidores. 5. CONSIDERAÇÕES FINAIS
O comportamento cíclico e a instabilidade do setor aeronáutico fizeram com que o volume de vendas da Embraer tivesse em queda nos últimos anos. A crise financeira mundial atingiu diretamente a indústria aeronáutica internacional, na qual a forte retração da demanda e as severas restrições ao crédito resultaram na interrupção do vigoroso ciclo expansivo do mercado internacional de aeronaves.
Além disso, os fatores econômicos e políticos do mercado global como conflitos na União Européia, Coreia, baixo valor do petróleo e desenvolvimento do mercado aeronáutico chinês afetam diretamente à empresa. Pois, a Embraer depende quase que exclusivamente dos mercados internacionais para as vendas de jatos regionais. Os Estados Unidos são um dos maiores demandantes desse tipo de jato. Nos mercados internacionais, os principais clientes são as companhias aéreas regionais e as que adotam o modelo de negócio low cost, low fare (baixo custo ou tarifas reduzidas).
O artigo apresentou o método SCA aplicado ao problema de concorrência entre as fabricantes no mercado aeronáutico. Dentre todas as alternativas apresentadas, reduziu-se para apenas duas. A tomada de decisão foi a alternativa de desenvolvimento de um Turboprop, pois os Turboprops estão situados em um nicho de mercado muito menos competitivo se comparado com os grandes jatos comerciais, nos quais a Boeing e Airbus dominam com folga, não dando espaço algum para novos competidores. Além disso, o baixo preço do barril de petróleo contribui ainda mais para a viabilização da operação deste tipo de aeronave, uma vez que, essas aeronaves possuem alto consumo de combustível. Assim, essas seriam as melhores opções para a empresa brasileira realizar investimentos e garantir o seu espaço no ramo de jatos comerciais.
Concluiu-se que o método SCA apesar de ter modos já pré-definidos, tem uma flexibilidade de procedimentos para realização de cada modo garantindo assim uma maior eficiência do método. Neste caso, para diminuir a subjetividade do SCA no modo modelagem, utilizou-se do VFB para encontrar todas as possíveis alternativas e reduzir o viés cognitivo.
Para futuros trabalhos sugere-se ter um grupo maior de decisores, se possível de empresas diversas com o intuito de acrescentar outras visões a este trabalho. Este trabalho foi parcialmente apoiado pelo Conselho Nacional de Desenvolvimento Científico e Tecnológico – CNPq. 6. REFERENCIAS AGÊNCIA BRASILEIRA DE DESENVOLVIMENTO INDUSTRIAL (ABDI). Relatório de acompanhamento setorial indústria aeronáutica. Volume I. Equipe: Marcos Barbieri (Unicamp), Pesquisadores e bolsistas do NEIT/IE/Unicamp, Rogério Dias de Araújo (ABDI), Carlos Henrique Mello (ABDI) e Rosane Marques (ABDI). 2008.
: 168 :
BERNARDES, R. e PINHO, M. Aglomeração e aprendizado na rede de fornecedores locais da Embraer. Artigo da Rede de Sistemas Produtivos e Inovativos Locais, 2002 CABRINI, G. Não faltarão rivais para a Embraer e a Bombardier. Revista Exame. 14 Dezembro 2013, São Paulo. Disponível em: < https://exame.abril.com.br/negocios/nao-faltarao-rivais-embraer-bombardier-478488/>. Acesso em: 18 Março 2018. DE ALMEIDA,A.T; MORAES,D.A..;COSTA, A.P.C.S; ALENCAR,L.H.; & DAHER, S.D.F.D.Decisão em grupo e negociação: métodos e aplicações. Atlas: São Paulo, 2012. FERREIRA, R. C. S.; OLIVEIRA, D. L.; GUERRA, P. V.; FREITAS, J. S.; CHENG, L. C.. A aplicação da abordagem da escolha estratégica para auxílio ao diagnóstico e evolução de projetos de inovação. ENEGEP, Belo Horizonte, MG, Brasil, Outubro,2011. FREGONARA, E; CURTO, R.; GROSSO. M.; MELLANO, P.;ROLANDO, D.;& TUULLIANI, J.M.. Environmental Technology, Materials Science, Architectural Design, and Real Estate Market Evaluation: A Multidisciplinary Approach for Energy-Efficient Buildings. Journal of Urban Technology, v.20, n.4, p.57-80, 2013. FRIEND, J.K.; HICKLING, A. Planning under Pressure: The Strategic Choice Approach. 3ª ed. Butterworth Heinemann, Oxford. 2005. KEENEY, R. L. (2012) Value-Focused Brainstorming. Decision Analysis.9. No.4, p.303- 313. MARTINEZ, M.R.E. A Globalização da Indústria Aeronáutica: O Caso da Embraer. Tese (Doutorado em Relações Internacionais) – IRI/UnB, Brasília, 2007. REED. D., A Boeing-Embraer Tie-Up Is Hardly A Surprise, But It Sure Would Make Things Interesting. Revista Forbes. 22 Dezembro de 2017. Disponível em: https://www.forbes.com/sites/danielreed/2017/12/22/a-boeing-embraer-tie-up-is-hardly-a-surprise-but-it-sure-would-make-things-interesting/2/#61a54bd663c5. Acesso em: 18 Março 2018. STERNADT, J.M. A utilização da abordagem “Strategic Choice” para o aperfeiçoamento de um centro de prestação de serviços, 1997. 87f. Dissertação (Mestrado em Engenharia). Departamento de Engenharia de Produção, Universidade Federal de Santa Catarina, Florianópolis. 1997. WELLE, D. Por que a Boeing quer a Embraer? Revista Carta Capital. 09 Janeiro 2018. Disponível em: <https://www.cartacapital.com.br/economia/por-que-a-boeing-quer-a-embraer>. Acesso em: 18 Março 2018.
: 169 :
INTEGRACIÓN DE METODOLOGÍAS PARA
EL ANÁLISIS Y MEJORA DE ORGANIZACIONES DE PRODUCCIÓN. APLICACIÓN A UNA INDUSTRIA TEXTIL
ALEJANDRA CASTELLINI – ALBERTO PAUCAR-CÁCERES – JOSÉ LUIS ZANAZZI
Universidad de Belgrano - Manchester Metropolitan University - Universidad Nacional de Córdoba [email protected] - [email protected] - [email protected]
1. RESUMEN
En este trabajo se propone el uso combinado de métodologías de Investigación
Operativa Dura, de Estructuración de Problemas y de Gestión de Calidad (en particular aquellos que se utilizan para diseñar y controlar procesos). Esta combinación se orienta a estudiar la complejidad organizacional y operacional. En el trabajo se propone una versión modificada del marco conceptual multimetodológico, propuesto por Mingers y Brocklesby, en el que se apoya esta aproximación, para mejorar y nutrir la generación colaborativa de conocimiento y el trabajo participativo en situaciones problemáticas. Además, se sugiere la posibilidad de mejorar el diseño de la intervención, mediante la consideración de tres sistemas teóricos que están presentes en las intervenciones sistémicas: Sistema de contenido problemático, Sistema de recursos intelectuales y Sistema de intervención. Además, el diseño de la intervención puede mejorarse mediante la incorporación explícita de ejercicios dirigidos a facilitar la construcción colaborativa de conocimientos, entre los operadores del sistema. El trabajo presenta y discute una aplicación realizada en una PYME dedicada a la producción textil, ubicada en el noroeste de Argentina. En las conclusiones, se remarca que el documento contribuye al debate actual sobre la conveniencia de operar con múltiples paradigmas y multimetodologías, al plantear aproximaciones que combinan métodos Duros, metodologías Blandas y herramientas propias de otras áreas del conocimiento. También destaca que el marco modificado permite posicionar a las diferentes metodologías, para guiar una práctica mejorada, con buen equilibrio multi-metodológico y multi-paradigmático. Palabras Clave: Investigación Operativa Soft – Multimetodologías – Diseño de intervenciones – Industria textil
2. REFERENCIAS
FERRETTI, V. (2016). “From Stakeholders analysis to Cognitive Mapping And Multi-Attribute Value Theory: An Integrated Approach for Policy Support”. European Journal of Operational Research. – Vol. 253 (2), pp. 524 – 541
JEPPESEN, SL AND PAUCAR-CACERES, A. (2008). “Critical Soft Systems Framework (CSSF): A Systemic Framework Combining Soft Systems Methodology (SSM) and Critical Systems Heuristics (CSH)”. Systemist, 30 (2), pp. 173-195. MINGERS, J., BROCKLESBY, J., (1997). “Multimethodology: for Mixing Towards a Framework Methodologies”. Omega, Int. J. Mgmt Sci. Vol. 25, No. 5, pp. 489-509, Elsevier Science Ltd.
: 170 :
WENGER-TRAYNER, E., & WENGER-TRAYNER, B. (2015). “Learning in a Landscape of Practice”. Boundaries, Identity, and Knowledgeability in Practice-Based Learning - pp. 13–30.
YOLLES M. (2010). “Exploring complex sociocultural situations through Soft Operational Research”. Pesquisa Operacional- Vol. 30, 2, pp. 345-370.
: 171 :
UN MARCO METODOLÓGICO INTEGRADO PARA EL ABORDAJE DE PROBLEMAS DE SALUD Y SEGURIDAD OCUPACIONAL
NADIA AYELEN LUCZYWO(1)(2)(3) – DANIELPONTELLI(1) – JOSÉ LUIS ZANAZZI (1)
1) Laboratorio de Ingeniería y Mantenimiento Industrial (LIMI). Facultad de Ciencias Exactas, Físicas y Naturales – Universidad Nacional de Córdoba
(2) Secretaría de Ciencia y Tecnología – Universidad Nacional de Córdoba (3) Facultad de Ciencias Económicas – Universidad Nacional de Córdoba
[email protected] – [email protected]– [email protected] 1. RESUMEN
La salud y seguridad ocupacional tiene un rol clave en las organizaciones. Las
normas OHSAS poseen amplia difusión y se orientan a incorporar buenas prácticas a través de sistemas de gestión. Sin embargo, la transferencia de estándares al lugar de trabajo no es automática, porque no siempre subyacen los comportamientos esperados. Eventos como incendios, ponen en relieve que a pesar del entrenamiento, de estructuras definidas y de procedimientos rigurosos, una contingencia no planeada produce la disociación del grupo y la consiguiente tragedia. Para evitar estas consecuencias, es necesario que las personas asignen sentido a las prácticas. Así, es posible la construcción grupal de conocimientos, el compromiso con las acciones acordadas y un aumento en la confiabilidad de los procesos que se desarrollan. La investigación operativa soft ha propuesto herramientas para la estructuración de problemas, que contribuyen a la generación de tales beneficios. Para utilizar estas herramientas y combinarlas, la literatura trabaja con un marco conceptual que propone una doble clasificación, considera tres dimensiones (operacional, personal y social) y cuatro momentos en el abordaje de problemas (detección; identificación de causas; evaluación e implementación). Por otra parte, la apropiación de prácticas de seguridad en el trabajo es estudiada a partir de un modelo conceptual que representa el modo en que los diferentes factores de seguridad y las dimensiones que constituyen su cultura se relacionan de forma cíclica. El objetivo del trabajo consiste en integrar las dos propuestas conceptuales en un único marco que facilite la identificación de herramientas y combinaciones de ellas que permitan construir significados y aumenten la flexibilidad de los sistemas. El trabajo incluye el estudio de un caso real en una gran organización. En las conclusiones se remarcan los beneficios para la estructuración del problema, la incorporación de diversos puntos de vista, el aprendizaje y el compromiso.
Palabras Clave: Investigación Operativa Soft – Salud y seguridad ocupacional – Sistemas de gestión – Marco integrado
2. REFERENCIAS
ACKERMANN, F. (2012). “Problem structuring methods ‘in the Dock’: Arguing the case for Soft OR.” European Journal of Operational Research, 219(3), pp. 652-658.
HENAO, F., & FRANCO, L. A. (2016). “Unpacking multimethodology: Impacts of a community development intervention”. European Journal of Operational Research, 253(3), pp. 681-696.
: 172 :
OHSAS 18001: 2007 (2007): “Sistemas de Gestión de la Seguridad y Salud en el Trabajo – Requisitos”. Madrid: Asociación Española de Normalización y Certificación.
VIERENDEELS, G., RENIERS, G., VAN NUNEN, K., & PONNET, K. (2018). An integrative conceptual framework for safety culture: The Egg Aggregated Model (TEAM) of safety culture. Safety Science, 103, pp. 323-339.
WEICK, K., SUTCLIFFE, K. & OBSTFELD, D. (2008): “Organizing for high reliability: processes of collective mindfulness”. Crisis Management – Vol. 3 (1), pp. 81 – 123.
: 173 :
APLICANDO DESIGN THINKING EN EL ENTRENAMIENTO DE EQUIPOS QUE GESTIONAN SITUACIONES DE CRISIS
PATRICIO MALLER – NATALIA C. MIRA - ALICIA G. SALAMON - LAURA L. BOAGLIO
Facultad de Ingeniería – CRUC IUA - Facultad de Ciencias Exactas Físicas y Naturales - UNC [email protected] - [email protected] - [email protected] - [email protected]
1. RESUMEN
La toma de decisiones en episodios de crisis ha sido abordada desde muchas perspectivas en los últimos años, destacándose el aporte de la conducta económica, proveyendo un marco de trabajo que incluye no solo aprendizajes de experiencias previas sino factores emocionales y conductas contra intuitivas en la superficie.
En este trabajo, nos focalizaremos en el desarrollo de programas de entrenamiento y preparación para crisis utilizando herramientas de Design Thinking. Con influencias de los marcos para entender problemas, herramientas de la investigación operativa soft y Design Thinking, buscamos desarrollar sistema de entrenamiento para crisis que tengan en cuenta no solo los aspectos conscientes y formativos, sino los emocionales y de toma de decisión en contexto.
Los entrenamientos para miembros de equipos de gestión de crisis buscan una exposición a situaciones y memorización de soluciones, frecuentemente descartando la información contextual por resultar engañosa y por estar, durante la crisis, alterados los mecanismos de percepción de estos estímulos. Design Thinking nos brinda herramientas para estudiar el contexto, desarrollar empatía con los sujetos y proponer alternativas sistémicas.
En el marco de entrenamiento propuesto, se realiza un análisis de escenarios de crisis, y las situaciones se descomponen en problemas determinísticos (simples y complicados) y empíricos (complejos). Para el primer conjunto, se realizan entrenamientos basados en la aplicación de buenas prácticas y juicios de expertos. En el segundo conjunto de problemas, las herramientas de entrenamiento giran en torno a Design Thinking. Las fases principales de trabajo son empatizar con los actores, definir el problema, identificar soluciones, prototipar y testear. Se refleja así un enfoque para los problemas de resolución con pensamiento analítico, o lento y otro diferenciado para los problemas que requieren ciclos de acción e inspección, con características intuitivas o de pensamiento rápido.
Palabras Clave: Design Thinking – Investigación Operativa Soft. – Toma de decisiones – Manejo de crisis – Simulación
2. REFERENCIAS
FRENCH, S., & NICULAE, C. (2005): Believe in the model: mishandle the emergency. Journal of Homeland Security and Emergency Management, 2(1). KAHNEMAN, D., THINKING, F., & SLOW, F. (2011): Straus and Giroux. New York. PLATTNER H, MEINEL C, LEIFER L, EDITORS. (2010): “Design thinking: understand–improve–apply”. Springer Science & Business Media.
: 174 :
RUBENS, D. (2015): Beyond ‘Command & Control’: Developing a New Paradigm for Incident Command Systems, Critical Decision-Making and 21 st Century Crisis Response (Doctoral dissertation, University of Portsmouth). SAYEGH, L., ANTHONY, W. P., & PERREWÉ, P. L. (2004): Managerial decision-making under crisis: The role of emotion in an intuitive decision process. Human Resource Management Review, 14(2), 179-199.
: 175 :
UTILIZANDO EL LEXICO EXTENDIDO DEL LENGUAJE (LEL) PARA POTENCIAR SOFT SYSTEM METHODOLOGY (SSM)
NATALIA C. MIRA - MARIA A. BOGGIO - PATRICIO MALLER – SOFIA PEREZ
Facultad de Ingeniería – CRUC IUA [email protected] - [email protected] - [email protected] - [email protected]
1. RESUMEN
En situaciones de crisis y ante circunstancias inesperadas los grupos operativos pueden sufrir una disgregación con consecuencias notables. Si bien las organizaciones cuentan con personal altamente calificado, estructuras definidas y procedimientos conocidos, una contingencia no planeada produce la disociación del grupo de gestión y consiguiente tragedia. En este trabajo se propone una manera de sistematizar con un proceso formal algunas actividades para contribuir al adiestramiento de grupos de trabajo que deben estar en condiciones de enfrentar situaciones de crisis.
Una de las metodologías propuestas es el SSM (Soft System Methodology) como herramienta de análisis de situaciones problema en las cuales hay un alto componente social, político y humano. Esta metodología es creada y fundamentada por Checkland (1981 y 2000) y está dividida en siete etapas que se desarrollan en el trabajo. Por su parte Georgiou (2006) sigue los principales postulados de Checkland pero introduce algunos cambios de implementación de las siete etapas mencionadas. Según Georgiou esta metodología permite “conseguir información para estructurar, definir de modo riguroso y construir un plan de acciones en el marco de un enfoque sistémico en favor de la solución de la situación planteada”. En la etapa de Análisis de la situación problema y en la etapa Situación representada cuando se intenta diagramar la figura rica, los analistas pretenden relevar información de los miembros de las organizaciones comprometidas estableciendo una comunicación en el lenguaje natural. Esto plantea numerosos problemas y potenciales errores. El analista debe estar preparado para aceptar que en esta etapa, la información obtenida es incompleta y contiene contradicciones y ambigüedades. Para mejorar los resultados obtenidos y basados en la implementación de un enfoque sistémico que menciona Georgiou se propone la incorporación de una herramienta: Léxico Extendido del Lenguaje (LEL) para homogeneizar el lenguaje utilizado entre los roles involucrados, reconociendo y entendiendo el vocabulario específico como así también enfrentando y armonizando discrepancias entre los actores participantes. Una vez construido el LEL se desarrollaran los escenarios a partir del vocabulario establecido que permitirá una mejor comprensión del contexto y sus restricciones, asegurando la definición de la situación problema planteada en el SSM de una manera más efectiva.
Palabras Clave: Léxico Extendido del Lenguaje – Escenarios – Investigación Operativa Soft. – Soft System Methodology
2. REFERENCIAS
CHECKLAND, P. (2000): Soft Systems Methodology: A Thirty Year Retrospective. In: Systems Research and Behavioral Science, 17, S11–S58
: 176 :
HADAD, G., KAPLAN, G., OLIVEROS, A., LEITE, J. (1999): Integración de Escenarios con el Léxico Extendido del Lenguaje en la elicitación de requerimientos: Aplicación a un caso real. Revista de Informática Teórica y Aplicada, Vol. 6, Nro. 1
KAPLAN, G., HADAD, G., DOORN J., SAMPAIO DO PRADO LEITE, J. Inspección del Léxico Extendido del Lenguaje” WER2000. Workshop de Engenharia de Requisitos. LEITE J., ROSSI G. (1997): Enhancing a Requirements Baseline with scenarios.
Proceedings of RE 97: International Symposium on Requirements Engineering, IEEE.
RUBENS, D. (2015): Beyond ‘Command & Control’: Developing a New Paradigm for Incident Command Systems, Critical Decision-Making and 21 st Century Crisis Response (Doctoral dissertation, University of Portsmouth).
GEORGIOU, I. (2006): Managerial Effectiveness from a System Theoretical Point of View. Systemic Practice and Action Research 19, pp. 441- 459.
: 177 :
PROPUESTA PARA CONSTRUIR LA FIGURA RICA UTILIZANDO UML PARA REPRESENTAR EL DOMINIO
MARIA A. BOGGIO – ALICIA SALAMON – LAURA BOAGLIO – SOFIA PEREZ
Facultad de Ingeniería, CRUC IUA - Facultad de Ciencias Exactas Físicas y Naturales, UNC [email protected] – [email protected] – [email protected] - [email protected]
1. RESUMEN
En situaciones de crisis, los grupos encargados de dar respuesta actúan a partir de protocolos y procedimientos preexistentes, aún así, dicha respuesta puede verse condicionada por factores tales como la preparación y el entrenamiento del grupo, la cohesividad de sus miembros, la disponibilidad de los recursos necesarios en la crisis, y el tiempo transcurrido, entre otros. Ante esta necesidad de entrenamiento, se plantea la aplicación de procesos, actividades y modelos que ayuden a los recursos humanos en la preparación de su capacidad de respuesta en situaciones críticas. Este trabajo propone para ello, como metodología de abordaje, el SSM (Soft System Methodology) para enfocar el entrenamiento de grupos de manejo de crisis a partir del aprendizaje de sus miembros desde la reflexión y el debate de una situación real y concreta, actuando sobre dicha situación y evaluando los resultados.
Esta metodología comprende siete actividades, siendo la segunda de ellas “la expresión de la situación problema” mediante una figura rica o rich picture. Este trabajo plantea la construcción de esta figura utilizando un modelo de casos de uso de negocio (o dominio) con el Lenguaje Unificado de Modelado (UML). Así, la información obtenida de la realidad, se modela con este diagrama: se representan los procesos que se realizan en el dominio mediante casos de uso: un caso de uso de negocio representa los escenarios de un proceso del dominio o situación, que es ejecutado por trabajadores de negocio y es accedido por actores externos de negocio. Se propone aquí implementar esta representación utilizando UML como lenguaje común del grupo, con su capacidad de extensión y personalización, aportando el uso de una notación compartida que ayude a propiciar la comprensión colectiva de la situación.
Los grupos siendo entrenados, “hablarán lenguaje común” y el modelo de negocio obtenido actuará como “foto” de la realidad. Palabras Clave: Situación de Crisis – Soft System Methodology – Modelo de Casos de Uso de negocio - UML 2. REFERENCIAS
CHECKLAND, P.B. (2001): Soft Systems Methodology, in J. Rosenhead and J. Mingers, Rational Analysis for a Problematic World Revisited. Chichester: Wiley. GEORGE, G AND BOCK A. (2011): The business model in practice and its implications for entrepreneurship research. Entrepreneurship Theory and Practice. JACOBSON I. (2007): El Lenguaje Unificado de modelado. 2da ed. MARTELLOTO P. (2006): Un Profile UML para el modelo de negocio. SEDICI Servicio de Difusión de la Creación Intelectual Universidad Nacional de La Plata (Exposición en XII CACIC). RUBENS, D. (2015): Beyond ‘Command & Control’: Developing a New Paradigm for Incident Command Systems, Critical Decision-Making and 21 st Century Crisis Response (Doctoral dissertation, University of Portsmouth).
: 178 :
EL ANÁLISIS MULTICRITERIO COMO HERRAMIENTA DE APOYO A LA SELECCIÓN DE FUENTE DE ABASTECIMIENTO DE AGUA EN EL
CHACO PARAGUAYO
JORGE V. PILAR (1-2-3)- ALEJANDRO R. RUBERTO (1)- MARCELO J. GÓMEZ (1) - PEDRO T. TYMKIW (1)
(1) Grupo de investigación del Departamento de Hidráulica – Facultad de Ingeniería – UNNE (2) Facultad de Ciencias Económicas – UNNE
(3) Facultad de Ingeniería – UNaM [email protected] – [email protected] – [email protected] – [email protected]
RESUMEN
En este trabajo se presenta la metodología desarrollada y utilizada para elegir la mejor fuente de abastecimiento de agua para consumo humano en una región del Chaco Paraguayo.
Se formuló un modelo de apoyo la decisión, entendible para los decisores, bajo el paradigma multicriterio, utilizando cuatro atributos de ponderación (social, económico, ambiental y técnico) para escoger la mejor fuente de abastecimiento de agua, de manera de dar una respuesta optimizante.
Para considerar los aspectos sociales, se utilizó la cantidad de días por año que estadísticamente no podría lograrse una oferta de agua razonable. Entre los aspectos económicos se tuvieron en cuenta los costos de las alternativas en análisis. Por su parte, para los aspectos ambientales, se consideraron la vegetación afectada, impactos en los suelos y sus usos, modificación del paisaje y accesibilidad, mientras que los aspectos técnicos contemplaron la captación, la facilidad de operación y mantenimiento, dificultad de distribución, almacenamiento y transporte de agua.
El modelo desarrollado combinó la "Programación de Compromiso" y el "Método de Análisis Jerárquico", dos métodos ampliamente conocidos y utilizados como herramientas de apoyo a la decisión. Palabras Clave: Análisis multicriterio - Agua potable - Consumo humano - Chaco Paraguayo. 1. INTRODUCCIÓN
La región del Chaco Paraguayo o Gran Chaco Paraguayo se localiza entre las serranías del pedemonte, al oeste, el río Paraguay al este, Argentina al sur y Bolivia al norte (Figura 1).
Los cursos fluviales de la zona tienen poca capacidad de conducción debido a la baja energía de relieve, que combinada con la escasa pluviometría, configuran los comúnmente conocidos “sistemas hidrológicos no típicos” (SHNT), muy propios de la región chaqueña (Fertonani y Prendes, 1983).
Se caracteriza por tener un clima semihúmedo a semiárido, con un periodo húmedo entre octubre y abril. En esta zona se registran lluvias de 800 a 1.400 mm/año y condiciones subtropicales típicas; hacia el noroeste disminuyen las lluvias estacionales en el orden de 400 a 500 mm/año, imponiéndose un régimen subhúmedo a semiárido (Fundación para el desarrollo del Chaco, 2005).
La evapotranspiración potencial excede a la precipitación en más de 50%, fenómeno causado por elevadas temperaturas (Harder, 2009).
Más de 80% del Chaco Paraguayo se caracteriza por la escasez de agua como
: 179 :
consecuencia del balance hídrico negativo, agravada por la irregular distribución de las lluvias durante el año (Ruberto et al., 2013).
Hacia el oeste el clima es más seco, lo que ofrece condiciones naturales difíciles para la población humana. Sin embargo, en la parte central del Chaco Paraguayo hay poblaciones muy pujantes, en las que coexisten colonias menonitas, de elevada calidad de vida, basada en una economía cooperativa fuerte, junto con comunidades aborígenes, sin actividades económicas notables, más latinoparaguayos y otros grupos humanos.
Según Monte Domeq y Báez (2007), “la disponibilidad de agua potable en el Chaco Central muestra la vulnerabilidad del sistema de abastecimiento de agua, puesto que el mismo depende del volumen y frecuencia de lluvias y la capacidad de almacenamiento de las mismas, por parte de las comunidades”.
La mayor parte del agua superficial aprovechada en el Chaco Central proviene de las lluvias, acumulada en depresiones naturales, represas y en aljibes, siendo común el uso del agua cruda sin tratamiento. En todo el Chaco Central, particularmente en las comunidades aborígenes, la calidad de agua conlleva riesgos de salud, siendo frecuentes las enfermedades de origen hídrico (Tymkiw, 2010).
Actualmente, la región es un polo de producción láctea y de otros productos, como maní y carne. Para consolidar el desarrollo actual y permitir un crecimiento sostenido y sostenible, la provisión de agua de buena calidad y en cantidad suficiente es un factor determinante y decisivo.
Por ello, una misión técnica del Banco Interamericano de Desarrollo (BID) fue comisionada por la Agencia Española de Cooperación Internacional para el Desarrollo (AECID) para analizar la problemática del agua, dentro del marco de la solicitud de cooperación realizada por Paraguay al Gobierno de España, que le otorgó un fondo no reintegrable (subsidio) de 50 millones de dólares estadounidenses para resolver el problema de la provisión de agua apta para el consumo humano.
En ese contexto, se analizaron las condiciones de abastecimiento actuales y se plantearon escenarios de crecimiento futuro, tomando como base una dotación de 160 l/hab/día, un valor consensuado con las autoridades de Paraguay y acorde con los usos y costumbres de los pobladores.
Para atender esa demanda se analizaron cuatro alternativas: a) acueducto desde el río Paraguay; b) “cosecha de agua”; c) techos y aljibes; y d) pozos someros con infiltración.
La alternativa a) consiste en un acueducto que tomaría agua en el río Paraguay y, luego de tratada, la transportaría por algo más de 200km, atravesando una zona sin poblaciones intermedias, lo que es un problema de operación y mantenimiento de la obra. La b) está constituida por superficies de terreno acondicionadas como cuencas de captación, en campos, de las pocas precipitaciones que recibe la región. La alternativa “techos y aljibes”, la c), consiste en captación de agua de lluvia en techos de viviendas y construcciones anexas como tinglados y superficiales de áreas urbanas y sus correspondientes aljibes. Por su parte, la alternativa d), pozos someros con infiltración consiste en dejar almacenar agua en pozos de poca profundidad (someros) conectados con acuíferos, también someros, hacia los cuales se pueda dejar infiltrar agua proveniente de las precipitaciones.
Todas las alternativas tienen puntos a favor y otros en contra, por lo que la elección de una de ellas se transformó en una tarea compleja y engorrosa. Utilizando el léxico propio de la Teoría de la Decisión, ninguna constituía una solución dominante o dominada, según el criterio de Pareto (Pilar, 2012).
Elegir una sola opción entre varias posibles y teniendo en cuenta varios
: 180 :
criterios simultáneamente es, además de una tarea difícil, una fuente de potenciales conflictos. Este tipo de situaciones y su solución vienen siendo abordados a través de la “Técnicas de Análisis Multiobjetivo/Multicriterio” (Barbosa, 1997; Cohon, 1991; Eppen et al, 2000). Ellas son una importante herramienta de apoyo a la decisión, en especial en cuestiones de interés público.
Para encarar este problema de seleccionar una alternativa de abastecimiento de agua para la región del Chaco Paraguayo se desarrolló una metodología que combina dos técnicas ampliamente conocidas de análisis multicriterio, según una variante de la propuesta presentada por Pilar (2005): la Programación de Compromiso y el Método del Análisis Jerárquico (MAJ).
2. LA METODOLOGÍA PROPUESTA
Para ilustrar y describir la metodología propuesta y utilizada se considerará en forma esquemática tres aspectos que serán denominados, simplemente: aspecto A, aspecto B y aspecto C (el número de aspectos relevantes no es una limitación del método).
Como los aspectos analizados pueden ser muy diferentes es necesario adoptar algún esquema para poder compararlos en una misma métrica. Se utilizó un esquema de “umbrales de indiferencia”, según la metodología presentada por Pilar (2005). Se decidió asignar una puntuación 1 a la peor situación y 10 a la mejor.
Siguiendo la propuesta recién mencionada, el espacio de decisión queda restringido a un cuadrado, cubo o hipercubo de 9 unidades de arista (10 menos 1, puntajes mayor y menor, respectivamente). En el caso de los 3 aspectos hipotéticos considerados, se estaría ante la presencia de un cubo.
En realidad, ese espacio sólo será un cubo en el caso en que cada aspecto tuviese la misma importancia relativa (peso) en la decisión. Sin embargo, cada aspecto podría tener una importancia diferenciada: wA, wB y wC, pero cumpliendo la condición que wA+wB+wC=1. Para determinar la importancia relativa de cada aspecto se utilizó el Método del Análisis Jerárquico, desarrollado por Saaty (Saaty, 1991).
Por lo tanto, el cubo hipotético se transformará en un poliedro, pues las coordenadas de cada eje deberían ser afectadas por los coeficientes mencionados (pesos o importancias relativas) en el párrafo anterior (Figura 2).
Luego, utilizando la Programación de Compromiso, desarrollado por Zeleny en 1973 (Romero, 1996), cada alternativa podría ser caracterizada por su distancia (euclideana o geométrica) al punto ideal (coordenadas 10,10,10), o por la distancia al punto antiideal (coordenadas 1,1,1). La mejor alternativa sería aquella que estuviese más cerca del punto ideal, o más lejos del antiideal, o una combinación de ambas cosas.
Para este caso real y concreto, referido a la provisión de agua en la región del Chaco Paraguayo, los aspectos que se tuvieron en cuenta fueron cuatro: a) social; b) económico; c) ambiental y d) técnico. Es importante que estos aspectos reflejen la problemática sin redundancias, es decir, deben ser, en la medida de lo posible, independientes. (En otro caso, inclusive en este mismo caso, diferentes analistas podrán escoger otros aspectos a ser tenidos en consideración.)
Para caracterizar el aspecto social se calculó el porcentaje del tiempo que la dotación sería menor o igual a 65 l/hab/día (el umbral inferior de la dotación adoptada). Se escogió como situación “Nota 10” aquella en la que este porcentaje es nulo y como la de “Nota 1” aquella en la que ese valor es 50% o mayor. Para las situaciones intermedias se adoptó una variación lineal, mostrada en la Figura 3.a).
: 181 :
En cuanto al aspecto económico, teniendo en cuenta el subsidio antes mencionado de 50 millones de dólares estadounidenses, se adoptó como situación ideal “Nota 10” a la situación en la que el costo total es cubierto por el subsidio. Se calificó con “Nota 1” las alternativas con costo total que superaran 50% dicho subsidio. Para las situaciones intermedias se adoptó la variación lineal mostrada en la Figura 3.b).
Para calificar el aspecto ambiental se consideraron los impactos provocados por la construcción y operación de las distintas alternativas, según la siguiente escala semántica:
- Nota 10: bajo impacto ambiental; - Nota 8: impacto ambiental tolerable; - Nota 5: impacto ambiental medio; - Nota 3: alto impacto ambiental; - Nota 1: impacto intolerable.
El aspecto técnico estuvo referido a la dificultad para la captación, almacenamiento, distribución, operación y mantenimiento del sistema. Para este caso, también se adoptó una escala semántica similar a la usada en el aspecto ambiental:
- Nota 10: dificultad baja; - Nota 8: dificultad tolerable; - Nota 5: dificultad media; - Nota 3: dificultad alta; - Nota 1: dificultad intolerable.
Entonces, cada una de las cuatro alternativas que fueron analizadas (identificadas por el subíndice “i”) quedó caracterizada por un punto “Pi” dentro del espacio de decisión mostrado en la Figura 2, con cuatro coordenadas “Xi”, cuyos valores son el puntaje (nota) de esa alternativa para cada uno de los cuatro aspectos considerados: Xi-SOCIAL; Xi-ECONÓMICA; Xi-AMBIENTAL y Xi-TÉCNICA.
Para definir la importancia relativa entre los aspectos considerados como relevantes para la toma de decisión se realizaron ruedas de consultas con técnicos y funcionaros oficiales utilizando una suerte de variante del método de negociación Delphi. La matriz consensuada de comparaciones entre los aspectos considerados se muestra en la Tabla 1.
Las comparaciones mostradas en la matriz de la Tabla 1 deben entenderse de la siguiente manera: por ejemplo, el valor “5” que aparece en la columna de la derecha de la primera línea indica que se consideró que el “Aspecto social” tiene una importancia relativa de “5 a 1” respecto al “Aspecto técnico”; luego, el “Aspecto técnico” tendrá una importancia relativa de “0,20” (1 a 5) respecto al “Aspecto social”.
Para realizar esas comparaciones que definen importancias relativas se utilizó la escala semántica propuesta por Saaty (op. cit.): 1, “igual” en importancia; 3 “un poco más importante”; 5, “mucho más importante”; 7, “claramente más importante”; 9, “absolutamente más importante”, pudiéndose utilizar valores intermedios.
Luego, la parte de esa matriz que corresponde a las comparaciones entre aspectos considerados será cuadrada, con valores “1” en su diagonal principal y, además, será recíproca, es decir que lo que está por arriba de esa diagonal principal será recíproco de lo que se encuentra por debajo de la misma. Las siguientes tres líneas de lo mostrado en la Tabla 1 son operativas (de cálculo).
: 182 :
Tabla 1. Comparaciones entre los aspectos que fueron considerados
Las comparaciones de esa Tabla 1 fueron la base para la aplicación del MAJ, utilizado para obtener las importancias relativas de cada uno de los cuatro aspectos que se consideraron. Según el método, el autovector de la matriz de comparaciones es el vector de importancias relativas de lo que se está comparando. En este caso, la línea inferior de la Tabla Nº1 es ese vector de importancias relativas y reflejaría la preferencia de los decisores: el aspecto “social” representa 49% de su decisión, el aspecto “económico” 25%, el ambiental 16%, mientras que las cuestiones “técnicas” 10%.
Siendo el MAJ un método ampliamente conocido, no se lo describirá en más detalle en este trabajo. 2.1. La selección de la alternativa más conveniente
Seguidamente, para cada una de las cuatro alternativas analizadas se calculó su distancia euclideana (geométrica) a la situación ideal (coordenadas 10,10,10,10), a minimizar, utilizando la siguiente ecuación:
5,0
2
AMBiAMB
2
TECiTEC
2
ECOiECO
2
SOCiSOCi)X10(w)X10(w)X10(w)X10(wd
donde el subíndice “i” se refiere a cada una de esas cuatro alternativas. Los resultados son mostrados en la Tabla 2.
Asp
ecto
so
cial
Asp
ecto
eco
nó
mic
o
Asp
ecto
amb
ien
tal
Asp
ecto
técn
ico
Aspecto social 1,00 2,00 3,00 5,00
Aspecto económico 0,50 1,00 1,50 2,50
Aspecto ambiental 0,33 0,67 1,00 1,67
Aspecto técnico 0,20 0,40 0,60 1,00
Sumatoria 2,03 4,07 6,10 10,17
1/Sumatoria 0,49 0,25 0,16 0,10
Valor normalizado (importancia relativa) 0,49 0,25 0,16 0,10
: 183 :
Tabla 2. Distancia al punto ideal (a minimizar) para cada alternativa.
Posteriormente, se hizo algo similar, pero calculando las distancias a la situación antiideal (coordenadas 1,1,1,1), a minimizar, utilizando la siguiente ecuación:
5,0
2
AMBiAMB
2
TECiTEC
2
ECOiECO
2
SOCiSOCi)1X(w)1X(w)1X(w)1X(wd
Los resultados obtenidos son mostrados en la Tabla 3.
Tabla 3. Distancia al punto antiideal (a maximizar) para cada alternativa.
Teniendo en cuenta las distancias totales ponderadas presentadas en las Tablas 2 y 3, se obtuvo el ranking de preferencias, que es mostrado en la Tabla 4.
: 184 :
Tabla 4. Orden de preferencias de las alternativas analizadas
3. CONCLUSIONES
La opción del acueducto se mostró como la mejor elección, pues presentó la menor distancia total ponderada a la situación ideal y, simultáneamente, la máxima distancia a la situación antiideal, conjunción no mostrada por las otras (por ejemplo, la alternativa “techos y aljibes” estuvo 2ª en el ranking según su distancia a la situación ideal y 4ª por su distancia a la antiideal).
La aplicación de una combinación de técnicas multicriterio según lo presentado en este trabajo permitió introducir objetividad al proceso de decisión política de elegir una entre cuatro alternativas posibles para el abastecimiento de agua a la región de interés en el Chaco Paraguayo, según cuatro aspectos que se consideraron como relevantes, siendo que a priori ninguna de esas alternativas se mostraba ni mejor ni peor que las otras.
Se utilizó una combinación del “Método del Análisis Jerárquico” y la “Programación de Compromiso”, ambos de sólida base matemática y lógica, adicionando una variante que permite poner en una misma métrica aspectos muy diferentes y, por lo tanto, difíciles de comparar entre sí.
Con esta metodología y este análisis, que si bien es cuantitativo, tiene connotaciones cualitativas y por lo tanto depende de percepciones e interpretaciones que podrían variar, quedó claro que si el objetivo general es garantizar una dotación de agua potable adecuada, a un costo económico y ambiental razonables y sin demasiadas complicaciones técnicas, el acueducto es la alternativa recomendable, aunque sin descartar las otras, que podrían ser tenidas en cuenta para una provisión complementaria para atender, por ejemplo, usos menos prioritarios.
Figura 1. Ubicación geográfica (fuente: Plan Gestión Integrada Cuenca del Río Pilcomayo).
: 185 :
Figura 2. Deformación del espacio de decisión
Figura 3. Puntuaciones adoptadas para los aspectos social y económico
5. REFERENCIAS
BARBOSA, P.S.F. (1997). O emprego da análise multiobjetivo no gerenciamento dos recursos hídricos. Água em revista. n8, pp 42-46.
COHON, J.L. (1991). Multiobjective programming and planning. New York: Academic Press. 333p.
EPPEN, G.D., GOULD, F.J., SCHMIDT, C.P., MOORE, J.H., WEATHERFORD, L.R. (2000). Investigación de operaciones en la ciencia administrativa. México: Prentice-Hall. 792p.
FERTONANI M., PRENDES, H. (1984). Hidrología en áreas de llanura. Aspectos conceptuales teóricos y metodológicos. In: Actas del Coloquio de Hidrología de Grandes Llanuras. Olavarría, Argentina. pp.120-156.
FUNDACIÓN PARA EL DESARROLLO DEL CHACO. (2005). Atlas climático Chaco paraguayo. www.desdelchaco.org.py.
HARDER, W. (2009). Experiencia de la cosecha de agua de lluvia en el Chaco Central Paraguayo. 2º Seminario de Pasturas del NEA y 1º Seminario de Pasturas del MERCOSUR. Formosa, Argentina. Anales.
MONTE DOMECQ R., BÁEZ J. (2007). Informe final Plan de Aguas para el Chaco. Inédito.
PILAR, J.V. (2005). Propuesta de optimización multiobjetivo para el trazado de obras de ingeniería: El caso de la defensa norte de la ciudad de Resistencia – Chaco. In: XX Congreso Nacional del Agua y III Simposio de Recursos Hídricos del Cono Sur – CONAGUA 2005. Mendoza, Argentina. Anales.
: 186 :
PILAR, J.V. (2012). Herramientas para la gestión y la toma de decisiones. Ed. Hanne, 2da. Ed. Salta, 138p.
ROMERO, C. (1996). Análisis de las decisiones multicriterio. Madrid: Algorán 115p.
SAATY, T. (1991). Método de análise hierárquica. São Paulo: McGraw-Hill, Makron. 367p.
RUBERTO, A.; GÓMEZ, M.; TYMKIW, P; PILAR, J; GALEANO, F. (2013). Estudio de alternativas de abastecimiento de agua fresca en el Chaco Paraguayo. XXIV Congreso Nacional del Agua. San Juan, Argentina. Anales
TYMKIW, P. (2010). Estudio técnico de alternativas de abastecimiento de agua al Chaco Central – Proyecto Acueducto Río Paraguay – Loma Plata – Filadelfia – Neuland – Irala Fernández – Lolita. Informe final de consultoría BID, Asunción, Paraguay.
: 187 :
ORGANIZACIÓN DE LAS PRIORIDADES DE LA HERRAMIENTA
AYUD@RG POR MEDIO DE AHP
MARÍA R. DOS REIS - CAMILA R. BARREIRO SANDOVAL – MOISÉS E. BUENO
Facultad de Ciencias Exactas. Grupo de Investigación en Informática de Gestión del Instituto de Investigación en Tecnología Informática Avanzada (INTIA)-Universidad Nacional del Centro de la Provincia de Buenos Aires
[email protected] [email protected] [email protected]
RESUMEN
Un proyecto de software en crecimiento, en un momento determinado de su ciclo de vida, necesita un análisis pormenorizado que permita realizar los ajustes convenientes en el momento oportuno. Este análisis posibilita diagnosticar el estado de situación en que se encuentra el software, las alternativas de futuros desarrollos y soluciones, las necesidades de crecimiento hacia diferentes direcciones alineadas estratégicamente con la Organización a cargo del Proyecto; todo ello delimitado por los recursos existentes, generando el marco propicio para lo toma de decisiones en el corto y mediano plazo.
Dentro de este contexto se enmarca la Asociación Civil Proyecto Koinonía. El presente trabajo está orientado a colaborar con la organización interna de dicha Asociación, en particular en lo que respecta al diseño y desarrollo de la herramienta AYUD@RG, apuntando al crecimiento y fortalecimiento del Proyecto.
Por medio del análisis multicriterio para la toma de decisiones y la aplicación del método del Proceso Analítico Jerárquico, utilizando el software Super Decisions, se brinda un orden de prioridades en las alternativas selectas.
Los resultados arrojados por el método permitieron establecer claramente un orden de prioridades coherente con los fines institucionales y acorde a criterios preseleccionados de un conjunto de atributos de calidad de software.
Palabras Clave: Apoyo Multicriterio a la Decisión – AHP – ONGs – Red social -
Planificación
1. INTRODUCCIÓN
La Asociación Civil Proyecto Koinonía1, en adelante Koinonía, se gestó con el objeto de facilitar la puesta en marcha e implementación de herramientas tecnológicas al servicio de la sociedad, permitiendo la vinculación del tercer sector, compuesto por las organizaciones no gubernamentales (ONGs), con los otros sectores sociales en beneficio de la comunidad. La red inter-organizacional vinculada a través de los servicios brindados por Koinonía, se basa en principios de cooperación, trabajo en equipo, integración con otros sectores y valores solidarios de la comunidad de pertenencia (Benito, Pereyra, Verzi, Dos Reis y Bueno, 2012).
Actualmente, se encuentra en etapa de implementación, en la región de la Universidad Nacional del Centro, el servicio tecnológico brindado por Koinonía denominado AYUD@RG, que le da sustento al presente trabajo.
AYUD@RG constituye una herramienta de apoyo a las instituciones sin fines de lucro, y un facilitador comunicacional, que posibilita a través de la gestión del
1 www.proyectokoinonia.org.ar
: 188 :
conocimiento de la red, administrar y asignar los recursos sociales de una manera más eficiente, colaborar en la administración de proyectos y construir el conocimiento inter-organizacional (Benito et. al, 2012). Esta herramienta ha sido creada y mejorada en forma continua en su totalidad por los alumnos de la Facultad de Ciencias Exactas, de la Universidad Nacional del Centro de la Provincia de Buenos Aires (UNICEN), coordinados por los docentes y miembros de la Asociación.
En el presente trabajo, a través de técnicas de Investigación Operativa, se estructura un problema de decisiones que afronta Koinonía a la hora de atender las distintas alternativas de desarrollo en la herramienta AYUD@RG, que permitan focalizarse en un amplio espectro de aspectos y problemáticas de los cuales urge su eficaz tratamiento y posterior solución.
En base a la identificación del conjunto de tareas que requieren atención, en este trabajo se propone la aplicación de un modelo de apoyo a la toma de decisiones, específicamente Analytic Hierarchy Process (AHP), para determinar un orden de prioridades de alternativas a implementar, de acuerdo a un conjunto de criterios de evaluación de software, que permita atender las problemáticas con mayor urgencia, desde el análisis del decisor.
Para el desarrollo del presente trabajo se utilizó el software de apoyo a la decisión, denominado Super Decisions2, el cual proporciona herramientas para crear y administrar modelos AHP y ANP (Analytic Network Process), ingresar juicios, obtener resultados y realizar análisis de sensibilidad sobre los mismos. 2. DESARROLLO
2.1 El Método AHP
AHP está diseñado para casos en los que las ideas, emociones y sentimientos se cuantifican en base a evaluaciones subjetivas del decisor, respecto a la importancia relativa de cada uno de los criterios, especificando sus preferencias para cada una de las alternativas de decisión y para cada criterio. El Análisis de Decisiones se diseñó para estudiar estos tipos de decisiones que se deben tomar en un ambiente de gran incertidumbre. Esta herramienta proporciona un marco de trabajo y una metodología para la toma de decisiones racional cuando los resultados son inciertos (Taha, 2012).
La forma más simple utilizada para estructurar un problema de decisión es una jerarquía que consta de tres niveles: el objetivo de la decisión en el nivel superior, seguido por un segundo nivel que consiste en los criterios por los cuales las alternativas, ubicadas en el tercer nivel, serán evaluadas. La jerarquía resultante debe ser completa, no redundante y minimal (no debe incluir aspectos no relevantes).
2.2 Descripción del Problema
Para poder determinar cuál es el problema real de Koinonía en el proceso de desarrollo de la herramienta AYUD@RG, se realizaron entrevistas en profundidad con miembros de la organización, quiénes aportaron desde la visión y misión organizacional los lineamientos institucionales que llevan a cabo, y un jefe técnico de desarrollo de software perteneciente a la organización.
Las entrevistas permitieron definir la problemática a resolver en la Organización: el software ha sido desarrollado por sub-proyectos ensamblados, cada
2 https://www.superdecisions.com/
: 189 :
sub-proyecto desarrollado por un grupo diferente de alumnos, cada grupo respondió a un requerimiento particular, manteniendo la premisa y objetivos básicos de la herramienta. Luego el ensamblado de código se ha realizado en etapas de acuerdo a las funcionalidades que los miembros de la Organización han determinado que darían respuesta en primera instancia a los requerimientos generales de las ONGs.
Aún, con funcionalidades no desarrolladas, y en etapa de implementación del servicio, Koinonía urge de un análisis de evaluación de alternativas y criterios para poder continuar en el proceso de mejora continua del desarrollo de software propuesto.
2.3 Estructuración del Problema de Decisión
Se determina como objetivo principal, en el primer nivel, Organizar las prioridades de AYUD@RG. En el segundo nivel se ubican los nueve criterios que contribuyen a la meta, y en el tercer nivel, se presentan las siete alternativas factibles que van a ser evaluadas en términos de los criterios del segundo nivel.
2.4 Determinación de Criterios y selección de Alternativas
2.4.1 Criterios
Para la selección de los criterios se utiliza como base el trabajo de Bass,
Clements y Kazman (2013), fundamentalmente porque AYUD@RG es un software que
fue diseñado por medio de una arquitectura, y encuadra en la definición dada por los
autores, donde arquitectura es puente entre las metas del negocio y el sistema
concreto resultante (Bass et al., 2013).
Estos autores proponen siete atributos de calidad principales y otros secundarios. Un atributo de calidad es una propiedad medible de un sistema que se utiliza para indicar cuánto el sistema satisface las necesidades de sus partes interesadas (Bass et al., 2013).
Luego de un análisis minucioso de cada uno de los atributos, se consideraron nueve de ellos que son seleccionados como criterios en el análisis jerárquico propuesto:
Disponibilidad: refiere a la propiedad del software de estar listo para llevar adelante una tarea cuando se lo necesita.
Interoperabilidad: grado en que dos o más sistemas pueden intercambiar e interpretar útil y correctamente información significativa a través de interfaces en un contexto particular.
Modificabilidad: el costo en tiempo o dinero de realizar un cambio, incluido el grado en que esta modificación afecta otras funciones o atributos de calidad.
Rendimiento: tiempo y habilidad del software para cumplir con los requisitos.
Seguridad: medida de la capacidad del sistema tanto para proteger los datos y la información del acceso no autorizado, como para evitar ingresar a estados que causen o provoquen daños, lesiones o pérdida de vida a los actores en el entorno del software, y para recuperar y limitar el daño cuando entra en mal estado.
Testeabilidad: refiere a la facilidad con la que se puede hacer que el software demuestre sus fallas mediante pruebas.
: 190 :
Amigabilidad: permite determinar cuán fácil es para el usuario realizar una tarea deseada y el tipo de soporte que brinda el sistema.
Portabilidad: refiere a la facilidad con la que el software se puede cambiar para ejecutarse en una plataforma diferente.
Escalabilidad: habilidad para reaccionar y adaptarse sin perder calidad.
2.4.2 Alternativas
El siguiente listado describe las alternativas seleccionadas:
Gestionar stock y logística: es crucial para el buen crecimiento de la herramienta, tener en cuenta cuestiones tales como: políticas con alimentos perecederos ofrecidos y criterios en el manejo de cantidades de artículos ofrecidos.
Depurar herramienta: implica borrar aquellos datos, estructuras o funciones que hoy ya no están en uso, por haber sido mejorados en posteriores trabajos. Esto trae aparejado una mejora inherente en la seguridad.
Generar indicadores: al respecto, Xodo, Illescas, Bueno y Dos Reis (2017) señalan:
“El control de las operaciones y la gestión del sistema puede ser establecido mediante un sistema de indicadores que, vinculando las variables representativas de la actividad y relaciones cuantitativas determine el nivel de funcionamiento de los distintos sub-sistemas y su contribución al funcionamiento del sistema general. (…) Por otra parte, la población asistida poseerá un sistema de indicadores que refleje sus necesidades en base a las cuales, serán las asignaciones, cuya efectividad será reflejada como vínculo, mediante indicadores de causa e indicadores de efecto” (p. 219).
Facilitar articulación micro social: el desarrollo de funcionalidades que faciliten la articulación de la red entre las distintas organizaciones es fundamental, debido a que permitiría interactuar y relacionarse, unificando esfuerzos y voluntades, compartiendo recursos y capacidades, en post de la ejecución de proyectos y acciones, cuyos objetivos subyacentes tienen como principal directriz el bien común y la justicia social en la comunidad destinataria.
Flexibilizar herramienta: refiere tanto a aprovechar las facilidades que nos proveen las distintas redes sociales, como también a toda mejora que acreciente la amigabilidad de AYUD@RG.
Gestionar oferta: engloba todos aquellos aspectos que se mejoren de la herramienta, orientados a enriquecer el ámbito de la oferta, entre ellos: definir un sistema de calificación de los donantes, jerarquización de oferentes, posibilidad de recibir donaciones monetarias, entre otros.
Gestionar demanda: permite fomentar las opciones de demanda, es decir, la interacción de quien precisa la donación con los donantes. Algunos ejemplos son, detallar el avance del proyecto y el tiempo para su finalización, mostrar los recursos recibidos y su trazabilidad, entre otros.
En el proceso de selección, primeramente, se realiza un listado con todas aquellas alternativas que parecía importante incluir, el cual se sintetiza a las expuestas, uno de los motivos de dicha reducción fue la independencia de las alternativas.
: 191 :
Entre las excluidas se puede mencionar: el testeo y documentación de la herramienta, actualización del diseño de la página web e implementación de un diccionario de sinónimos y reconocedor de palabras. Algunas de éstas ya se encuentran en proceso de desarrollo por medio de Prácticas Profesionales Supervisadas, una actividad acreditada de Extensión de la Facultad de Ciencias Exactas,UNICEN.
2.5 Ingreso de los Juicios
Los integrantes de Koinonía realizaron la carga de los juicios comparativos en la matriz de comparaciones por pares de criterios, utilizando la Escala Fundamental (Saaty, 1998), como se puede apreciar en la FIGURA 1.
Además, se armaron las comparaciones por parejas de las alternativas para satisfacer cada criterio en el segundo nivel. Por lo tanto, se completaron nueve matrices de juicios de 7x7, de acuerdo a los criterios y alternativas descriptas en el apartado 2.4.
2.6 Síntesis
La síntesis general consiste en la determinación de las prioridades generales de las alternativas teniendo en cuenta el nivel de importancia asignado a los criterios. Se puede observar el resultado obtenido de este proceso en la FIGURA 2. En la columna Normals que muestra las preferencias finales en forma estandarizada, se aprecia el orden de las alternativas resultante: Flexibilizar herramienta en primer lugar, seguido por Gestionar oferta, Gestionar demanda, Facilitar articulación micro social, Gestionar Stock y Logística, Depurar herramienta y, en último lugar, Generar indicadores.
La columna Ideals permite apreciar, en términos relativos porcentuales, cuán buena es una alternativa con respecto a la mejor opción.
2.7 Análisis de sensibilidad
Algunas de las preguntas que se pueden cuestionar al realizar un análisis de sensibilidad son: ¿qué pasa si se les diera la misma importancia a todos los criterios?, ¿cuál sería la mejor opción si se cambia la importancia de los criterios? y, ¿qué pasa si se le da más importancia a uno o se considera que es tan importante como otro?
Resumiendo brevemente, se realizó un análisis utilizando una opción brindada por el software, llamada Direct, resultando que existen criterios que con sus pesos determinan el orden de prioridades. Sin embargo, hay tendencias que se repiten, y alternativas que se posicionan en los mismos lugares o cercanas a la solución inicial.
Si se reordenan las alternativas tomando como criterio la cantidad de veces que aparecen en cada posición, teniendo como referencia el resultado original y dos análisis de variación de pesos (todos los criterios el mismo y la valoración de uno sobre los demás) el orden sería: Gestionar oferta, Flexibilizar herramienta, Gestionar Stock y Logística, Gestionar demanda, Facilitar articulación micro social, Depurar herramienta y Generar indicadores.
: 192 :
2.8 Decisión final
En el caso del presente trabajo todas las alternativas son interesantes para el resultado. Lo que indica este orden será el criterio o guía que tendrán en cuenta los decisores a la hora de continuar con el desarrollo del software.
En las sucesivas entrevistas con los integrantes de Koinonía, un concepto que quedó en claro para ambas partes es que sus juicios siempre se orientarían a que la herramienta AYUD@RG crezca, y funcione correctamente para dar servicio al mayor número de ONGs posibles, independizándolos de cualquier tipo de interés o criterio personal del decisor.
Con base en los resultados de la síntesis y el conocimiento obtenido del análisis de sensibilidad realizado, se decidió optar por el resultado que muestra la FIGURA 2. Más allá que algunas diferencias son sutiles respecto al orden dado al final de la realización del análisis de sensibilidad, a continuación, se listan una serie de motivos que alientan la elección tomada:
Flexibilizar herramienta: AYUD@RG es una herramienta destinada a la sociedad en general, por este motivo es importante que sea lo más intuitiva posible, para que su uso se vuelva sencillo y la gran mayoría sepa cómo utilizarla. Por este motivo resulta coherente que sea la alternativa con mayor prioridad.
Gestionar oferta y Gestionar demanda: la gestión de recursos es la idea principal del proyecto, por ende, es prioritario su perfecto funcionamiento.
Facilitar articulación micro social: luego de analizar el verdadero potencial que tienen la posibilidad de formar redes sociales para la colaboración mutua en proyectos concretos, y el conocimiento inter-organizacional, se determina importante avocarse a desarrollar este ámbito.
Gestionar Stock y Logística: la cantidad de usuarios actuales es reducida. Cuando su uso se masifique, será necesario contar con mejoras en este ítem.
Depurar herramienta: en esta instancia de implementación no resulta prioritaria su depuración. Si bien la seguridad es un tema clave a garantizar, ya se encuentran implementadas las funciones a priori que administran esta cuestión.
Generar indicadores: es la alternativa que menos se relaciona con mejoras respecto al correcto funcionamiento de la herramienta, más bien, cuando se seleccionen los indicadores adecuados proporcionará la posibilidad de implementar nuevas funcionalidades y medir el impacto del uso de la herramienta.
2.9 Consistencia
2.9.1 AHP y la consistencia
AHP presenta un inconveniente notable que surge luego de la evaluación de los criterios, y es que al realizar las valoraciones de a pares suelen existir errores de transitividad, asignando erróneamente valores de importancia que están cargados con imprecisiones, incertidumbre o falta de completitud en los datos, provocando inconsistencias que son complejas de detectar y corregir a medida que el orden de las matrices se va incrementando.
Las matrices consistentes son esenciales, ya que cuando se trabaja con intangibles, el juicio del ser humano es, por necesidad, inconsistente, y si incorporando información se puede mejorar la inconsistencia, entonces esto mejoraría la validez de las prioridades en una decisión.
: 193 :
Para satisfacer el criterio de consistencia en AHP, primero se calcula el ratio de consistencia (CR) de cada matriz y es aconsejable que su valor se encuentre por debajo del valor 0.1, lo que significa que la matriz es suficientemente consistente para obtener un autovector, que represente adecuadamente la importancia relativa de los elementos comparados. En el caso de tener un valor de ratio de consistencia mayor al máximo mencionado, se debe adoptar un método que lo disminuya y mejore.
Existen varios métodos que corrigen los problemas de inconsistencias en las matrices de AHP. A continuación, se exponen algunos de ellos:
-El método original de Saaty modifica de forma arbitraria ciertos valores de la matriz, pudiendo alterar la importancia real que el decisor le confirió sin importar si dicha valoración es correcta en base a sus preferencias o fue producto de uno de los tipos de ignorancia nombrados. (Saaty y Vargas, 2012)
-La utilización de algoritmos genéticos que realizan cambios globales en la matriz y logran mejoras de la consistencia sin comprometer la importancia en la valoración dada por el decisor (Karanik y Wanderer, 2013).
-Utilización de la herramienta de aprendizaje automático denominada máquina de vectores de soporte (SVM: Support Vector Machine), específicamente la versión de regresión denominada regresión de vectores de soporte épsilon (εSVR: Epsilon Support Vector Regression) (Favret, Rodríguez y Labat, 2015).
2.9.2 Aplicación en el problema concreto
A la hora de cargar los datos brindados por Koinonía en las matrices, por medio del Software Super Decision, la inconsistencia resultante fue mayor que 0.1 en cada una, por lo que se debió indagar dónde radicaba el problema y optar por una mejora.
Luego de analizar la cuestión, se concluye que existían dos inconvenientes principales. Algunos juicios, contra todos los demás, eran considerados más importantes, lo que se puede interpretar como una decisión prioritaria previamente, y por ende no necesitaría incluirse en el análisis, porque siempre va a prevalecer sobre las demás. Sabiendo esto, se volvieron a evaluar los juicios de las matrices de comparación por pares y se descubrió que, reuniendo más información y reexaminando el marco de la jerarquía, los valores podían cambiarse levemente.
Por otra parte, el concepto de transitividad tampoco se cumplía en algunos casos, fundamentalmente por la evaluación subjetiva inherente al decisor medida en una escala de intervalos. AHP permite cierta inconsistencia, por lo que no es una propiedad que debe cumplirse de forma estricta, es decir que el decisor puede optar por valores cercanos al matemáticamente establecido.
En resumen, en el trabajo se utiliza el método original de Saaty, intentando que la modificación de los valores no sea de forma arbitraria, para alterar lo menos posible la importancia real del decisor, logrando juicios reales y coherentes.
3. CONCLUSIONES
Mediante la resolución del caso de decisión multicriterio presentado, aplicando la metodología AHP, quedaron en evidencia numerosas ventajas del método. Es simple y flexible, lo cual facilita entender el problema planteado y llevar a cabo un adecuado proceso de toma de decisión, permite analizar por separado la contribución de cada componente del modelo al objetivo general, detecta y acepta, dentro de ciertos límites, la incoherencia de los individuos, permite emplear de forma natural una
: 194 :
jerarquización de los criterios y no se necesita información cuantitativa acerca del resultado que alcanza cada alternativa en cada uno de los criterios considerados, sino tan solo los juicios de valor del decisor.
Aunque son cuantiosas las ventajas, la sola aplicación del método no garantiza la mejor decisión, ésta constituye simplemente una técnica de análisis que permite que la decisión que se recomiende o se adopte esté basada en el análisis minucioso de un problema, y en la síntesis de la información relevante formada por el conocimiento, experiencia, opiniones y preferencias de los diferentes agentes que se hayan involucrado en el proceso de toma de decisión.
Respecto al ejemplo particular desarrollado en el trabajo, se puede concluir que los resultados fueron coherentes y los integrantes de la Asociación Civil Proyecto Koinonía quedaron conformes al respecto, permitiendo de esta forma delinear estrategias de continuidad tanto en el desarrollo y mejora del software como en la prestación del servicio brindado a través de la herramienta AYUD@RG.
4. FIGURAS
FIGURA 2: Resultados
FIGURA 1: Matriz de comparación por pares de criterios y vector de prioridades asociado
: 195 :
5. REFERENCIAS
BASS L., CLEMENTS P. Y KAZMAN R. (2013): Software Architecture in Practice. Third Edition. Addison-Wesley. Software Engineering Institute. Pearson Education, Inc. BENITO D., PEREYRA C., VERZI C., DOS REIS M., BUENO M. (2012): “Conocimiento en Acción: Construcción de una herramienta de gestión web para dar soporte a una agrupación de organizaciones no gubernamentales de carácter social”. Anales del XXV ENDIO – XXIII EPIO. ISBN 978-987-24267-3-6. FAVRET F., RODRÍGUEZ F, LABAT M. (2015): “Regresión con SVM para reducir la inconsistencia de la matriz AHP”. ASAI 2015, 16º Simposio Argentino de Inteligencia Artificial, pp. 1-8. KARANIK M., WANDERER L. (2013): “Aplicación de Algoritmos Genéticos a la Corrección de Matrices Inconsistentes en el Proceso Analítico Jerárquico (AHP)”. XV Whorkshop de Investigadores en Ciencias de la Computación, pp. 818-822 SAATY, T. (1998): “Método Analítico Jerárquico (AHP): Principios Básicos”. En Evaluación y Decisión Multicriterio. Reflexiones y Experiencias. Editorial Universidad de Santiago, pp. 17-46. SAATY T., VARGAS L. (2012): Models, Methods, Concepts & Applications of the Analytic Hierarchy Process. Second Edition. International Series in Operations Research & Management Science. Springer Science & Business Media. TAHA H. (2012): Investigación de operaciones. Novena edición, PEARSON EDUCACIÓN, México. XODO D., ILLESCAS G., BUENO M., DOS REIS M. (2017): “Análisis y elaboración de datos para el desarrollo de un sistema de indicadores de ayuda social”. Anales del XIX Workshop de Investigadores en Ciencias de la Computación (WICC 2017, ITBA, Buenos Aires). Red de Universidades con Carreras en Informática (RedUNCI), pp. 218-222.
: 196 :
MODELO DE EVALUACIÓN DE DESEMPEÑO DE PROVEEDORES UTILIZANDO PAJ DIFUSO
ALEJANDRA M. ESTEBAN - LUCIANA TABONE – VERÓNICA A. MORTARA
Facultad Ingeniería, Departamento de Ingeniería Industrial - Universidad Nacional de Mar del Plata [email protected] - [email protected] [email protected]
RESUMEN
La evaluación del desempeño de proveedores es un componente primordial para la
gestión de compras en una organización. Esta consiste en determinar si un proveedor cumple con los parámetros de desempeño requeridos para el correcto funcionamiento de todas las operaciones de la cadena de abastecimientos de una empresa. El presente trabajo tiene como objetivo el diseño de un modelo de evaluación del desempeño de los proveedores de una empresa metalmecánica. Para el desarrollo del mismo se definen los criterios críticos del proceso de compras de bienes de la empresa y una escala de calificación para evaluar a cada proveedor. Se utiliza el Proceso Analítico de Jerarquía difuso en la asignación de los pesos de criterios y subcriterios de evaluación y para construir las escalas de calificación de los indicadores de desempeño se aplica Proceso Analítico de Jerarquía para problemas de clasificación. Esta metodología matemática permite eliminar la subjetividad del proceso y resolver problemas donde las alternativas son independientes. Se prueba el modelo propuesto en la empresa en estudio y se concluye que permite analizar de manera ágil, sistemática y objetiva el desempeño de cada proveedor para finalmente decidir acerca de su continuidad en el proceso de compras de la empresa.
Palabras Clave: Apoyo Multicriterio a la Decisión – Evaluación de Proveedores - Proceso Analítico de Jerarquías Difuso. 1. INTRODUCCIÓN
Se denomina Cadena de Suministro (CS) a todas aquellas organizaciones
involucradas de manera directa o indirecta en la satisfacción de una solicitud de un cliente, Chopra y Meindl (2008). La cadena de suministro integrada, impulsada por la mirada sistémica, incluye tres procesos fundamentales: el proceso de relaciones con los proveedores que contiene las compras de los materiales, el proceso de surtido de pedidos que abarca la producción y distribución de los bienes y el proceso de relaciones con los clientes que tiene en cuenta a la comercialización de los mismos.
El proceso de relaciones con el proveedor se centra en la interacción de la empresa aguas arriba. Las tendencias mundiales en la gestión de CS conciben el aprovisionamiento como una función estratégica y con alto impacto en el alcance de las ventajas competitivas sostenibles en términos de costos, calidad, plazos de entrega y otros criterios relevantes. Hoy se considera que el éxito de una empresa depende en gran parte del desempeño de sus proveedores. Por lo tanto, su evaluación se ha vuelto una actividad crítica en una organización que afecta a su eficiencia y rentabilidad.
Este trabajo se realiza en el área de aprovisionamiento de una PyME metalmecánica que se dedica a la fabricación y comercialización de equipos de uso industrial y comercial. Posee una estrategia de producción altamente personalizada, siendo sus prioridades competitivas la flexibilidad, entrega a tiempo y calidad superior.
: 197 :
La empresa ha certificado desde el año 2006 su sistema de gestión de la calidad bajo la norma ISO 9001. El 20 % de los componentes que forman parte del producto final son comprados y se los considera críticos para el normal funcionamiento del producto. Su disponibilidad y correcto funcionamiento son determinantes al momento de evaluar la calidad del equipo por parte del cliente. En consecuencia, la evaluación y selección de los proveedores de estos componentes es una de las tareas que actualmente requiere mayor atención en el área de aprovisionamientos de la organización.
En un trabajo anterior, se desarrolló una metodología para evaluar los proveedores para esta empresa utilizando como herramienta base al Proceso Analítico de Jerarquías (PAJ) para problemas de clasificación, Tabone, Esteban y Mortara (2017). Continuando con esta línea de trabajo, se propone el uso del PAJ difuso para realizar esta evaluación, con el objetivo tratar la imprecisión de la subjetividad del juicio humano, permitiendo de esta forma resolver problemas de decisión multicriterio.
El modelo propuesto permite contrastar el desempeño actual de cada proveedor con el desempeño esperado para el éxito de las operaciones de la empresa y en aquellos casos en donde éste no sea confiable se deben definir planes de acción tendientes a mejorarlo. 2. ENFOQUE METODOLÓGICO
El proceso de toma de decisiones es un tema complejo y es crítico en el éxito de las organizaciones. Las decisiones que se toman son complicadas e importantes; requieren pensamiento y discusión cuidadosa al ejercer la función gerencial. La Teoría de la Decisión es un método sistemático para estudiar la toma de decisiones. Una buena decisión es aquella que está basada en la lógica, que considera todos los datos y alternativas posibles. Las decisiones estratégicas y organizativas son poco estructuradas y en consecuencia no pueden aplicarse recetas únicas de solución. Por lo tanto, para tomar decisiones de estas características, se suelen establecer criterios de evaluación que consideren puntos de vista para cada situación. Esto implica considerar entornos subjetivos, con riesgos e incertidumbre.
2.1 Proceso Analítico de Jerarquías difuso El PAJ difuso, es una combinación del PAJ y Lógica Difusa o Borrosa. Se
utiliza como método multicriterio para modelar la vaguedad de los juicios de expertos. En el PAJ tradicional la escala de Saaty (1990) de 9 puntos discretos empleada
para realizar las comparaciones por pares, no tiene en cuenta la incertidumbre asociada a los juicios humanos. Los términos lingüísticos que manejan las personas se pueden disponer para representar las imprecisiones, en estos casos la escala discreta es reemplazada por números difusos triangulares.
Un número triangular difuso se expresa como M = (l, m, u), y su función de pertenencia correspondiente. Donde l ≤ m ≤ u, siendo l y u los límites inferior y superior
respectivamente y m el número medio, u - m = m - l = , mide el grado difuso del
juicio, valores más grandes significan mayores grados difusos, si = 0 el juicio
corresponde a un número no borroso, Zhu, Jing y Chang (1999) reportan que debe
ser igual o mayor que 0.5. En este trabajo se toma un valor de =1, Tabla 1.
: 198 :
Tabla 1: Escala de comparación difusa.
Una vez obtenidas las matrices de comparación pareadas utilizando la escala corregida con números difusos triangulares se prueba la consistencia de las mismas de acuerdo a la metodología propuesta por Saaty (1990). Previamente se obtienen los números nítidos desfuzzificando los números triangulares a través de la Ecuación 1,
para calcular el max.
M nítido = (4m + l + u)/6 (1)
Una vez probada la consistencia de las matrices se procede con el método de análisis extendido presentado por Chang (1996). Sea un conjunto de n objetos y otro de m objetivos, se simbolizan los números triangulares difusos de cada objeto respecto a cada objetivo. Por lo tanto, los valores de análisis extendido de m se pueden obtener de la siguiente notación:
𝑀𝑔𝑖𝑗
(j = 1,2,3,…,m) ; (i=. 1,2,3,…,n)
Los pasos propuestos por son:
Paso 1: el valor de síntesis difuso del objeto i-ésimo, utilizando las operaciones borrosas para números triangulares, se define como, Ecuación 2:
𝐷 𝑖 = ∑ 𝑀𝑔𝑖𝑗⨂[∑∑ 𝑀𝑔𝑖
𝑗
𝑚
𝑗=1
𝑛
𝑖=1
]
−1
𝑚
𝑗=1
(2)
Paso 2: se introducen los principios de comparación de números difusos a fin de encontrar el vector de pesos correspondiente a cada nivel de la jerarquía.
El grado de posibilidades de que M1 (l1, m1, u1) ≥ M2 (l2, m2, u2) se define como V(M1 ≥ M2), siguiendo la Ecuación 3:
V(𝑀1 ≥ 𝑀2) =
{
1 , 𝑠𝑖 𝑚1 ≥ 𝑚2
0, 𝑠𝑖 𝑙2 ≥ 𝑢1𝑙2 − 𝑢1
(𝑚1 − 𝑢1) − (𝑚2 − 𝑙2)
(3)
Paso 3: el grado de posibilidad de que un número difuso convexo sea mayor
que k números convexos se define a partir de la Ecuación 4:
V(𝑀 ≥ 𝑀1 , 𝑀2, 𝑀3, … ,𝑀𝑘) = V(𝑀 ≥ 𝑀1) 𝑦 V(𝑀 ≥ 𝑀2)𝑦…𝑦 V(𝑀 ≥ 𝑀𝑘)= 𝑚𝑖𝑛 V(𝑀 ≥ 𝑀𝑖), 𝑖 = 1,2,3, … , 𝑘
(4)
: 199 :
El vector de pesos w’ está formado por todos los valores mínimos
Paso 4 se normaliza el vector de pesos obtenido en el paso anterior, dicho
vector wi no es un vector difuso.
2.2 Proceso Analítico de Jerarquías para problemas de clasificación Cuando se presenta en un problema el análisis de alternativas independientes
o su número es superior a nueve, se modifica el PAJ tradicional ya que no se necesita la comparación pareada de las alternativas entre sí. En estos casos, se emplea medidas absolutas o también llamadas ratings donde la elección se realiza en término de las intensidades de calificación para cada criterio. El modelo de ratings resuelve este problema construyendo una escala categórica o estándar, donde las alternativas son comparadas en relación a esta escala. Se requiere elegir a priori una escala categórica de varios niveles para cada indicador definido en cada criterio. Para obtener la intensidad de calificación de cada nivel de la escala se realiza la comparación pareada entre ellas y luego se normaliza.
Los pasos de esta metodología son similares a los del PAJ tradicional, reemplazando la comparación pareada de las alternativas respecto de cada criterio por la comparación de cada alternativa frente a la escala de cada criterio. El puntaje final o síntesis de cada alternativa se obtiene por medio de la siguiente agregación multiaditiva, Ecuación 5, Curchod y Alberto (2014)]:
𝑠𝑖 = ∑ 𝑤𝑖𝑟𝑖𝑗𝑗 (5)
Dónde: 𝑤𝑖 = 𝑝𝑒𝑠𝑜 𝑟𝑒𝑙𝑎𝑡𝑖𝑣𝑜 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑎𝑑𝑎 𝑑𝑒𝑙 𝑐𝑟𝑖𝑡𝑒𝑟𝑖𝑜 𝑗 𝑟𝑖𝑗 = 𝑐𝑎𝑙𝑖𝑓𝑖𝑐𝑎𝑐𝑖ó𝑛 𝑛𝑜𝑟𝑚𝑎𝑙𝑖𝑧𝑎𝑑𝑎 (𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎 𝑖 𝑦 𝑐𝑟𝑖𝑡𝑒𝑟𝑖𝑜 𝑗)
𝑠𝑖 = 𝑝𝑢𝑛𝑡𝑎𝑗𝑒 𝑑𝑒 𝑒𝑣𝑎𝑙𝑢𝑎𝑐𝑖ó𝑛 𝑑𝑒 𝑙𝑎 𝑎𝑙𝑡𝑒𝑟𝑛𝑎𝑡𝑖𝑣𝑎 𝑖
2.3 Metodología aplicada Para el diseño del modelo de evaluación de desempeño de proveedores para
la empresa en estudio, se procede con los pasos que se detallan a continuación:
Definición de criterios y subcriterios de evaluación de proveedores y construcción de la estructura jerárquica: los criterios y subcriterios de evaluación de proveedores se definen teniendo en cuenta las prioridades competitivas del área de operaciones de la empresa. Estos deben ser precisos, medibles y comparables y por ello se especifican sus indicadores de desempeño. Los distintos criterios y subcriterios deben ser estructurados en distintos niveles de jerarquía que resumen las interrelaciones entre los componentes del problema.
Obtención de los pesos de los criterios y subcriterios de evaluación (w𝑖): para determinar los pesos se emplea el PAJ difuso a través de matrices de comparaciones pareadas con números triangulares.
Construcción de las escalas de calificación de los indicadores de desempeño: estas escalas permiten calificar cada uno de los indicadores definidos para evaluar el desempeño del proveedor en cada uno de los criterios y/o subcriterios. Para la construcción estas escalas se aplican el PAJ para problemas de clasificación. El vector de prioridad obtenido luego es normalizado en un rango de 1 a 10 puntos.
Cálculo de la calificación normalizada (r𝑖𝑗): la calificación se obtiene
comparando el valor del indicador de desempeño para cada proveedor de cada subcriterio con su escala correspondiente.
: 200 :
Evaluación de desempeño de cada proveedor: se determina el puntaje final de cada proveedor (𝑠𝑖). La evaluación final se realiza en función de categorías de desempeño. Para la construcción de las matrices de comparación pareadas se realizaron
entrevistas con el Gerente General, Jefe de Producción y Jefe de Compras de la empresa en estudio. De estas entrevistas se determina en forma consensuada cuáles son las preferencias respecto a los criterios y subcriterios definidos y de los niveles de las escalas de calificación propuestas. 3. RESULTADOS 3.1 Definición de criterios y subcriterios de evaluación de proveedores y construcción de la estructura jerárquica
Los criterios y subcriterios para evaluar a los proveedores de la empresa en estudio se seleccionan teniendo en cuenta las prioridades competitivas de la misma, su entorno de producción (producción a pedido) y características de su sistema de compras. En la Figura 1 se presenta la estructura jerárquica de los criterios.
Figura 1: Estructura Jerárquica.
Se definen los criterios, subcriterios e indicadores de desempeño
seleccionados, según Tabla 2:
Tabla 2: Indicadores de Desempeño.
Criterio Subcriterio Indicador
Entrega Fecha % de pedidos entregados a tiempo
Cantidad % de pedidos entregados completos
Calidad Conformidad % de pedidos conformes
Funcionalidad % de productos sin fallas en uso
Atención Post-Venta
Reclamos % de reclamos atendidos satisfactoriamente
Servicio Post Venta % de SPV atendidos satisfactoriamente
3.2 Obtención de los pesos de los criterios y subcriterios de evaluación
Para la obtención de los pesos de los criterios, se construye la matriz de comparación pareada correspondiente. En la Tabla 3 se aprecia el primer nivel de jerarquía definida para este caso. Se comparan los criterios definidos frente a su importancia para la calificación final del proveedor utilizando la escala de números
Evaluación de
Desempeño
Entrega
Fecha Cantidad
Calidad
Conformidad Funcionalidad
Atención Postventa
ReclamosServicio
Postventa
: 201 :
difusos presentada en Tabla 1. El segundo nivel de jerarquía lo conforma la comparación de los subcriterios con respecto a cada criterio.
Tabla 3: Matriz de comparación pareada para los criterios Calificación final 1. Entrega 2. Calidad 3. Atención
al cliente
1. Entrega (1,1,1) (1,2,3) (2,3,4)
2. Calidad (1/3,1/2,1) (1,1,1) (1,`2,3)
3. Atención al Cliente (1/4,1/3,1/2) (1/3,1/2,1) (1,1,1)
Luego, se evalúa la consistencia de la matriz de criterios y se obtiene un λmáx
de 3.0924 y una Relación de Consistencia de 0.0797< 0.10. Posteriormente se obtiene el vector de síntesis difuso (Ecuación 2):
D1 = (0.2581 , 0.5294 , 1.0105) D2 = (0.1505 , 0.3088 , 0.6316) D3 = (0.1022 , 0.1618 , 0.3158)
Aplicando los pasos 2 y 3 de la metodología de análisis extendido para el PAJ
difuso se obtiene el vector w´= (1.0000 , 0.6287 , 0.1357). Finalmente se obtiene el
vector de pesos normalizados w = (0.5668 , 0.3563 , 0,0769). De la misma forma se procede a calcular los w para los subcriterios. Los pesos
finales se presentan en la Tabla 4 y se obtienen multiplicando el peso de cada subcriterio por el peso del criterio correspondiente.
Tabla 4: Pesos de los criterios y subcriterios.
Criterios Peso Criterio Subcriterio Peso Subcriterio Peso Final
Entrega 0.5668 Fecha 0.6923 0.3924
Cantidad 0.3077 0.1744
Calidad 0.35638 Conformidad 0.6923 0.2467
Funcionalidad 0.3077 0.1096
At. al Cliente 0.07698 Reclamos 0.6923 0.0532
Servicio Postventa 0.3077 0.0237
3.3 Construcción de las escalas de calificación de los indicadores de desempeño
Los puntos de las escalas de cada indicador se obtienen mediante la construcción de matrices de comparaciones pareadas, definiendo previamente junto con los entrevistados los distintos niveles en que se divide cada una. Los niveles de las escalas están en términos porcentuales. En la Tabla 5 se muestra a modo de ejemplo la matriz de comparación pareada para el indicador “Porcentaje de pedidos entregados a tiempo”.
A partir de las prioridades locales se obtienen las intensidades de calificación de cada nivel de la escala para cada indicador. La escala normalizada se muestra en la Tabla 6. De la misma forma, se procede a construir las escalas del resto de los indicadores.
: 202 :
Tabla 5: Matriz de comparación pareada indicador Porcentaje de pedidos entregados a tiempo.
Porcentaje de pedidos entregados a tiempo
Mayor a 95% Entre en 95% y 90% Menor al 90 %
Prioridad Local
Mayor a 95% 1 5 9 0,7352
Entre en 95% y 90% 1/5 1 4 0,1994
Menor al 90 % 1/9 1/4 1 0,0654
Tabla 6: Escala del indicador Porcentaje de pedidos entregados a tiempo.
Porcentaje de pedidos entregados a tiempo
Puntos
Mayor a 95% 10
Entre en 95% y 90% 3
Menor al 90 % 1
3.4 Cálculo de la calificación normalizada
Para evaluación de desempeño se consideran cuatro proveedores actuales de la empresa en estudio y como primer paso se procede a calcular el puntaje obtenido para cada indicador según las escalas definidas anteriormente (Tabla 7). Tabla 7: Calificación obtenida de cada proveedor para cada indicador de desempeño. Indicador de desempeño Valor del Indicador Puntaje Obtenido
P1 P2 P3 P4 P1 P2 P3 P4
% de pedidos entregados a tiempo 43,56% 21,29% 60,49% 78,49% 2 1 5 5
% de pedidos entregados completos 97,55% 100,00% 100,00% 100,00% 6 10 10 10
% de pedidos conformes 92,19% 95,28% 100,00% 100,00% 2 5 10 10
% de productos sin fallas en uso 98,16% 100% 100,00% 99,46% 4 10 10 4
% de reclamos atendidos satisfactoriamente 100% 100% 100% 100% 10 10 10 10
% de SPV atendidos satisfactoriamente 100% 100% 100% 100% 10 10 10 10
3.5 Evaluación de desempeño de cada proveedor
Se evalúa el desempeño de cada proveedor calculando su puntaje final obtenido mediante la aplicación de la Ecuación 5. La evaluación final se realiza en función de las siguientes tres categorías de desempeño:
1- Desempeño confiable: puntaje final mayor o igual a 8. 2- Desempeño riesgoso: puntaje final menor a 8 y mayor que 5. 3- Desempeño crítico: puntaje final menor o igual a 5.
Un desempeño confiable significa que el proveedor puede continuar trabajando con la empresa sin inconvenientes. Un desempeño riesgoso implica que el proveedor debe presentar un plan de acción enfocado en mejorar su desempeño en aquellos criterios en los que obtuvo una calificación menor. Finalmente, si su desempeño es crítico se procede a la búsqueda de un nuevo proveedor para el componente ya que se considera que no podrá cubrir las necesidades de la empresa de forma adecuada.
En la Tabla 8 se presenta el puntaje final y evaluación de desempeño para los cuatro proveedores analizados.
: 203 :
Tabla 8: Evaluación de desempeño de cada proveedor. Proveedor 1 Proveedor 2 Proveedor 3 Proveedor 4
Puntaje 3.5321 5.2352 8.0381 7.3803
Evaluación Desempeño Crítico
Desempeño Riesgoso
Desempeño Confiable
Desempeño Confiable
4. CONCLUSIONES
El modelo propuesto es de fácil implementación para la empresa en estudio, ya que la información requerida para la evaluación está directamente relacionada con las actividades normales del proceso de gestión de proveedores. Permite al Jefe Compras realizar el proceso de evaluación de proveedores requerido por la norma ISO 9001 en forma sistemática y consistente con la estrategia de la empresa. Se recomienda la implementación de planillas de cálculo informáticas que automaticen el procesamiento de datos utilizando como información de entrada los pesos de los criterios y subcriterios y el valor de los indicadores de cada proveedor al momento de realizar la evaluación.
Este método de evaluación considera múltiples criterios para su desarrollo y tiene en cuenta la subjetividad e imprecisión del juicio humano. La aplicación del PAJ difuso permite fortalecer y dar fiabilidad al modelo propuesto, disminuyendo los niveles de incertidumbre en los juicios formulados por los actores involucrados en la definición de los criterios y subcriterios. El PAJ para problemas de clasificación proporciona un soporte matemático para restar impacto a la subjetividad que existe en el proceso de evaluación y brinda mayor confianza en los resultados obtenidos. 5. REFERENCIAS
CHANG D.Y. (1996). “Application of the extent analysis method on fuzzy AHP”. European Journal of Operational Research, vol. 95, pp. 649–655. CHOPRA S., MEINDL P. (2008): “Administración de la Cadena de Suministro. Estrategia, Planeación y Suministro”. Pearson Education, México. CURCHOD M., ALBERTO C. (2014) “Performance of Justice in Argentina. AHP Ratings Model”. Aplicación de Multi-Metodologías. Para La Gestión y Evaluación de Sistemas Sociales y Tecnológicos, Tomo II, pp 35-45. Asociación Cooperadora de la Facultad de Ciencias Económicas de la U.N.C, Córdoba. SAATY T. (1990). “How to make a decision: The Analytic Hierarchy Process”. European Journal of Operational Research, vol. 48, pp. 9-26. TABONE L., ESTEBAN A., MORTARA, V. (2017). “Modelo de evaluación de desempeño de proveedores en una empresa metalmecánica”. Congreso Argentino de Ingeniería Industrial - COINI 2017, Facultad de Ingeniería - Universidad de Buenos Aires ZHU K.J., JING Y., CHANG D.Y. (1999). “A discussion on extent analysis method and applications of fuzzy AHP”. European Journal of Operational Research, vol.116, pp.450–456.
: 204 :
BARRERAS PARA EL DESARROLLO DE CADENAS AGROALIMENTARIAS DE SALTA: ANÁLISIS A TRAVÉS DEL PROCESO ANALITICO
JERARQUICO
SILVANA E.CASTILLO1 - JUAN C. MICHALUS2 - CECILIA I. CABANILLAS 1 Facultad de Ingeniería, Universidad Nacional de Salta1- Facultad de Ingeniería, Universidad Nacional de
Misiones2 [email protected]@[email protected]
RESUMEN
En el presente trabajo se presenta un análisis de la situación actual de las Cadenas Agroalimentarias en la provincia de Salta.
La evaluación surge de la necesidad de identificar los problemas principales que representan las barreras para el Desarrollo Sostenible de las Cadenas Agroalimentarias de la provincia de Salta.
La metodología empleada para la identificación de la problemática y jerarquización se realizó empleando el método de evaluación multicriterio denominado Proceso Analítico Jerárquico. Este trabajo representa una investigación inicial, los resultados obtenidos permiten verificar el rol del Estado en el proceso de decisión como medio interventor y gestor en el proceso de gestión de las Cadenas de Agroalimentarias de la provincia, la cooperación entre los diferentes actores de la cadena, la mejora en la productividad agrícola e industrial entre otros que pueden representar oportunidades para lograr mejoras en el rendimiento de las Cadenas Agroalimentarias. Se recomienda profundizar en las causas de los problemas ordenados jerárquicamente, y en la dinámica de la Cadenas. Estos elementos pueden llegar a ser claves para posteriores investigaciones que sugieran nuevas contribuciones a la gestión de las Cadenas, y con ello favorecer a la reactivación de la economía de la provincia.
Palabras Clave: Cadenas agroalimentarias, Proceso Analítico Jerárquico, Salta 1. INTRODUCCIÓN
El fenómeno de la Globalización ha producido una notable alteración en los sistemas económicos a nivel internacional, sobre todo en los países en vías de desarrollo. Uno de los más afectados ha sido el sector primario. Las transformaciones del sistema agroalimentario mundial impactan en las estrategias empresariales con nuevos mecanismos de acumulación, modificación de las configuraciones organizacionales, redefinición de relaciones productivas y comerciales, lo que genera un mercado caracterizado por una gran variabilidad e incertidumbre ocasionando transformaciones en los sistemas de producción que se han visto alterados a nivel global por diversos fenómenos económicos, sociales y ambientales(Cabeza(2010); Collado, Gallar y Cadón(2013); Teubal(2001)).
El informe anual sobre el progreso y los desafíos regionales de la agenda 2030 para el Desarrollo Sostenible en América Latina y el Caribe, postula que la globalización sin mecanismos de gobernanza adecuados genera desequilibrios inadmisibles y plantea grandes retos para el sector agrícola donde serán necesarios nuevos enfoques para asegurar su papel en la seguridad alimentaria y nutricional destacándose la necesidad de buscar la sostenibilidad de los sistemas de producción de alimentos(Smith(2015)).
: 205 :
Uno de los principales países productores del sector primario es la Argentina que ha modificado su matriz productiva debido a los requerimientos a nivel mundial. Los sistemas agrarios se han visto afectados por el creciente avance de la explotación de monocultivos que abastecen a algunos países del denominado "primer mundo"(Silvetti, (2015)).
El objetivo principal del trabajo consiste en analizar y ordenar los problemas más significativos (barreras) que afectan a las cadenas Agroalimentarias de Salta a través del empleo del método de evaluación multicriterio. Para ello, se adapta la metodología del Proceso Analítico jerárquico (PAJ), como método de ponderación que permitirá priorizar los problemas detectados desde la perspectiva de la Sostenibilidad.
2. METODOLOGIA
La metodología empleada se puede sintetizar en los siguientes pasos: Búsqueda y análisis de fuentes primarias y secundarias relacionadas con
Sostenibilidad, Cadenas Agroalimentarias y metodologías multicriterio. Relevamiento de informes y datos estadísticos relacionados con el abordaje del
estudio de las Cadenas Agroalimentarias de la provincia de Salta Aplicación del Proceso Analítico Jerárquico para la jerarquización de los
problemas de las Cadenas Agroalimentarias de la provincia de Salta Los puntos 1 y 2 permiten dan consistencia a los juicios que se tienen sobre los
problemas de las Cadenas Agroalimentarias de la provincia de Salta. En tanto que el punto 3, es la aplicación de la metodología con base en los criterios y juicios desarrollados en los dos primeros puntos.
3. RESULTADOS Y DISCUSION
1.1 RELEVAMIENTO DE LA SITUACION
Los grandes cambios políticos, económicos, sociales y ambientales han provocado modificaciones en la estructura productiva de los países en vías de desarrollo.
Argentina, al igual que en los ámbitos rurales latinoamericanos, se encuentra experimentando cambios acelerados que se caracterizan por la intensificación del dominio del capital multinacional sobre el agro. Todo esto se puede visualizar a través de una serie de aspectos como ser: diversas formas de flexibilización laboral, articulación subordinada de los productores nacionales a las grandes empresas transnacionales, deterioro/expulsión de los productores familiares, reconfiguración territorial y la redefinición de los actores sociales a escala local, entre otros (Bendini y Steimbreger, 2003).
El sector agrario se vio perjudicado particularmente en la región del Noroeste Argentino. Dicha región se caracteriza por tener un nivel muy bajo de aporte al Producto Bruto Interno Nacional, el cual representa alrededor del 6 %. En 2005, de acuerdo a estimaciones de la Comisión Económica para América Latina y el Caribe (CEPAL), el Producto Bruto Geográfico (PBG) provincial, en términos de participación en el total del país alcanzaba el 1,56%. Según las estadísticas, las actividades del sector primario tienen una participación del 21,6% del PBG total. Dentro de este sector, las actividades más relevantes se concentran en la agricultura y silvicultura. Entre las cadenas de valor agroalimentarias presentes en la provincia se encuentran: azúcar, legumbres, cítricos y vitivinicultura. Los principales complejos productivos son: pimiento para pimentón, hortícola, vitivinícola, cultivos andinos, citrícola, frutos tropicales, cultivos aromáticos y caña de azúcar.
: 206 :
En base a lo expuesto, y tomando como base los diferentes informes provinciales y nacionales(Ministerio de Hacienda (2017); Ministerio de Ambiente y Producción Sustentable (2013)) pudieron identificarse los principales problemas que se agruparon y sintetizaron en los siguientes puntos: 1) Falta de calidad de materias primas y de valor agregado de producto/s
Heterogeneidad de plantas por no contar con genética adecuada
Falta de adopción de tecnología apropiada para los pequeños productores
Baja adopción de BPA y Buenas Prácticas de Manufactura (BPM) por parte de empresas y productores. Escasa fiscalización sanitaria para el tránsito de frutas
Falta de difusión de los productos y de sus propiedades 2) Ineficiente desempeño logístico
Disparidad en el acceso a infraestructura para riego, caminos y servicios por los distintos estratos de productores.
Escaso acceso a mecanización propia, alto costo de servicios de terceros
Insuficiente infraestructura para el acopio y conservación de los productos y para el agregado de valor
Costosas fuentes de energía para el secado
Escaso desarrollo de la industria de la industria de transformación
Elevado costo de transporte
Insuficiente disponibilidad de cámaras frigoríficas para la conservación de los productos
Grandes distancias hasta los centros de consumo 3) Falta de acuerdos de Gobernanza y de cooperación entre actores de la Cadena
Alto grado de informalidad de la cadena
Inexistencia de acuerdos de gobernanzas en la cadena
Alta vulnerabilidad del sector primario antes las condiciones macroeconómicas 4) Bajo desempeño de producción del sector primario y secundario de baja escala
Suelos pobres debido al monocultivo
Falta de conocimientos técnicos
Alta ineficiencia en la actividad primara – relación producción/ha, uso racional del agua, etc.
Bajo conocimiento de gestión por parte de los productores, e información estadística escasa y con sistematización deficiente
Inestabilidad laboral, mano de obra escasa, no calificada y organizada, y agricultores migratorios
Falta de asistencia técnica directa y local
Contaminación ambiental(por la escasa aplicación de las Buenas Prácticas Agrícolas(BPA)) 5) Ineficiencia en el manejo de canales de Comercialización y de información comercial
Comercialización en finca
Fluctuación de precios en la cadena comercial
Difícil acceso a mercados de comercialización con un mayor grado de formalización.
Cadena comercial manejada por intermediarios Es recomendable que el abordaje de las problemáticas de un sector económico de estudio, en nuestro caso debe realizarse desde una visión integral, con lo cual el tratamiento sugerido es desde la perspectiva de la Sostenibilidad. En el trabajo
: 207 :
expuesto el análisis se realizará a partir de sus tres ejes principales: Social, Ambiental y Económico. El término de Cadena Agroalimentaria desde el punto de vista de la realidad socioeconómica, es un sistema que agrupa actores económicos y sociales interrelacionados que participan articuladamente en actividades que agregan valor a un bien o servicio, desde su producción hasta que este llega a los consumidores, incluidos los proveedores de insumos y servicios, transformación, industrialización, transporte, logística y otros servicios de apoyo, como el de financiamiento. Este proceso de relación y agregación de valor no es lineal ni igualitario, como el concepto de una “cadena física”. El arreglo entre los distintos eslabones de una cadena agroalimentaria se asemeja más a una “red” de relaciones no lineales que pueden ser altamente inequitativas, donde los actores con alto poder de negociación, de gestión, económico o político, podrían dominar y extender su influencia sobre actores menos fuertes, más desorganizados y con poca influencia en la toma de decisiones (García, Riveros, Pavez, Rodriguez, Lam, Arias y Herrera (2009)). Castillo (1992) señala tres principios de sostenibilidad para las Cadenas Agroalimentarias:
Desde el punto de vista económico (competitividad, viabilidad comercial y crecimiento), se busca optimizar en el tiempo las ganancias o ingresos relativos de todos los actores involucrados.
Desde el punto de vista social (inclusión, equidad, normas sociales e instituciones y organizaciones sociales), se busca beneficiar a un número suficientemente elevado de sectores, que se distribuye a lo largo de la cadena y no generar impactos que pudieran considerarse socialmente inaceptables.
Desde el punto de vista medioambiental, se debe perseguir el objetivo de crear valor adicional sin consumir de forma permanente los recursos naturales (agua, suelo, aire, flora, fauna etc.) y agrotóxicos.
3.2 ESTRUCTURACION Y RESOLUCION DE LA PROBLEMÁTICA PARA LA
TOMA DE DECISIONES
En este trabajo se propone adaptar la Metodología del Proceso Analítico Jerárquico (PAJ) al caso estudiado. Se priorizarán los problemas detectados en las cadenas agroalimentarias de la provincia de Salta, con base en el impacto que tienen sobre los ejes de sostenibilidad mencionados en la Agenda 2030 para el Desarrollo Sostenible.
El proceso analítico Jerárquico (PAJ) se diseña para los casos donde las ideas, sentimientos y emociones se cuantifican en base a juicios subjetivos para obtener una escala numérica y así dar prioridades a las alternativas de decisión. El proceso jerárquico de análisis presenta una metodología para tomar decisiones bajo incertidumbre. Fue desarrollado por Saaty en 1980, con el propósito de resolver problemas con múltiples criterios de decisión (Muñoz, Romana y Ordoñez (2016)). El primer paso consiste en elaborar una representación gráfica del problema en términos de la meta global, los criterios y las alternativas de decisión. El método consiste en hacer que el/los decisor/es especifique/n sus opiniones con respecto a la alternativa de cada uno de los criterios en términos de su contribución al logro de la meta global. En el siguiente nivel, el/los decisor/es señalan una preferencia o prioridad con respecto a cada alternativa de decisión en términos de la medida en la que contribuye cada criterio. Este método, utiliza comparaciones apareadas para establecer medidas de prioridad tanto para los criterios como para las alternativas de decisión. Utiliza una
: 208 :
escala subyacente con valores de 1 a 9 para evaluar las preferencias relativas entre dos elementos. La Tabla N° 1 se presentan las tasas numéricas recomendadas para las preferencias verbales expresadas por quien toma las decisiones. Se ha confirmado que la escala de 9 unidades es una base razonable para discriminar preferencias entre dos elementos distintos:
Tabla N°1 : Escala de Comparación por pares para preferencias PAJ
Escala de Comparación por pares para preferencias PAJ
Juicio Verbal sobre la preferencia entre A y B elementos Tasa numérica
A y B son igualmente importantes 1
A es débilmente más importante que B 3
A es fuertemente más importante que B 5
A es demostrablemente más importante que B 7
A es absolutamente más importante que B 9
Fuente: Adaptado de Anderson et al.(1999)
Una vez que se desarrolla el conjunto de todas las comparaciones pareadas, se utiliza un proceso de sintetización para determinar las prioridades de los elementos que se comparan. El paso final del PAJ es una mayor sintetización en las que se multiplican los niveles de prioridad establecidos para las alternativas de decisión con respecto a cada criterio por los niveles de prioridad que reflejan la importancia de los criterios mismos, la suma de los productos de todos estos criterios es el nivel global de prioridad para la alternativa de decisión (Anderson, Sweeney, Williams y García (1999); Taha( 2004)).
Una consideración importante de la calidad de la decisión es la relación de consistencia (RC), es decir la consistencia de los juicios que muestra el tomador de decisiones en el transcurso de las comparaciones pareadas. Los valores que exceden 0,10 son señales de juicios inconsistentes. Se considera que los valores de consistencia de menos de 0,10 son señal de un nivel de consistencia razonable.
Para definir la Jerarquización de los problemas que afectan a la Cadena de Agroalimentarias de la provincia de Salta, se realizaron reuniones de trabajos entre diferentes especialistas en el tema para establecer las comparaciones apareadas. Estas últimas fueron sustentadas en las experiencias previas que se tenía en el área, en publicaciones e informes estadísticos regionales. Es así que la meta global se la definió como la Jerarquización de los problemas de la Cadenas Agroalimentarias de la provincia de Salta, sujeta a tres criterios que afectan a la Sostenibilidad. Como se mencionó estos son los ejes: Social, Ambiental y Económico.
Luego se procedió a definir las alternativas en cada uno de ellos. En el caso de estudio, se encuentran representados por los problemas principales que afectan a las Cadenas Agroalimentarias de Salta que fueron citados en el inciso 3.1. Es posible hacer un análisis más detallado, sin embargo, en este trabajo se los ha considerado una forma agrupada, simplificada y condensada. Este análisis preliminar, permitirá obtener una primera aproximación de los problemas más relevantes, lo cual facilitará a futuro realizar un estudio más detallado. Se transcriben a continuación los cinco problemas condensados (alternativas) más relevantes de las Cadenas agroalimentarias:
1. Falta de calidad y de valor agregado de producto/s(FCMPyVAP)
2. Ineficiente desempeño Logístico (IDL) 3. Falta de acuerdos de Gobernanza y de cooperación entre actores de la
Cadena(FAGyCAC)
4. Bajo desempeño de producción del sector primario y secundario de baja escala (BDPSPS).
: 209 :
5. Ineficiencia en el manejo de canales de Comercialización y de información
comercial(IMCC)
De acuerdo al objetivo Identificado, criterios, y alternativas, se definió la estructura
Jerárquica según se muestra en la Figura N° 1:
Figura N° 1: Estructura Jerárquica de los problemas de las Cadenas Agroalimentarias de la provincia de Salta Fuente: Elaboración propia
Primeramente, se realizaron las comparaciones apareadas entre criterios, y
luego entre alternativas con respecto a cada uno de los criterios. De acuerdo a los
criterios establecidos, los tres ejes tienen el mismo peso con respecto a la meta
propuesta. Se ha realizado esta consideración (tasa numérica igual a 1), ya que los
tres son igualmente importantes en los términos explicitados por el concepto de
Sostenibilidad.
Posteriormente, se realizaron las comparaciones cualitativas entre alternativas
(según Tabla N° 1) con respecto a cada uno de los criterios identificados. En las
Tablas N° 2, 3 y 4 se pueden visualizar las comparaciones apareadas con respecto a
los Ejes Social, Ambiental y Económico respectivamente:
Tabla N°2: Comparación apareadas con respecto al Eje Social
FCMPyVAP IDL FAGyCAC BDPSPS IMCC
FCMPyVAP 1 1 1/3 1 2
IDL 1 1 1/3 1/2 1
FAGyCAC 3 3 1 3 3
BDPSPS 1 2 1/3 1 1/2
IMCC 1/2 1 1/3 2 1
Fuente: Elaboración propia Tabla N°3: Comparación apareadas con respecto al Eje Ambiental
FCMPyVAP IDL FAGyCAC BDPSPS IMCC
FCMPyVAP 1 2 1/3 1/2 2
IDL 1/2 1 1/3 1/2 2
FAGyCAC 3 3 1 2 3
BDPSPS 2 2 1/2 1 3
IMCC 1/2 1/2 1/3 1/3 1
Fuente: Elaboración propia Tabla N°4: Comparación apareadas con respecto al Eje Económico
JERARQUIZACIÓN DE LOS PROBLEMAS DE LA CADENAS AGROALIMENTARIAS DE LA PROVINCIA DE SALTA
EJE SOCIAL
FCMPyVAP
IDL
FAGyCAC
BDPSPS
IMCC
EJE AMBIENTAL
FCMPyVAP
IDL
FAGyCAC
BDPSPS
IMCC
EJE ECONÓMICO
FCMPyVAP
IDL
FAGyCAC
BDPSPS
IMCC
Meta General
Criterios
Alternativas
: 210 :
FCMPyVAP IDL FAGyCAC BDPSPS IMCC
FCMPyVAP 1 1/2 1/3 1/2 2
IDL 2 1 1/4 1 3
FAGyCAC 3 4 1 3 3
BDPSPS 2 1 1/3 1 3
IMCC 1/2 1/3 1/3 1/3 1
Fuente: Elaboración propia
Posteriormente se procedió a obtener las consistencias parciales por el método de de juicios por sintetización y de estimación de relaciones de consistencias parciales.Las consistencias parciales obtenidas con respectos a los ejes Social, Ambiental y Económico son: 0.06, 0.03, y 0.05 respectivamente, lo cuál indica que las consistencias parciales son juicios consistentes. El resultado global del modelo se puede obtener mediante la síntesis de prioridades de las alternativas. Al resolver el modelo, se obtiene un índice de Consistencia de 0.03 (valor inferior que el límite teórico establecido de 0.1), lo cual indica que los juicios realizados son consistentes y objetivos.
Por otra parte cabe señalar que el orden de jerarquización de los problemas que afectan a las Cadenas agroalimentarias de Salta (alternativas) con respecto a la meta global tiene el siguiente orden:
1) Falta de acuerdo de gobernanza y de cooperación (0.412) 2) Bajo desempeño de producción del sector primario y secundario (0.195) 3) Falta de Calidad y de agregado de valor (0.148) 4) Ineficiente desempeño logístico (0.141) 5) Ineficiencia en el manejo de canales de comercialización y de información
(0.104) La aplicación del modelo muestra que los juicios son consistentes, obteniéndose un índice de consistencia de 0.03.
4. CONCLUSIONES La aplicación del PAJ permitió tener una primera aproximación de la
jerarquización de los problemas de las Cadenas agroalimentarias de la provincia de Salta. La ventaja de la modelización realizada es que se la diseñó dentro de un marco de sostenibilidad. En cuanto a la aplicación de la metodología, es recomendable que los juicios se realicen objetivamente o muchas veces con un plantel multidisciplinario para evitar sesgos en la decisión final. En lo que a los resultados obtenidos se refiere, la falta de acuerdos de gobernanza y de cooperación entre los actores de la cadena es el problema más relevante. Se puede inferir, que los diferentes organismos gubernamentales y públicos actúan de forma desarticulada, al igual que los diferentes actores de la cadena de los sectores primarios e industriales. Los otros problemas detectados y ordenados en importancia hacen referencia a las falencias que caracterizan al sector primario, industrial y logístico como así también del manejo de la información dentro y fuera de la misma.
Si bien el análisis se realiza de forma estática para la situación en la que se realizó el estudio, se sugiere:
Profundizar (de acuerdo al orden de jerarquía obtenido) cada uno de los problemas detectados(barreras), y sugerir mejoras a partir de ello
Estudiar la dinámica de las cadenas desde un contexto más amplio micro y macroeconómico, teniendo en cuenta otras variables como ser la tecnología, innovación y los contextos globales de comercialización
: 211 :
Todos los puntos señalados representan elementos para delinear nuevas líneas de estudio que pueden llegar a contribuir a la mejora del rendimiento de las Cadenas Agroalimentarias, y de esta forma a la economía de la provincia de Salta.
5. BIBLIOGRAFIA ANDERSON D. SWEENEY D. WILLIAMS T., GARCÍA G. (1999): Métodos cuantitativos para los negocios. International Thomson Editores. Distrito Federal, México BENDINI M. Y STEIMBREGER N. (2003). Empresas agroalimentarias globales: Trayectoria de la empresa líder de frutas frescas en Argentina. Ponencia presentada en el XXIV International Congress of Latin American Studies Association. The Global and the Local. Rethinking Areas Studies, Dallas, Estados Unidos. CABEZA M.D. (2010): “El sistema agroalimentario globalizado: imperios alimentarios y degradación social y ecológica”. Revista de Economía Crítica, Vol 10,pp. 32-61. CASTILLO G.T.(1992). Sustainable agriculture: in concept and in deed. Netw. Pap.-Agric. Adm. Res. Ext. Netw. Reiuno Unido. COLLADO A. GALLAR D. CANDÓN J. (2013). “Agroecología política: la transición social hacia sistemas agroalimentarios sustentables”. Revista de Economía Crítica, Vol 16, pp. 244–277. GARCÍA WINDER M. RIVEROS H.PAVEZ, I. RODRÍGUEZ D. LAM, F. ARIAS, J. HERRERA D( 2009):”Cadenas agroalimentarias: un instrumento para fortalecer la institucionalidad del sector agrícola y rural”. Centro Agronómico Tropical de Investigación y Enseñanza (CATIE). Versión obtenida el 10/04/18. http://repositorio.bibliotecaorton.catie.ac.cr/bitstream/handle/11554/5844/A4513e.pdf?sequence=1&isAllowed=y MINISTERIO DE HACIENDA DE LA NACIÓN (2017). “Informe Productivo de Salta 2017”. Versión obtenida el 10/04/18 https://www.economia.gob.ar/peconomica/dnper/fichas_provinciales/Informe_Productivo_salta.pdf MUÑOZ B. ROMANA M. ORDÓÑEZ J. (2016). Análisis de Sensibilidad de una Metodología de Decisión Multicriterio desarrollada para la Selección de Tipologías de Estructuras de Contención en una Autovía Urbana. Ponencia presentada en el XII Congreso de Ingeniería Del Transporte. Valencia, España. MINISTERIO DE AMBIENTE Y PRODUCCIÓN SUSTENTABLE (2013).” Resolución del Ministerio de Ambiente y Desarrollo Sustentable 274/13-Salta”. Versión obtenida el 10/04/18 http://www.prosap.gov.ar/webDocs/EPSA-SaltaResolucion2013.pdf SILVETTI F. (2015). “La expansión de monocultivos de exportación en Argentina y Costa Rica: Conflictos socioambientales y lucha campesina por la justicia ambiental”. Mundo Agrario, Vol . 16, N°32, pp. 00-00. SMITH, R. (2015). “The Caribbean and the post-2015 development agenda”. Versión obtenida el 10/04/18 http://repository.eclac.org/bitstream/handle/11362/39286/S1500769_en.pdf?sequence=1&isAllowed=y TAHA H. (2004): Investigación de operaciones. Pearson Educación. México TEUBAL M. (2001).”Globalización y nueva ruralidad en América Latina”. Una Nueva Ruralidad en América Latina. Versión obtenida el 10/04/18 http://bvsde.org.ni/clacso/publicaciones/UnanuevaruralidadenAmericaLatina.pdf#page=39
: 212 :
SELECCIÓN DE PROVEEDORES PARA SERVICIOS EMERGENCIAS
MÉDICAS EN UNA UNIVERSIDAD PÚBLICA
JOSÉ FRANCISCO ZANAZZI(1) – DANIELPONTELLI(1) - NADIA AYELEN LUCZYWO(1)(2)(3) - JOSÉ LUIS ZANAZZI (1) (1) Laboratorio de Ingeniería y Mantenimiento Industrial (LIMI). Facultad de Ciencias Exactas, Físicas
y Naturales – Universidad Nacional de Córdoba (2) Secretaría de Ciencia y Tecnología – Universidad Nacional de Córdoba (3) Facultad de Ciencias Económicas – Universidad Nacional de Córdoba
[email protected] - [email protected] - [email protected] - [email protected]
1. RESUMEN
Este trabajo aborda un proceso de toma de decisiones en la gestión de una licitación sobre servicios de emergencias médicas, donde se debe elaborar el pliego de condiciones técnicas, evaluar y seleccionar un oferente. La cobertura de este servicio configura una prestación sensible que involucra la salud pública de una comunidad educativa de cien mil personas en una extensión territorial de 50 km2. La mayoría de los estudios trabajan sobre la supervivencia de las personas, pero poco se ha estudiado la gestión de la cadena de suministros. Entre la investigación disponible se cuentan estudios para el desdoblamiento de la atención a través de números primarios y secundarios conforme nivel de prioridad. Por lo general, se realizan mediciones posteriores a la prestación del servicio referidas a cuestiones como calidad, pero pocos diseñan y planifican la atención como una prevención en la asistencia. Por ello, el artículo realiza un análisis sobre el proceso de selección de proveedores para la prestación del servicio de emergencias médicas a través de ambulancias en una universidad. Se trabaja con una aplicación real abordada con métodos multicriterio basados en métricas de distancia, para la sistematización y estudio de los requisitos del pliego licitatorio a fin de brindar transparencia y minimizar los potenciales conflictos ante objeciones. Entre los principales aportes se mencionan: la incorporación de criterios de selección específicos a la administración de este servicio tendientes a la integración de los sistemas de gestión, la documentación del proceso de aprovisionamiento en la gestión de esta cadena de suministro sobre servicios de ambulancias y la mayor transparencia en los actos de gestión pública que reducen las asimetrías de información, los costos de transacción y consolidan la ética de la institución. Entre las conclusiones, se destacan ventajas de la propuesta, resultados obtenidos, implicancias y limitaciones en el estudio.
Palabras Clave: Apoyo a la decisión multicriterio – Selección de proveedores -Transparencia pública – Integración de sistemas de gestión
2. REFERENCIAS
AMOLE, B. B., OYATOYE, E. O., & KUYE, S. I. (2016). “Determinants of patient’s satisfaction on service quality dimensions in the Nigeria teaching hospitals”. Zeszyty Naukowe. Organizacja i Zarządzanie/Politechnika Śląska, (87), pp. 9-33.
BOEHM, F., & OLAYA, J. (2006). “Corruption in public contracting auctions: the role of transparency in bidding processes”. Annals of Public and Cooperative Economics, 77(4), pp. 431-452.
: 213 :
EASTWOOD, K., MORGANS, A., SMITH, K., & STOELWINDER, J. (2015). “Secondary triage in prehospital emergency ambulance services: a systematic review”. Emerg Med J, 32(6), pp. 486-492.
TZENG, G. H., Y HUANG, J. J. (2011). “Multiple Attribute Decision Making. Methods and applications”. Taylor & Francis Group.
WANG, Y., WALLACE, S. W., SHEN, B., & CHOI, T. M. (2015). “Service supply chain management: A review of operational models”. European Journal of Operational Research, 247(3), pp. 685-698.
: 214 :
SC- DRV: UNA IMPLEMENTACIÓN PARALELA DE SOFTWARE DE
MULTICRITERIO GRUPAL SOBRE EL STACK CIENTÍFICO DE PYTHON
JUAN BAUTISTA CABRAL- NADIA AYELEN LUCZYWO - JOSÉ FRANCISCO ZANAZZI - JOSÉ LUIS ZANAZZI - DANIEL PONTELLI
Laboratorio de Ingeniería y Mantenimiento Industrial (LIMI). Facultad de Ciencias Exactas, Físicas y Naturales - Universidad Nacional de Córdoba
Secretaría de Ciencia y Tecnología- Universidad Nacional de Córdoba [email protected]– [email protected] – [email protected] – [email protected]
1. RESUMEN
La Investigación Operativa ha encontrado en la Ciencia Informática un apoyo significativo, a través de los desarrollos de herramientas de software, que le ha permitido modelar y analizar los diversos problemas que aborda. En la Decisión Multicriterio Grupal esto cobra verdadera dimensión por la complejidad que tiene este proceso. En efecto, la multiplicidad de decisiones, etapas de cálculo y factores del contexto hacen difícil la utilización de estas herramientas en ciertos casos, de no mediar los desarrollos de software. Este es el caso del método Procesos DRV, que representa un aporte singular a la toma de decisión grupal y que aún no dispone de un soporte informático que facilite su aplicación a problemas complejos. La literatura específica reconoce que en las aplicaciones informáticas subsisten la dificultad para operar con grandes volúmenes de datos, la imposibilidad para migrarlos y el uso de licencias aranceladas. Por otro lado, el lenguaje Python ha llegado a ocupar un importante lugar en el ámbito científico como herramienta flexible que ayuda a solucionar cuestiones como las descriptas. Por ello, este trabajo presenta la implementación de una librería sobre el stack científico del lenguaje de programación Python del método multicriterio grupal que evalúa el consenso en los Procesos DRV. Entre los principales resultados obtenidos se cuentan: la reducción de los tiempos de ejecución basada en el paralelismo, la reutilización e integración de múltiples herramientas para la creación de métodos multiatributo existentes en Scikit-Criteria, la modularización del método utilizado y la ejemplificación a través de un caso de aplicación. Entre las conclusiones, se destacan ventajas de la propuesta, se discuten las principales limitaciones y se establecen las líneas abiertas para la investigación futura. Palabras Clave: MCDM- PYTHON – Software- Procesos DRV
2. REFERENCIAS CABRAL, J. B., LUCZYWO, N. A. & ZANAZZI, J. L. (2016). “Scikit-Criteria: colección de métodos de análisis multi-criterio integrado al stack científico de Python”. In XIV Simposio Argentino de Investigación Operativa (SIO 2016)-JAIIO 45 (Tres de Febrero, 2016).
KABAK, Ö. & ERVURAL, B. (2017). “Multiple attribute group decision making: A generic conceptual framework and a classification scheme”. Knowledge-Based Systems, 123, pp. 13-30.
: 215 :
PEREZ, F., GRANGER, B. E. & HUNTER, J. D. (2011). “Python: an ecosystem for scientific computing”. Computing in Science & Engineering, 13(2), pp. 13-21.
ZANAZZI, J. L. (2016). “Toma de Decisiones en grupos de trabajo. El método Procesos DRV (Decisión con Reducción de Variabilidad)”. Tesis Doctoral. FCEFyN. UNC
ZAVADSKAS, E. K., TURSKIS, Z. & KILDIENĖ, S. (2014). “State of art surveys of overviews on MCDM/MADM methods”. Technological and economic development of economy, 20(1), pp. 165-179.
: 216 :
OPTIMIZACIÓN DE LA RENTABILIDAD PARA AGENCIAS DE VIAJES
MELANY SEGARRA MARINETTI – MARÍA A. CASTELLINI
Facultad de Ingeniería y Tecnología Informática, Universidad de Belgrano [email protected] , [email protected]
RESUMEN En la industria del turismo, particularmente en el transporte aéreo, las
aerolíneas necesitan completar la ocupación de todos sus vuelos. Con este propósito, ellas les ofrecen a las agencias de viajes, especialmente mayoristas, aumentos en su rentabilidad (incentivos) por alcanzar determinados volúmenes de ventas (metas). Existe un reporte de incentivos, como herramienta de control para las agencias de viajes, que muestra mediante colores, en qué medida se cumple con los objetivos. El problema de las mismas surge, al no poder decidir, cómo direccionar sus ventas. Utilizando recursos de investigación de operaciones, este trabajo aplica un modelo propuesto de programación lineal, a la situación problemática, que maximice la rentabilidad de las agencias de viajes, mediante una redirección en sus ventas (conocidas por procesamiento de datos), teniendo en cuenta restricciones económicas. Los resultados obtenidos son satisfactorios, debido a un aumento de la rentabilidad. Se comparan los valores de dichas ganancias, con los estimados sin el uso de la herramienta. En conclusión, se logra optimizar el control de incentivos, a través del diseño de un modelo, capaz de ayudar a las agencias de viajes a tomar decisiones acertadas, sobre la dirección de ventas que maximiza la rentabilidad de su negocio, bajo cualquier circunstancia. Palabras Clave: Optimización – Programación Lineal Mixta – Agencias de Viajes 1. INTRODUCCIÓN
1.1. Contexto
Las agencias de viajes cumplen la función de nexo entre las aerolíneas y quienes demandan vuelos. Los servicios tienen la característica de ser intangibles, variables y perecederos, es decir que, sin importar el porcentaje de ocupación vendida de un vuelo, el avión debe salir igual. Los asientos que vuelen vacíos, representan una pérdida para las aerolíneas. Por esta razón, buscan incrementar sus ventas y ganar lugar dentro del mercado, ofreciendo a las agencias de viajes determinados incentivos. Éstos son expresados en porcentaje y se encuentran dentro de un sistema de metas que, de ser alcanzados, representan una ganancia significativa para la rentabilidad de su negocio, por tener costos puramente administrativos.
Con el procesamiento de datos, como explica Accenture Argentina (2010), es posible saber que existe una cierta cantidad de clientes con mayor predisposición a cambios en sus elecciones, que otros, como señala Boullon, R.C. (2006), es decir, hay clientes que siempre viajan por la misma compañía, mientras que otros no tienen demasiada preferencia por ninguna. Para estos últimos, las decisiones pueden ser tomadas en base a la comparación de ciertos factores.
Para comprender mejor la situación, se definen algunos conceptos:
: 217 :
Incentivo: instrumento de la administración de las aerolíneas, expresado en porcentaje, por medio del cual las agencias de viajes pueden incrementar su rentabilidad. Kicker: incentivo específico, útil para alcanzar objetivos extraordinarios. Por ejemplo, se puede ubicar un kicker en un destino, no elegido por los clientes, si no es por algún factor que los motive. Sistema de metas: conjunto de objetivos, expresados en unidades monetarias (um), cada uno de ellos asociado a un incentivo determinado.
Para el diseño del modelo, los objetivos definidos en cada sistema de metas dependen exclusivamente de cada aerolínea y de cada agencia de viajes en particular.
En cuanto a la tarifa del transporte aéreo, es variable y determinada por cada aerolínea, con el objetivo de optimizar la ocupación de sus vuelos y evitar la estacionalidad. Su valor está compuesto por la tarifa neta (dentro de este monto se encuentran las comisiones que la agencia de viajes recibe), los impuestos y la sobrecomisión (fee) correspondiente, según Boullon, R.C. (2009). Algunos de los recursos, que las agencias de viajes pueden utilizar para concretar sus objetivos de ventas son: disminución del valor del fee, promociones bancarias, paquetes, liberación de pasajes, traslados, autos o asistencias al viajero sin costo Kotler P. & Amstrong G. (2013).
1.2. Situación problemática El control de incentivos que actualmente es utilizado como herramienta de
control para las agencias de viajes, muestra mediante un sistema de colores, en qué medida están cumpliendo con cada una de las metas propuestas.
El problema entonces, surge porque la herramienta no indica soluciones, ni ayuda en la toma de decisiones para establecer direcciones de ventas correctas para la agencia de viajes. Se dice que una venta fue bien direccionada, si su resultado acerca a la agencia de viajes hacia una mayor rentabilidad sobre su facturación.
A partir de esta situación problemática, surgen tres importantes preguntas: ¿Qué cambiar? ¿Hacia qué cambiar? ¿Cómo provocar el cambio? Estas preguntas son las que se pretenden contestar al finalizar esta exposición.
Este trabajo continúa de la siguiente manera: En la sección 2 se plantea el
modelo propuesto, aplicado al caso. Se describen los conceptos involucrado y se definen las variables. El proceso de obtención de los datos y la herramienta utilizada es aclarado luego. En la sección 3 se muestran y se analizan los resultados obtenidos luego de aplicar el modelo. En la sección 4 se expresan conclusiones. 2. MÉTODO
Considerando el caso de estudio como un problema de toma de decisiones, las
variables son, para la agencia de viajes, el volumen de ventas estimadas móviles a distribuir en cada una de las aerolíneas, con el objetivo de maximizar la rentabilidad del negocio, teniendo en cuenta restricciones económicas.
El modelo propuesto para esta situación problemática es el de programación lineal mixta, Taha H.A. (2012), ya que las variables toman valores continuos (um) y el sistema de metas requiere utilizar la programación lineal binaria. Específicamente restricciones mutuamente excluyentes, cuando los incentivos a cobrar a una misma aerolínea no pueden ser simultáneamente satisfechos. Para el kicker, se utilizan variables enteras binarias, con restricciones del tipo contingentes, Hillier, F.S. y
: 218 :
Lieberman, G.J. (2010), ya que el premio depende de valores que tomen otras variables.
Se analiza la situación de una agencia de viajes, que trabaja con cinco aerolíneas. Todas ellas vuelan en el área internacional y además tres de ella en el área cabotaje. Se define el período a contemplar como trimestral, teniendo en cuenta la vigencia de las metas. Para ello se propone el siguiente modelo:
2.1. Diseño del modelo aplicado
Sea, para una agencia de viajes:
GT = ganancia total de la agencia de viajes en el período contemplado. GTi = ganancia obtenida por la venta de pasajes en aerolínea i. Gij = ganancia obtenida en el área j por la venta de pasajes en aerolínea i.
Siendo j : C = cabotaje o I = internacional. GKi = ganancia obtenida por alcanzar el premio kicker de la aerolínea i. GCij = ganancia por comisión por la venta de pasajes en aerolínea i del área j. GIij = ganancia por incentivo alcanzado de la aerolínea i en el área j. VTij = venta de pasajes total dentro del período de la aerolínea i en el área j. PCij = porcentaje de comisión correspondiente a la aerolínea i en el área j. VVij = venta volada (pasajes emitidos en el período anterior al contemplado) de la
aerolínea i en el área j. PIij = porcentaje obtenido por incentivo de la aerolínea i en el área j. VAij = venta actual de pasajes en la aerolínea i en el área j. VEij = venta estimada de pasajes de la aerolínea i en el área j. PMij = porcentaje de movilidad, correspondiente al volumen de pasajes que puede ser
redireccionado, de la aerolínea i en el área j. VEFij = venta estimada fija de pasajes de la aerolínea i en el área j. VEMij = venta estimada móvil de pasajes de la aerolínea i en el área j. XRij = venta redireccionada de pasajes a la aerolínea i en el área j. Mijp = meta ofrecida por aerolínea i en el área j con posición p. PKi = porcentaje de premio kicker correspondiente a la aerolínea i. Yijp = variable binaria correspondiente a la meta p de la aerolínea i, en el área j. YKi = variable binaria correspondiente a el premio kicker de la aerolínea i.
Límites: i de 1 a 5 (indicando la cantidad de aerolíneas disponibles), j de 1 a 2 (indicando cada área), p de 1 a 4 (indicando la posición de la meta).
Todas las ganancias y ventas están expresadas en unidades monetarias (um). 𝑀𝑎𝑥𝑖𝑚𝑖𝑧𝑎𝑟 𝑍 = 𝐺𝑇
= ∑ 𝐺𝑇𝑖𝑛=5
𝑖=1= ∑ 𝐺𝑖𝐶 + ∑ 𝐺𝑖𝐼 + ∑ 𝐺𝐾𝑖
𝑛=2
𝑖=1
𝑛=5
𝑖=1
𝑛=3
𝑖=1
= ∑ 𝐺𝐶𝑖𝐶 + ∑ 𝐺𝐼𝑖𝐶 + ∑ 𝐺𝐶𝑖𝐼 + ∑ 𝐺𝐼𝑖𝐶 + ∑ 𝐺𝐾𝑖𝑛=2
𝑖=1
𝑛=5
𝑖=1
𝑛=5
𝑖=1
𝑛=3
𝑖=1
𝑛=3
𝑖=1
= ∑ 𝑃𝐶𝑖𝐶 ∗ 𝑉𝑇𝑖𝐶𝑛=3
𝑖=1+ ∑ 𝑉𝑉𝑖𝐶 ∗ (
𝑛=3
𝑖=1∑ ∑ 𝑃𝐼𝑖𝐶𝑝 ∗ 𝑌𝑖𝐶𝑝
𝑛=4
𝑗=1
𝑛=4
𝑖=1 ) + ∑ 𝑃𝐶𝑖𝐼 ∗ 𝑉𝑇𝑖𝐼
𝑛=5
𝑖=1
: 219 :
+ ∑ 𝑉𝑉𝑖𝐼 ∗ ( 𝑛=5
𝑖=1∑ ∑ 𝑃𝐼𝑖𝐼𝑝 ∗ 𝑌𝑖𝐼𝑝
𝑛=4
𝑗=1
𝑛=4
𝑖=1 ) + ∑ 𝑃𝐾𝑖 ∗ 𝑉𝑉𝑖𝐼
𝑛=2
𝑖=1∗ 𝑌𝐾𝑖
= ∑ 𝑃𝐶𝑖𝐶 ∗ (𝑉𝐴𝑖𝐶 + 𝑉𝐸𝐹𝑖𝐶 + 𝑋𝑅𝐶𝑖)𝑛=3
𝑖=1+ ∑ 𝑉𝑉𝑖𝐶 ∗ (
𝑛=3
𝑖=1∑ ∑ 𝑃𝐼𝑖𝐶𝑝 ∗ 𝑌𝑖𝐶𝑝
𝑛=4
𝑗=1
𝑛=4
𝑖=1 )
+ ∑ 𝑃𝐶𝑖𝐼 ∗ (𝑉𝐴𝑖𝐼 + 𝑉𝐸𝐹𝑖𝐼 + 𝑋𝑅𝐼𝑖)𝑛=5
𝑖=1+ ∑ 𝑉𝑉𝑖𝐼 ∗ (
𝑛=5
𝑖=1∑ ∑ 𝑃𝐼𝑖𝐼𝑝 ∗ 𝑌𝑖𝐼𝑝
𝑛=4
𝑗=1
𝑛=4
𝑖=1 )
+ ∑ 𝑃𝐾𝑖 ∗ 𝑉𝑉𝑖𝐼𝑛=2
𝑖=1∗ 𝑌𝐾𝑖
Sujeto a (1) 𝑋𝑅𝐶 ≤ ∑ 𝑉𝐸𝑀𝑖𝐶
𝑋𝑅𝐼 ≤ ∑ 𝑉𝐸𝑀𝑖𝐼
(2) 𝑉𝑇𝑖𝐶 ≤ 𝑀𝑖𝐶1 + M ∗ ( 1 − 𝑌𝑖𝐶1 ) 𝑀𝑖𝐶1 − M ∗ ( 1 − 𝑌𝑖𝐶2 ) ≤ 𝑉𝑇𝑖𝐶 ≤ 𝑀𝑖𝐶2 + M ∗ ( 1 − 𝑌𝑖𝐶2 )
𝑀𝑖𝐶2 − M ∗ ( 1 − 𝑌𝑖𝐶3 ) ≤ 𝑉𝑇𝑖𝐶 ≤ 𝑀𝑖𝐶3 + M ∗ ( 1 − 𝑌𝑖𝐶3 ) 𝑀𝑖𝐶3 − M ∗ ( 1 − 𝑌𝑖𝐶4 ) ≤ 𝑉𝑇𝑖𝐶
𝑉𝑇𝑖𝐼 ≤ 𝑀𝑖𝐼1 + M ∗ ( 1 − 𝑌𝑖𝐼1 )
𝑀𝑖𝐼1 − M ∗ ( 1 − 𝑌𝑖𝐼2 ) ≤ 𝑉𝑇𝑖𝐼 ≤ 𝑀𝑖𝐼2 + M ∗ ( 1 − 𝑌𝑖𝐼2 ) 𝑀𝑖𝐼2 − M ∗ ( 1 − 𝑌𝑖𝐼3 ) ≤ 𝑉𝑇𝑖𝐼 ≤ 𝑀𝑖𝐼3 + M ∗ ( 1 − 𝑌𝑖𝐼3 ) 𝑀𝑖𝐼3 − M ∗ ( 1 − 𝑌𝑖𝐼4 ) ≤ 𝑉𝑇𝑖𝐼
(3) ∑ ∑ 𝑌𝑖𝐶𝑝𝑛=4
𝑝=1
= 1𝑛=3
𝑖=1
∑ ∑ 𝑌𝑖𝐼𝑝𝑛=4
𝑝=1
= 1𝑛=5
𝑖=1
(4) 2 ∗ 𝑌𝐾𝑖 − 𝑌𝑖𝐶𝑝 − 𝑌𝑖𝐼𝑝 ≤ 0
𝑋𝑅𝑗 𝑐𝑜𝑛𝑡𝑖𝑛𝑢𝑜
𝑌𝑖𝑗𝑝, 𝑌𝐾𝑖 𝑏𝑖𝑛𝑎𝑟𝑖𝑜
𝑋𝑅𝑗 ≥ 0
La función objetivo maximiza la ganancia total de la agencia de viajes, teniendo en cuenta comisiones e incentivos recibidos por área, y premios kicker alcanzados.
Dentro del período contemplado y en cada área: Las ventas actuales corresponden a los pasajes que ya fueron emitidos. Las ventas estimadas corresponden al volumen de pasajes que se calcula
emitir, desde el momento de análisis hasta finalizar el período, y se dividen en ventas estimadas fijas y ventas estimadas móviles.
𝑉𝐸𝑖𝑗 = 𝑉𝐸𝐹𝑖𝑗 + 𝑉𝐸𝑀𝑖𝑗 El porcentaje de movilidad indica el volumen de pasajes que, por preferencia
de los clientes, podrían ser redireccionados hacia otras aerolíneas. Las ventas estimadas móviles indican el volumen que se estima vender en el
período, pudiendo éstas ser redireccionadas hacia otras aerolíneas, y resultan de la multiplicación entre las ventas estimadas y el porcentaje de movilidad correspondiente.
: 220 :
𝑉𝐸𝑀𝑖𝑗 = 𝑉𝐸𝑖𝑗 ∗ 𝑃𝑀𝑖𝑗 Las ventas estimadas fijas en cambio, indican el volumen que se calcula
vender, no pudiendo ser redireccionadas hacia otras aerolíneas, y resultan de la multiplicación entre las ventas estimadas y el porcentaje de no movilidad correspondiente.
𝑉𝐸𝐹𝑖𝑗 = 𝑉𝐸𝑖𝑗 ∗ (1 − 𝑃𝑀𝑖𝑗 ) Las ventas redireccionadas, indican una nueva decisión de distribución de las
ventas estimadas móviles en cada aerolínea, dentro del período contemplado. Las ventas totales corresponden al volumen que se estima vender al finalizar el
período, siendo la suma de las ventas actuales, las estimadas fijas y la variable de decisión, ventas redireccionadas, de cada aerolínea.
𝑉𝑇𝑖𝑗 = 𝑉𝐴𝑖𝑗 + 𝑉𝐸𝐹𝑖𝑗 + 𝑋𝑅𝑖 Las ventas voladas corresponden al volumen ya vendido en el período anterior
al contemplado. El porcentaje de comisión indica lo que se estima cobrar sobre las ventas
totales, es decir, la ganancia por comisión. 𝐺𝐶𝑖𝑗 = 𝑉𝑇𝑖𝑗 ∗ 𝑃𝐶𝑖
El porcentaje de incentivo indica la cifra que se estima cobrar, aplicado sobre las ventas voladas (volumen de ventas ya vendido en el período anterior al contemplado), según la meta alcanzada en cada una de las aerolíneas, es decir, la ganancia por incentivo.
𝐺𝐼𝑖𝑗 = 𝑉𝑉𝑖𝑗 ∗ 𝑃𝐼𝑖 El porcentaje de premio kicker indica el monto a cobrar, y se aplica sobre las
ventas voladas de internacional de la aerolínea correspondiente, si alcanza la meta kicker, es decir, la ganancia por kicker.
𝐺𝐾𝑖 = 𝑃𝐾𝑖 ∗ 𝑉𝑉𝑖𝐼 ∗ 𝑌𝐾𝑖 Las restricciones (1) tienen en cuenta que el volumen total de ventas
redireccionadas en cada área no puede ser mayor a la suma de las ventas estimadas móviles de cada una de las aerolíneas.
Las restricciones (2) activan el incentivo si las ventas totales alcanzan la meta, asociada a la variable binaria.
Las restricciones (3) garantizan que sólo una meta por aerolínea y por área esté activa. Aplicando las restricciones (2) y (3), siendo el incentivo una ganancia dependiente de alcanzar una - u - otra meta determinada, la condición se satisface con M lo bastante grande como para garantizar que sólo una de las cuatro restricciones puede estar activa en cualquier momento. Si YiCp = 1, se contempla a las ventas dentro de esa franja, dejando al resto redundantes. Cada meta corresponde a un volumen de ventas total necesario para cobrar el porcentaje de incentivo asociado a esa meta.
La restricción (4), activa la variable binaria correspondiente a un determinado premio kicker, si se cumplen las condiciones en el área 1 (cabotaje) y 2 (internacional).
El modelo tiene un total de 42 variables y 60 restricciones. Para aplicar el
modelo, la información de pasajes emitidos, se obtuvo a través del GDS (sistema de distribución global), el cual mantiene la base de datos de la agencia de viajes actualizada. Este sistema, engloba la comunicación entre entidades, siendo los más importantes: Amadeus-Iran (2010); Sabre (2011); Travelport (2015). La resolución del modelo fue a través de Excel Solver.
: 221 :
La información disponible, se indica en la Tabla 1 para el área cabotaje, y en la Tabla 2, para el área internacional, la cual contempla: ventas actuales (VAij), ventas estimadas (VEij), porcentajes de movilidad (PMij), ventas estimadas fijas (VEFij), ventas estimadas móvilies (VEMij), porcentajes de comisión (PCij) metas del período (Mijp), junto con sus correspondientes porcentajes de incentivos (PIijp) y ventas voladas (VVij), siendo éste el monto al cual se aplican dichos incentivos.
Tabla 1. Caso de análisis en cabotaje (ventas y metas expresadas en um).
Tabla 2. Caso de análisis en internacional (ventas y metas expresadas en um).
La Tabla 3 indica las propuestas de premio kicker.
Tabla 3. Premios kicker.
: 222 :
3. RESULTADOS
Aplicando el modelo diseñado, presentado en 2.1., se obtuvieron los siguientes resultados
Tabla 4. Ventas en cabotaje (en um).
En el área cabotaje, las 80.000 um. son redireccionadas a la Aerolínea 1 (XRC1). Se obtienen ventas totales (VTiC ) de 3.5000.000, 1.940.000 y 430.000 um, para las aerolíneas 1, 2 y 3 respectivamente. En cuanto a los incentivos, la agencia de
viajes alcanza la segunda meta de la Aerolínea 1 (M1C2), de acuerdo a la Tabla 1.
Tabla 5. Ventas en internacional (en um).
En el área internacional, las 145.000 um. son redireccionadas: 95.000 um hacia la Aerolínea 1 (XRI1), y 50.000 um a la Aerolínea 3 (XRI3). Se obtienen ventas totales (VTiI) de 3.000.000, 1.875.0000, 530.000, 885.000 y 1.850.000 um, para las aerolíneas 1, 2, 3, 4 y 5 respectivamente. En cuanto a los incentivos, la agencia de viajes alcanza la primera meta de la Aerolínea 1 (M1I1), y la primera meta de la Aerolínea 3 (M3I1), de
acuerdo a la Tabla 2. De esta manera, se alcanza el premio kicker de la Aerolínea 1,
de acuerdo a la Tabla 3. La ganancia a cobrar por la agencia de viajes, al finalizar el período
contemplado, es la indicada en la Tabla 6. En la misma, se comparan los resultados con los alcanzados sin la aplicación del modelo.
Tabla 6. Ganancias del período (en um).
: 223 :
Los valores obtenidos en cada una de las áreas, son el resultado de aplicar los porcentajes de comisión e incentivo (indicados en la Tabla 1 para cabotaje, y en la Tabla 2 para internacional), al correspondiente volumen de pasajes emitidos (indicados en la Tabla 4 para cabotaje, y en la Tabla 5 para internacional).
Al aplicar el modelo se observa una diferencia sustancial de la ganancia respecto a la situación previa (622.275 um. vs. 357.700 um.). Esto se debe a la redirección de las ventas estimadas móviles a fin de alcanzar las metas y kickers ofrecidos por las aerolíneas.
4. CONCLUSIONES
Respondiendo las preguntas surgidas en un principio: ¿Qué cambiar?: las variables fundamentales a cambiar, durante el proceso de ventas, son las ventas estimadas móviles de pasajes de cada una de las aerolíneas. ¿Hacia qué cambiar?: el modelo propuesto brinda solución a esta pregunta. La herramienta tiene la capacidad de indicar, hacia qué dirección cambiar las ventas, con el fin de maximizar ganancias. ¿Cómo provocar el cambio?: la aplicación del modelo es el elemento fundamental para provocar el cambio. Una vez conocida la acción, ésta debe ser comunicada a los correspondientes agentes de viajes, quienes, teniendo en cuenta la visión de la oferta, son los responsables de generar el cambio.
Es importante destacar que el modelo propuesto está enfocado desde la oferta, es decir indica un camino a seguir para maximizar la rentabilidad. Luego, esto permite enfocar hacia dónde incentivar la demanda de manera de lograr las rentabilidades deseadas.
El modelo propuesto ayuda a mejora la productividad, Goldratt E.M. (2013), de la agencia de viajes, ya que se trata de un recurso exclusivamente dirigido a ganar la mayor cantidad de dinero posible, cualquiera fuere el escenario. Para la economía de la empresa, la unidad de dirección es un principio fundamental. La herramienta ayuda a obtener un único objetivo claro, mediante la coordinación de las partes, el enfoque requerido y su acción efectiva.
En cuanto a la flexibilidad, la herramienta permite hacer frente ante posibles cambios en el mercado, enfatizando la capacidad de respuesta rápida. Asiste a la agencia de viajes para ser más competitiva, ya que, de esta manera, además de tener los datos actualizados constantemente, ahora sabrán que hacer con ellos.
Su uso también significa una ventaja para las aerolíneas, quienes desean que sus metas sean alcanzadas. Todos ganan si los vuelos salen completos, ya que las aerolíneas pagan un porcentaje sobre un monto que ya significó una ganancia para ellas. 5. REFERENCIAS ACCENTURE ARGENTINA (2010): “Aceleración”. Pearson. AMADEUS-IRAN (2010): “Amadeus Air Reservation”. Amadeus. URL http://www.amadeus.com/. BOULLON. R.C. (2009): “Marketing turístico”. Ediciones turísticas. BOULLON, R.C. (2006): “Planificación del espacio turístico”. Trillas. GOLDRATT, E.M. (2013). “La meta, un proceso de mejora continua”. Granica.
: 224 :
HILLIER, F.S. y LIEBERMAN, G.J. (2010): “Introducción a la investigación de operaciones”. Mc Graw Hill. KOTLER P. y AMSTRONG G. (2013): “Fundamentos del marketing”. Pearson. SABRE (2011): “Shortcuts”. Student Guide. URL https://www.sabre.com/. TAHA, H.A. (2012): “Investigación de operaciones”. Pearson. TRAVELPORT (2015): “Galileo for Travel Professionals”. Travelport. URL https://www.travelport.com/.
: 225 :
LÓGICA DIFUSA PARA LA TOMA DE DECISIONES AGRÍCOLAS
PAMELA STRUSIAT1 – SILVIA ADRIANA RAMOS1 – HORACIO ROJO1 – XAVIER GONZALEZ1 – MARÍÁ ALEJANDRA CASTELLINI1
1Universidad de Buenos Aires, Facultad de Ingeniería, Grupo GIDESA – [email protected] - [email protected] - [email protected]–
[email protected] [email protected]
RESUMEN
El trabajo trata sobre modelos de lógica difusa para la toma de decisiones en
contextos de incertidumbre, aplicados a la actividad agrícola. El estudio de esta temática aplicada al sector agrario surgió por la necesidad de contar con un modelo que facilite al productor la mejor selección de alternativas, dado que los basados en la teoría de conjuntos borrosos (o lógica difusa) permiten describir y formalizar la realidad utilizando elementos flexibles que interpretan las leyes que rigen el comportamiento humano y las relaciones con el medio ambiente. Se utiliza el modelo de lógica difusa de Verdegay, Delgado, y Vila (1988) para analizar la borrosidad en los coeficientes del funcional de un modelo matemático. Éste analiza qué porcentaje de cada Cultivo Manejo es el óptimo según el campo y las condiciones de mercado en un periodo determinado para maximizar la rentabilidad de la explotación. Estando presente la incerteza en la rotación de los cultivos, la aplicación del método de Lógica Difusa arrojará diferentes valores en función de la decisión de siembra que prefiera el productor. La aplicación de dicho modelo recomienda tomar la decisión en función del cultivo preferido, lo que genera, para cada combinación de cultivos, un beneficio diferente.
Palabras Clave: Optimización – Lógica Difusa – Toma de decisiones – Producción Agrícola 1. INTRODUCCIÓN
1.1. La incertidumbre y la borrosidad en la toma de decisiones
La toma de decisiones es una acción inevitable para el ser humano, por lo que
se debe hacer lo mejor posible para poder manejar el riesgo asociado a la falta de conocimiento sobre el mundo, a partir de la implementación de una metodología específica. Es entonces cuando el analista debe hacer un balance entre el escepticismo sobre la precisión de sus modelos y la necesidad de decidir y actuar, lo que implica disponer de herramientas para realizar dicho balance.
La lógica difusa fue investigada, por primera vez, a mediados de los años sesenta en la Universidad de Berkeley (California) por el ingeniero Lotfy A. Zadeh cuando se dio cuenta de lo que él llamó principio de incompatibilidad: “Conforme la complejidad de un sistema aumenta, nuestra capacidad para ser precisos y construir instrucciones sobre su comportamiento disminuye hasta el umbral más allá del cual, la precisión y el significado son características excluyentes”. Introdujo entonces el concepto de conjunto difuso (Fuzzy Set) bajo el que reside la idea de que los elementos sobre los que se construye el pensamiento humano no son números sino etiquetas lingüísticas. La lógica difusa permite representar el conocimiento común, que
: 226 :
es mayoritariamente del tipo lingüístico cualitativo y no necesariamente cuantitativo, en un lenguaje matemático a través de la teoría de conjuntos difusos y funciones características asociadas a ellos. Permite trabajar a la vez con datos numéricos y términos lingüísticos; éstos son inherentemente menos precisos que los datos numéricos pero en muchas ocasiones aportan una información más útil para el razonamiento humano.
El aspecto central de los sistemas basados en la teoría de la lógica difusa (Trillas E. Gutiérrez Ríos., 1992) es que, a diferencia de los que se basan en la lógica clásica, tienen la capacidad de reproducir aceptablemente los modos usuales del razonamiento, considerando que la certeza de una proposición es una cuestión de grado. Más formalmente se puede decir que si la lógica es la ciencia de los principios formales y normativos del razonamiento, la lógica difusa o borrosa se refiere a los principios formales del razonamiento aproximado, considerando el raciocinio preciso (lógica clásica) como caso límite. Así pues, las características más atractivas de la lógica difusa son su flexibilidad, su tolerancia con la imprecisión, su capacidad para modelar problemas no-lineales, y su base en el lenguaje natural. 1.2. El problema de la asignación de cultivos en la actividad agrícola
El productor agrícola dispone de un terreno para trabajar, el cual será asignado
a distintos cultivos y trabajado con diversas técnicas. A la siembra de un tipo de grano, a partir de un conjunto particular de técnicas se lo denomina cultivo-manejo, por lo tanto, en términos de nomenclatura, a una porción de tierra particular se le asigna un cultivo manejo determinado. Al final de la temporada el productor obtendrá un beneficio por la venta de la cosecha, que dependerá del precio de ésta y de los costos asociados a la producción de los cultivos. De manera ideal, el productor debería seleccionar la asignación de los cultivos-manejo que le proporcionen el mayor margen de beneficio posible.
En la práctica resulta imposible conocer a priori la asignación óptima para el terreno, dado que existen numerosos factores de incertidumbre que modifican el resultado final. El productor debe trabajar con las variables que tiene capacidad de influenciar y optar entre una decisión más arriesgada, pero más lucrativa, versus otra más conservadora y menos redituable, intentando diversificar el riesgo.
Si se considera al margen influenciado por el rendimiento de los cultivos (y), los precios de venta (p), sus costos variables (Cvar) y sus costos fijos (Cf), y relacionados en la forma: M= y*p*(1-Cvar)-Cf; entonces, el éxito o fracaso de la siembra para una temporada particular queda fuertemente definido por dos factores de alta incertidumbre: las variables climáticas que luego determinan el rendimiento y los precios de los granos en el momento de la venta. 2. METODOLOGÍA BORROSA O DE LÓGICA DIFUSA 2.1. Pasos y nomenclatura utilizados para la implementación de la metodología borrosa
Se considera el problema clásico de programación lineal (PL) de “maximizar
una función objetivo sujeta a restricciones”: Maximizar: Z = c . x
: 227 :
Sujeto a: A . x ≤ b (1) x ≥ 0 c , x: vectores de dimensión n b: vector de dimensión m A: matriz de dimensión mxn
El vector x determina las variables de decisión. A, b y c describen los estados de los elementos del sistema modelado y Z es la función objetivo que se desea maximizar, donde los coeficientes de A, b y c son números nítidos. Cabe aclarar que los números nítidos son los que no son números borrosos.
En un entorno incierto, el decisor puede tener ciertos niveles de aspiración que no es posible definir nítidamente, o existir restricciones que no es adecuado tomar en el sentido matemático estricto, sino admitir pequeños desvíos. En consecuencia, diferentes elementos de las ecuaciones propuestas son borrosos, y la borrosidad puede expresarse en formas diferentes: los elementos de A, b o c son números borrosos en lugar de nítidos, las restricciones se representan mediante subconjuntos borrosos en vez de inecuaciones o ecuaciones, y la función objetivo por un subconjunto borroso o bien por una función borrosa.
La solución puede ser un subconjunto borroso o nítido (solución máxima), lo que en todos los casos aporta información para la toma de decisión. A diferencia de la Programación Lineal clásica, el tipo de modelo no es único y su elección depende de los diferentes aspectos que presente la situación que se quiere modelizar. (Lazzari L., et. al 2001) 2.2 Borrosidad en los Términos Independientes y en los Coeficientes del Funcional
Cuando la disponibilidad de los recursos no se conoce con precisión, el
conjunto factible resulta borroso. En tal situación, para cada recurso se considera una cantidad deseable b, pero se acepta la posibilidad de que se supere b hasta un tope máximo b+p (p es el denominado nivel de tolerancia). Las restricciones que definen el espacio solución pueden ser expresadas mediante subconjuntos borrosos. Un modelo que incluye las restricciones con estas características (Verdegay et al, 1988) se presenta de la siguiente forma:
Maximizar: Z = c. x
Sujeta a:
A. x b (2)
x ≥ 0
El símbolo indica una relación de tipo ≤ en un ambiente borroso.
Resulta el siguiente problema clásico de programación lineal paramétrica: Maximizar: Z = c. x
: 228 :
Sujeto a: (A.x)i ≤ bi + (1-α) pi , i (3)
x ≥ 0 , el parámetro θ ϵ [0,1]
i = vector de manejo cultivo = (ma1, ma2, soy1, soy2, WS1, WS2)
De este modo, para cada α se obtiene una solución óptima. (Lazzari L., et al, 2001) A su vez, para eliminar las restricciones en los Coeficientes del Funcional, se realiza la Desfuzzificación de Factores, que consiste en aplicar un conjunto de operaciones matemáticas que permitirán pasar de números borrosos a números nítidos.
Donde
3. METODOLOGÍA BORROSA APLICADA A LA ACTIVIDAD AGRÍCOLA
ANÁLISIS:
El modelo analiza qué porcentaje de cada Cultivo Manejo es el óptimo según el campo y las condiciones de mercado en un periodo determinado, para maximizar la rentabilidad del campo, o sea maximizar la función utilidad.
MARGEN NETO: Con i = ma1, ma2, soy1, soy2:
Con i = WS1, WS2:
NOMENCLATURA:
U: Utilidad, MN: Margen Neto = [ ], Xi = Porcentaje de siembra del manejo
“i” = porcentaje en unidades de Ha = [ ], Yi: Rendimiento, valor más probable, del
cultivo manejo “i” = [ , TN: Tonelada., Ha: Hectárea., USD: Dólares Americanos., Pi:
Precio, valor más probable, del cultivo manejo “i” = [USD], Cvari: Costo variable, del
cultivo manejo “i” =, Cfijoi: Costo fijo, del cultivo manejo “i” = [ ], i = vector de manejo
: 229 :
cultivo = (ma1, ma2, soy1, soy2, WS1, WS2), Ma1: maíz de primera, Ma2: maíz de segunda, Soy1: soja de primera, Soy2: soja de segunda, WS1: combinado trigo soja de primera, WS2: combinado trigo soja de segunda
RESTRICCIONES:
1) Esta restricción significa que se debe cubrir el 100% del terreno. Como sabemos que siempre se utilizará todo el terreno, podemos escribir la restricción como sigue para simplificar las cuentas:
2) Por experiencia se puede considerar deseable sembrar un mínimo de maíz,
trigo y soja para disminuir el riesgo. Se considera deseable un 15% mínimo de asignación, siendo 30% la situación ideal. Para lograr este deseo, la metodología borrosa propone tomar esos valores como tolerancias (inexactitudes permitidas), y se expresan de la siguiente manera:
VARIABLES BORROSAS:
Utilizar variables borrosas aumenta exponencialmente la dificultad del modelo. Bajo la premisa que dos modelos que arrojan conclusiones similares y tienen errores similares, consideraremos al más sencillo como el mejor modelo. En nuestro caso es aquel que tenga menos variables borrosas. Esto significa que agregar variables borrosas que no aportan mejoras significativas al modelo es entendido como un error de modelización. Por esta razón se debe realizar un análisis de sensibilidad para determinar cuáles son las variables sensibles que merecen ser consideradas como borrosas. En el análisis de sensibilidad se llega a la conclusión que las únicas variables que es fundamental considerarlas borrosas son:
Yi: el rendimiento de los cultivos. Es un número borroso triangular. Pi: el precio del cultivo. Es un número borroso triangular.
Un NBT (número borroso triangular) queda determinado de manera única por
tres números reales a1, a2 y a3, tales que a1≤ a2 ≤ a3
: 230 :
VARIABLES NO BORROSAS: En el modelo se las considera constantes. Cfijo: costos fijos Cvar: Costos variables Los costos para un determinado periodo los podemos considerar constantes.
Para los mismos consideramos los costos promedios de la zona para un periodo de tiempo determinado. ETAPAS DEL MODELO
Los pasos para construir el modelo y utilizar la herramienta en la toma de decisión son los siguientes:
1) Se arma para cada productor agropecuario una tabla de datos, ya sean datos históricos actualizados obtenidos vía el link web https://datos.magyp.gob.ar/ del Ministerio de Agroindustria de la Nación, o información con la que ya cuente el productor, obtenidos de su actividad en la zona donde se encuentre su campo. Dichos datos son: Costos variables y fijos, precios de venta de lo cosechado mínimo, más probable y máximo, y rendimientos de los cultivos mínimo, más probable y máximo.
2) Se arman intervalos de confianza para dichos valores de precio y rendimiento, por medio de los α-cortes.
Un corte es el intervalo de confianza de nivel que se expresa como:
3) Se realiza la desfuzzificación de los factores, para pasar los datos
triangulares, de precio y rendimiento, a datos simples (nítidos). 4) Se expresa el funcional como una combinación de las variables para formar
la Utilidad, la cual se busca maximizar. 5) Aplicando la resolución de Verdegay para términos independientes borrosos
(caso I), se arman las restricciones borrosas, agregándoles las no borrosas para terminar de definir el modelo.
6) Finalmente se le asignan valores, entre [0,1], a los coeficientes borrosos, y por medio del programa LINDO, de resolución de Programación Lineal nítida, se obtiene una gama de resultados sobre Utilidad, según la proporción a sembrar. Entre dichos resultados es que el productor decidirá sembrar unas u otras combinaciones de porcentajes, en base al riesgo que quiere correr y a la mayor utilidad que quiera obtener. 3. RESULTADOS DEL MODELO Y RECOMENDACIONES AL PRODUCTOR
A partir del análisis de los resultados obtenidos, se pueden formular recomendaciones sobre las decisiones que puede tomar un productor de la zona de Pergamino, que cuente con los datos de que partimos.
En primera instancia, estando presente la incerteza en la rotación de los cultivos, la aplicación del método de Lógica Difusa cuyo resultado plantea Verdegay para resolver la borrosidad en los términos independientes, arrojará diferentes valores en función de la decisión que prefiera sembrar el productor, lo cual se ve reflejado en los valores de alfa.
La aplicación de dicho modelo recomienda tomar la decisión en función del cultivo preferido, lo cual genera, para cada combinación de cultivo, un beneficio diferente. Las combinaciones óptimas propuestas se reflejaron en la figura 1.
: 231 :
Figura 1 Resultados de aplicar Verdegay en Restricciones borrosas al problema
Sin embargo, se observa que, con dicho análisis, cualquiera sea la combinación que elija, siempre es rentable sembrar más hectáreas con el combinado trigo-soja1, que con otros cultivos. La justificación de esto parte de que el combinado trigo-soja1 en comparación con el maíz1, era más rentable que este último, su rendimiento era menor, pero su precio de venta era mayor, razón por la cual, en dicho caso, se obtenía finalmente un beneficio mayor.
Para analizar, vemos los rendimientos y los precios de venta de cada cultivo,
en las figuras 2 y 3, respectivamente
En la Figura 4 vemos que el cultivo de mayor centro de masa, respecto de sus valores mínimo y máximo de MN, es el azul: trigo-soja 1. Esto lo hace el cultivo más rentable en este análisis
También se observa que cuando se toma el valor más probable, el mejor es el color amarillo: maíz 1, dado que su valor más probable de Margen Neto es el mayor de todos
: 232 :
Analizando ahora el caso nítido, la combinación óptima de cultivo arrojaba
mayores beneficios cuando se optaba por sembrar: 55% de maíz de primera, 22,5% de trigo-soja de primera, y 22,5% de soja de segunda. Dicha combinación también propone la siembra de maíz1 y trigo-soja1 aunque en mayor proporción el primero de estos cultivos. Además incluye en el valor óptimo una proporción de soja2.
Comparando con el resultado obtenido al aplicar el Método de Verdegay, es a la inversa, el maíz1 es el que se aconseja sembrar en mayor medida, seguido de trigo-soja1. A su vez, el valor de la Utilidad en Lógica Borrosa, para el caso donde a=1, es decir, θ=0 es U= $831531,6, que comparado con en el caso Clásico donde es U= $764603,5.
En conclusión, se observa que al incorporar borrosidad en las incertezas, se obtienen resultados diferentes a los obtenidos en análisis probabilísticos como la programación lineal, o los obtenidos en otros enfoques, como la metodología de decisiones robustas. 5. REFERENCIAS BERGER A., PENA DE DALOGIA S., ROSSELLI A. (2010) “Simulación agronómica y Monte Carlo combinadas: un análisis de riesgo para el productor agrícola”. IV Taller de Modelización Económica en el Sector Agropecuario, 2 de Septiembre de 2010 Bolsa de Cereales, Buenos Aires, Argentina. Cátedra de Administración Rural Facultad de Agronomía, Universidad de Buenos Aires. LAZZARI, L., CASPARRI, M. T., LOISSO, G., MOULIÁ, P. (2001) “Los conjuntos borrosos y su aplicación a la programación lineal”. Facultad de Ciencias Económicas UBA. TRILLAS E. Y GUTIERREZ RÍOS J., (1992) “Aplicaciones de la lógica borrosa” VERDEGAY, J. M.; DELGADO, M.; VILA M.A. (1988) “Ranking fuzzy numbers using fuzzy relations” Fuzzy Sets and Systems.
: 233 :
SECUENCIAMIENTO Y RUTEO DE VEHÍCULOS EN CENTROS DE CROSSDOCKING
JULIA PAOLANTONIO – MARIANA SEDOFF– MARIANA VIRI
Facultad de Ciencias Exactas, Ingeniería y Agrimensura – Universidad Nacional de Rosario [email protected] - [email protected] - [email protected]
RESUMEN
Con el incremento de la población en zonas urbanas, la coordinación de las entregas y camiones de reparto en zonas densamente pobladas es un desafío al que se enfrentan muchas empresas en la actualidad. Por lo que se necesitan soluciones eficientes y efectivas. Este trabajo aborda el estudio del problema de secuenciamiento y ruteo de camiones en un centro de Crossdocking, con el objetivo de minimizar las penalizaciones por el no cumplimiento a los clientes dentro de una ventana de tiempo. Se propone para ello un modelo de programación lineal entera mixta indexada en el tiempo. Se realizaron experimentos computacionales que muestran un rendimiento satisfactorio del modelo para instancias pequeñas y medianas. Sin embargo, no trabaja bien con conjuntos grandes de datos.
Palabras Clave: Optimización – Secuenciamiento y Ruteo de Vehiculos (VRSP) –Crossdocking – Programación Entera y Mixta indexada en el tiempo
1. INTRODUCCIÓN Con el auge del comercio electrónico se generó un aumento significativo de
reparto de toda clase de mercaderías y productos en las zonas urbanas. Con el afán de volverse más competitivas las empresas incrementaron la oferta de servicios brindados como, por ejemplo, la entrega de productos en el mismo día o incluso en unas pocas horas. Asimismo, los gobiernos locales reaccionaron generando normas, las cuales deben ser consideradas al momento de diagramar rutas de distribución.
Ante estos nuevos desafíos la logística urbana propone soluciones de toda índole, desde utilizar vehículos más pequeños para el transporte de cargas, lo que permite una mayor flexibilidad y movilidad como realizar entregas parciales o nocturnas, como otras que involucran reorganizar toda la cadena logística. Dentro de estas últimas, se encuentra el uso de Crossdocking.
El Crossdocking es una técnica ubicada dentro de la rama de la Logística, que surge como solución a la coordinación de entregas de productos en zonas densamente pobladas en un corto periodo de tiempo. Su principal característica es no almacenar los productos, consolidando los pedidos para que puedan ser enviados a los clientes dentro de las primeras 24 horas. Este método cobra cada día mayor importancia debido a la tendencia poblacional mundial de emigrar a las áreas urbanas y donde el cliente busca satisfacer sus necesidades de forma casi instantánea.
Es llamativo que, pese a la importancia que una buena práctica de Crossdocking pueda tener dentro de una empresa, aún sea difícil hallar estudios académicos que analicen en detalle temas tan esenciales como el secuenciamiento y ruteo de camiones en centros que lo apliquen.
El presente trabajo tiene como objetivos la indexación en el tiempo del modelo entero mixto de Rezende R. (2016), que combina los fenómenos de ruteo y secuenciamiento en Centros de Distribución; con la ventaja de ponderar a los clientes
: 234 :
según su importancia y poder programar una semana estándar de trabajo (5 días) aplicando el principio del Crossdocking.
2. DESARROLLO
2.1 Revisión de la literatura
Analizando la Literatura perteneciente a esta rama, se aprecia que hay una
falta de modelos que ayuden al gerente a decidir la mejor estrategia de planificación para el Centro de Distribución en términos de estrategia comercial (por ejemplo, beneficio o nivel de servicio), y que consideren el efecto de cada una en términos monetarios. Además cabe remarcar el trabajo escrito por Ladier A. y Alpan G. (2016) en el que quedan en evidencia brechas entre el desarrollo de la teoría de algunos modelos y su uso práctico.
La revisión obtenida muestra que el tratamiento conjunto de los problemas de ruteo y secuenciamiento es escaso. La Literatura suele tratarlos en forma exclusiva. En la búsqueda bibliográfica realizada sólo se pudieron encontrar el trabajo de Agustina Dwi A. (2014), Stickel M. (2006) y el de Rezende R. (2016).
En el caso de Rezende R. (2016), se describe el secuenciamiento y el ruteo en un Centro de Crossdocking, para un único día mediante un modelo lineal mixto. El objetivo del mismo es minimizar las penalizaciones por el no cumplimiento a los clientes dentro de la ventana de tiempo. El proceso es el siguiente: los camiones de entrada llegan al Centro de Distribución, en horarios predefinidos, donde serán descargados en muelles de recepción. Luego, se cargan los camiones de salida que servirán a un número de clientes. La cantidad de camiones es variable. La capacidad de cada camión de entrada se considera infinita, los camiones de salida tienen una capacidad determinada, y hay un número limitado de ellos. Se asume una velocidad constante para todos los camiones de salida. De este modo, la distancia entre los clientes está dada por el tiempo de viaje.
2.2 Definición del problema
El modelo propone secuenciar las cargas y descargas de los camiones de
entrada en los muelles y rutear los camiones de reparto de un Centro de Distribución que aplique Crossdocking. El modelo tiene en cuenta una semana (5 días).
Los camiones cargados de los proveedores (camiones de entrada) llegan al Centro de Distribución (CD) donde serán descargados en muelles de recepción. El horario de llegada de los camiones se conoce de antemano. En el CD también serán cargados, en los muelles de salida, camiones de reparto (o camiones de salida) que servirán a un número de clientes, cada uno con su propia demanda. La cantidad de vehículos, tanto en la recepción como en el despacho, puede ser variable durante los días considerados.
La demanda de un cliente está dada por la entrada de camiones que tienen los productos que éste necesita. Por lo tanto, cada camión de reparto sólo se puede cargar después de que los camiones que llegan de los proveedores, sean descargados en el Centro de Distribución.
La capacidad de cada camión de entrada no se toma en consideración. Se supone que éstos poseen la cantidad exacta que los clientes demandarán ese día. Los camiones de salida son idénticos, y hay un número limitado de ellos. El uso de un camión de reparto no genera un costo fijo. El mismo camión puede atender varios
: 235 :
clientes, siempre que su capacidad (dado el número máximo de clientes que cada camión puede visitar en un día) lo permita. Se supone a esta capacidad variable en cuanto a los días, pero fija para todos los camiones. Sin embargo, cada cliente atendido es visitado por un solo camión.
Debido al número fijo y limitado de muelles de entrada y salida, hay un número máximo de camiones que se pueden procesar al mismo tiempo, tanto para descargar como para cargar. Una vez que comienza el procesamiento de un camión la operación debe ser completada sin interrupciones. El tiempo de procesamiento varía para cada camión. El tiempo de movimiento dentro del CD es despreciado.
Se define una ventana de tiempo - con un tiempo de inicio y final – en la que el cliente puede recibir sus mercancías. Se supone que es la misma para cada día. Las distancias entre los clientes están dadas por el tiempo de viaje.
La entrega de pedidos a los clientes es completa. Un cliente tiene 3 opciones: puede ser atendido el día que pidió la mercadería, ser atendido al día siguiente, o no ser atendido en lo absoluto (siempre respetando la ventana de tiempo).
Si un cliente no es atendido el mismo día que realiza el pedido, la mercadería se almacena en el CD, para ser entregada al día siguiente en la misma ventana de tiempo, o no ser entregada; lo cual crea una penalización que depende de la importancia del cliente. Sin embargo, y sólo con fines prácticos, los clientes que pidan mercadería el día 5 deberán ser atendidos ese mismo día, o no podrán ser atendidos.
La penalización asociada a la no entrega a cada cliente (que influye en la prioridad de atención), está representada por un peso calculado en función del volumen de ventas que genera el mismo.
2.3 Modelo matemático
Parámetros de entrada: 𝐼: etapas de procesamiento (1: recepción, 2: envío).
𝐴: días considerados.
𝑚𝑖: número de muelles en la etapa 𝑖, 𝑖 ∈ 𝐼.
𝑛𝑛𝑖𝑑: cantidad de camiones en la etapa 𝑖 el día 𝑑, 𝑖 ∈ 𝐼, 𝑑 ∈ 𝐴. 𝑛𝑛𝑖𝑑 = #𝑛𝑖𝑑.
𝑛𝑖𝑑: conjunto de camiones en la etapa 𝑖 el día 𝑑, 𝑖 ∈ 𝐼, 𝑑 ∈ 𝐴. De aquí se desprenden:
𝑛1𝑑: conjunto de camiones de entrada el día 𝑑, 𝑑 ∈ 𝐴.Cada camión de entrada
del día 𝑑 será identificado por un número de 4 cifras; las dos primeras serán
10 ∙ 𝑑, 𝑑 = 1, … , 5 (𝑑 es el día) y las dos últimas corresponderán al número de camión 𝑒, 𝑒 = 01, 02, … , 𝑛𝑛𝑖𝑑, siendo 𝑛𝑛𝑖𝑑 la cantidad de camiones de entrada
el día 𝑑.
𝑛2𝑑: conjunto de camiones de salida el día 𝑑, 𝑑 ∈ 𝐴.
𝑛𝑝1𝑑: conjunto de camiones del día 𝑑 − 1 en la etapa 1 el día 𝑑, 𝑑 ∈ 𝐴, 𝑑 > 1. Se refiere a los camiones que entraron el día anterior al considerado. Este parámetro se utiliza para conectar la mercadería proveniente el día d con su entrega, si es necesaria, el día 𝑑 + 1. 𝑛𝑝𝑖𝑑 = 𝑛1,𝑑−1. Se definió con fines computacionales.
𝑛𝑎𝑖𝑑: conjunto de los camiones de entrada del día actual y los del día anterior, 𝑖 ∈𝐼, 𝑑 ∈ 𝐴, 𝑑 > 1. Los camiones de salida son sólo los del día actual. 𝑛2𝑑 = 𝑛𝑎2𝑑 y 𝑛𝑎1𝑑 =𝑛1𝑑 ∪ 𝑛1,𝑑−1 = 𝑛1𝑑 ∪ 𝑛𝑝1𝑑. Se definió con fines computacionales.
𝑝𝑖𝑑𝑒: tiempo de procesamiento del camión 𝑒 en la etapa 𝑖 el día 𝑑, 𝑖 ∈ 𝐼, 𝑒 ∈ 𝑛𝑖𝑑 , 𝑑 ∈ 𝐴. 𝑔𝑑𝑒 : horario que el camión 𝑒 se encuentra disponible para su procesamiento en la
etapa 1 el día 𝑑, 𝑒 ∈ 𝑛1𝑑 , 𝑑 ∈ 𝐴.
: 236 :
𝑄𝑑: número máximo de viajes permitidos por camión el día 𝑑, 𝑑 ∈ 𝐴.
𝑛𝑐𝑑: cantidad de clientes que pidieron el día 𝑑, 𝑑 ∈ 𝐴.
𝐵𝑑: conjunto de clientes que pidieron el día 𝑑, 𝑑 ∈ 𝐴. 𝐵1 ∪ 𝐵2 ∪ 𝐵3 ∪ 𝐵4 ∪ 𝐵5 = 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠: conjunto de todos los clientes a abastecer durante esa semana.
𝐶𝑑: conjunto de todos los clientes del día 𝑑, 𝑑 ∈ 𝐴. 𝐶𝑑 = 𝐵𝑑 ∪ 𝐵𝑑−1, 𝑑 > 1 y 𝐶1 = 𝐵1. En este parámetro se consideran tanto los clientes que ordenaron ese día como los que lo hicieron el día anterior. De manera similar a los camiones, los clientes se identificarán con un número de 4 cifras; las dos primeras serán 10 ∙ 𝑑, 𝑑 = 1, … , 5 (𝑑 es el día) y las
dos últimas corresponderán al número de cliente 𝑗 , 𝑗 = 01, 02, … , 𝑛𝑐𝑑 , siendo 𝑛𝑐𝑑 el
número de clientes del día 𝑑.
𝐷𝑑: conjunto formado por el Centro de Crossdocking para el día 𝑑, 𝑑 ∈ 𝐴. El recorrido de los camiones de salida se inicia cada día en el CD y finaliza en él después de visitar a cierto conjunto de clientes, por lo que el CD será indentificado siguiendo la regla para los clientes, considerándolo como el cliente número 00 del día 𝑑 para el inicio del
recorrido y como el cliente 𝑛𝑐𝑑 + 1 para el final.
𝑉𝑑: conjunto de todos los clientes y el Centro de Crossdocking del día 𝑑, 𝑑 ∈ 𝐴. 𝑉𝑑 =𝐶𝑑 ∪ 𝐷𝑑 . 𝑠𝑑𝑗: tiempo de atención del cliente 𝑗 el día 𝑑, 𝑗 ∈ 𝑉𝑑 , 𝑑 ∈ 𝐴. Al CD se le asigna tiempo
nulo de atención. 𝑡𝑑𝑗𝑘: tiempo (distancia) entre clientes 𝑗 y 𝑘 el día 𝑑, 𝑗 ∈ 𝑉𝑑 , 𝑘 ∈ 𝑉𝑑 , 𝑗 ≠ 𝑘, 𝑑 ∈ 𝐴.
𝑝𝑠𝑗: peso del cliente 𝑗, 𝑗 ∈ 𝐵𝑑.
ℎ𝑜𝑑𝑗: horario de inicio de la ventana de tiempo del cliente j el día 𝑑, 𝑗 ∈ 𝑉𝑑 , 𝑑 ∈ 𝐴. Al
CD (tanto inicial como final) se le asigna valor 0 para el horario de inicio de la ventana de tiempo, para todos los días. ℎ𝑓𝑑𝑗: horario final de la ventana de tiempo del cliente 𝑗 el día 𝑑, 𝑗 ∈ 𝑉𝑑 , 𝑑 ∈ 𝐴.
𝑆𝑑𝑗: conjunto de camiones de la etapa 1 que deben ser descargados antes de que el
camión que atenderá al cliente 𝑗 inicie su carga en la etapa 2 el día 𝑑, 𝑗 ∈ 𝐶𝑑 , 𝑑 ∈ 𝐴.
Son los camiones de entrada que son parte de la demanda del cliente 𝑗 el día 𝑑. 𝑀: número grande. Variables de decisión: 𝑐𝑖𝑑𝑒: horario de finalización del camión 𝑒 en la etapa 𝑖 el día 𝑑, 𝑖 ∈ 𝐼, 𝑒 ∈ 𝑛𝑖𝑑 , 𝑑 ∈ 𝐴. 𝑧𝑖𝑑𝑎𝑒 = 1, si el camión 𝑒 es asignado al muelle 𝑎 en la etapa 𝑖 el día 𝑑, sino 𝑧𝑖𝑑𝑎𝑒 = 0,
𝑖 ∈ 𝐼, 𝑒 ∈ 𝑛𝑖𝑑 , 𝑎 ∈ 𝑚𝑖 , 𝑑 ∈ 𝐴.
𝑟𝑖𝑑𝑒𝑓 = 1, si el camión 𝑒 precede al camión 𝑓 en el orden de procesamiento de la etapa
𝑖 el día 𝑑, sino 𝑟𝑖𝑑𝑒𝑓 = 0, 𝑖 ∈ 𝐼, 𝑒 ∈ 𝑛𝑖𝑑 , 𝑓 ∈ 𝑛𝑖𝑑 , 𝑑 ∈ 𝐴.
𝑥𝑑𝑗𝑘𝑒 = 1, si el camión 𝑒 recorre el trayecto entre 𝑗 y 𝑘 el día 𝑑, sino 𝑥𝑑𝑗𝑘𝑒 = 0, 𝑗 ∈ 𝑉𝑑,
𝑘 ∈ 𝑉𝑑, 𝑒 ∈ 𝑛2𝑑 , 𝑑 ∈ 𝐴.
𝑦𝑑𝑗𝑒 = 1, si el camión 𝑒 atiende al cliente 𝑗 el día 𝑑, sino 𝑦𝑑𝑗𝑒 = 0, 𝑗 ∈ 𝑉𝑑, 𝑒 ∈ 𝑛2𝑑 , 𝑑 ∈
𝐴.
𝑤𝑑𝑗𝑒: horario que el camión 𝑒 inicia la atención al cliente 𝑗 el día 𝑑, 𝑗 ∈ 𝑉𝑑, 𝑒 ∈ 𝑛2𝑑 , 𝑑 ∈
𝐴.
𝑣𝑗: 1 si el cliente 𝑗 es atendido, 0 cc, 𝑗 ∈ 𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠.
: 237 :
Modelo lineal:
𝑚𝑖𝑛 𝑓𝑜 = 1 + ∑ (1 − 𝑣𝑗
𝑗∈𝑐𝑙𝑖𝑒𝑛𝑡𝑒𝑠
) ∙ 𝑝𝑠𝑗 (1)
∑ z1dae
𝑚1
𝑎=1
= 1 ; ∀ e ∈ n[1, d], ∀ d ∈ A (2)
∑ z2dae
𝑚2
𝑎=1
= 1 − 𝑥𝑑,1000∗𝑑,1000∗𝑑+𝑛𝑐𝑑+1,e; ∀ e ∈ n[2, d], ∀ d ∈ A (3)
𝑐1𝑑𝑒 ≥ 𝑝1𝑑𝑒 + 𝑔𝑑𝑒; ∀ e ∈ n[1, d], ∀ d ∈ A (4)
𝑐2𝑑𝑒 + 𝑀 ∗ (1 − 𝑦𝑑𝑗𝑒) ≥ 𝑐1𝑑𝑓 + 𝑝2𝑑𝑒; ∀ e ∈ n[2, d], ∀ d ∈ A, ∀ j ∈ 𝐶𝑑 , ∀ f ∈ 𝑆𝑑𝑗 (5)
𝑐𝑖𝑑𝑒 + 𝑀 ∗ (2 + 𝑟𝑖𝑑𝑒𝑓 − 𝑧𝑖𝑑𝑎𝑒 − 𝑧𝑖𝑑𝑎𝑓) ≥ 𝑐𝑖𝑑𝑓 + 𝑝𝑖𝑑𝑒; ∀ e, f ∈ n[i, d],
i ∈ I, ∀ d ∈ A, e ≠ 𝑓 (6)
𝑐𝑖𝑑𝑓 + 𝑀 ∗ (3 − 𝑟𝑖𝑑𝑒𝑓 − 𝑧𝑖𝑑𝑎𝑒 − 𝑧𝑖𝑑𝑎𝑓) ≥ 𝑐𝑖𝑑𝑒 + 𝑝𝑖𝑑𝑓; ∀ e, f ∈ n[i, d],
i ∈ I, ∀ d ∈ A, e ≠ 𝑓 (7)
∑ 𝑦𝑑𝑗𝑒
𝑗∈𝑉𝑑
≤ 𝑄𝑑 + 2; ∀ d ∈ A, e ∈ n[2, d](8)
∑ 𝑦𝑑𝑗𝑒 ≤ 1;
e∈n[2,d]
∀ d ∈ A, ∀ j ∈ 𝐶𝑑 (9)
∑ 𝑦𝑑𝑗𝑒 =
e∈n[2,d]
𝑛𝑛2𝑑; ∀ d ∈ A, ∀ j ∈ 𝐷𝑑 (10)
∑ 𝑥𝑑𝑗𝑘𝑒 =
𝑗∈𝑉𝑑
𝑦𝑑𝑗𝑒; ∀ d ∈ A, ∀ k ∈ 𝑉𝑑 , ∀ e ∈ n[2, d], k ≠ 1000 ∗ 𝑑 (11)
∑ 𝑥𝑑𝑗𝑘𝑒 =
𝑘∈𝑉𝑑
𝑦𝑑𝑘𝑒; ∀ d ∈ A, ∀ j ∈ 𝑉𝑑 , ∀ e ∈ n[2, d], j ≠ 1000 ∗ 𝑑 + 𝑛𝑐𝑑 + 1 (12)
𝑤𝑑𝑗𝑒 + 𝑠𝑑𝑗 + 𝑡𝑑𝑗𝑘 ≤ 𝑤𝑑𝑘𝑒 + 𝑀 ∗ (1 − 𝑥𝑑𝑗𝑘𝑒); ∀ d ∈ A, ∀ j, k ∈ 𝑉𝑑 , ∀ e ∈ n[2, d], j ≠ 𝑘 (13)
𝑤𝑑𝑗𝑒 ≤ ℎ𝑓𝑑𝑗 + 𝑀 ∗ (1 − 𝑦𝑑𝑗𝑒); ∀ d ∈ A, ∀ j ∈ 𝑉𝑑 , ∀ e ∈ n[2, d] (14)
𝑤𝑑𝑗𝑒 + 𝑀 ∗ (1 − 𝑦𝑑𝑗𝑒) ≥ ℎ𝑜𝑑𝑗; ∀ d ∈ A, ∀ j ∈ 𝑉𝑑 , ∀ e ∈ n[2, d] (15)
𝑥𝑑𝑗𝑗𝑒 = 0; ∀ d ∈ A, ∀ j ∈ 𝑉𝑑 , ∀ e ∈ n[2, d] (16)
𝑤𝑑𝑗𝑒 ≤ 𝑀 ∗ 𝑦𝑑𝑗𝑒; ∀ d ∈ A, ∀ j ∈ 𝐶𝑑 , ∀ e ∈ n[2, d] (17)
: 238 :
𝑐2𝑑𝑒 + 𝑡𝑑,1000∗𝑑,𝑗 ≤ 𝑤𝑑𝑗𝑒 + 𝑀 ∗ (1 − 𝑥𝑑,1000∗𝑑,𝑗,𝑒); ∀ d ∈ A, ∀ j ∈ 𝑉𝑑 , ∀ e ∈ n[2, d], 𝑗
≠ 1000 ∗ 𝑑 (18)
𝑐2𝑑𝑒 ≤ 𝑀 ∗ ∑ z2dae
𝑚2
𝑎=1
; ∀ d ∈ A, ∀ e ∈ n[2, d] (19)
∑ 𝑦𝑑𝑗𝑒 + ∑ 𝑦𝑑−1,𝑗,𝑒
e∈n[2,d−1]e∈n[2,d]
≤ 1; ∀ d ∈ A, ∀ j ∈ 𝐵𝑑−1, d > 1 (20)
𝑐1𝑑𝑒 ≤ 𝑀 ∗ (1 − ∑ z1,d−1,a,e);
𝑚1
𝑎=1
∀ d ∈ A, ∀ e ∈ np[1, d], d > 1 (21)
∑ 𝑦𝑑𝑗𝑒 + ∑ 𝑦𝑑−1,𝑗,𝑒
e∈n[2,d−1]e∈n[2,d]
= 𝑣𝑗; ∀ d ∈ A, ∀ j ∈ 𝐵𝑑−1, d > 1 (22)
∑ 𝑦5,𝑗,𝑒
e∈n[2,5]
= 𝑣𝑗; 𝑗 ∈ B[5] (23)
𝑐𝑖𝑑𝑒 , 𝑤𝑑𝑗𝑒 ≥ 0 (24)
𝑧𝑖𝑑𝑎𝑒 , 𝑟𝑖𝑑𝑒𝑓 , 𝑥𝑑𝑗𝑘𝑒 , 𝑦𝑑𝑗𝑒 , 𝑣𝑗 𝑏𝑖𝑛𝑎𝑟𝑖𝑎𝑠 (25)
(1) Función objetivo. Minimiza la suma de las penalizaciones (𝑝𝑠𝑗 ) de los
clientes no atendidos. El mínimo de esta función es 1, cuando todos los clientes son atendidos (𝑣𝑗 =0 para todo j) que es la situación ideal para este modelo.
(2) Cada camión en la etapa 1 el día 𝑑 se asigna a uno y solo un muelle de recepción.
(3) En la etapa 2 del día 𝑑, no asignar ningún muelle a aquellos camiones que
no realizan repartos el día 𝑑(variable 𝑥 =1), caso contrario, asignar uno y solo uno.
(4) El horario de finalización de la etapa 1 del camión 𝑒 el día 𝑑 (𝑐1𝑑𝑒) debe ser
mayor o igual a la suma del horario en que éste está disponible para la descarga (𝑔𝑑𝑒)
y el tiempo de procesamiento de ese camión (𝑝1𝑑𝑒). Así, el tiempo de espera del
camión 𝑒 para ser descargado es 𝑐1𝑑𝑒 − 𝑝1𝑑𝑒 − 𝑔𝑑𝑒.
(5) Si el día 𝑑 el camión 𝑒 atiende al cliente 𝑗 (𝑦𝑑𝑗𝑒 = 1), debe comenzar la
carga después de que hayan descargado todos los camiones de entrada que tengan
parte de la demanda del cliente 𝑗, y la carga finaliza 𝑝2𝑑𝑒 unidades de tiempo más
tarde. Si no (𝑦𝑑𝑗𝑒 = 0), el parámetro 𝑀 volverá inactiva a esta restricción.
(6) y (7) Estas restricciones garantizan que en cada muelle de cada etapa de cada día, no se produzcan procesamientos simultáneos de camiones, dado que la capacidad física de los muelles es única; y establece el secuenciamiento de los camiones en cada muelle.
(8) El total diario de clientes visitados por cada camión no debe exceder el límite máximo permitido incluyendo el viaje al depósito inicial y final.
(9) Cada cliente debe ser atendido por un único camión o no ser atendido.
: 239 :
(10) Todos los camiones deben tener inicio y fin del trayecto en el depósito. (11) y (12) Si un camión de salida 𝑒 recorre el trayecto de 𝑗 a 𝑘 el día 𝑑 (𝑥𝑑𝑗𝑘𝑒 =
1), estas restricciones obligan a que dicho camión atienda a ambos clientes (𝑦𝑑𝑗𝑒 = 1 e
𝑦𝑑𝑘𝑒 = 1).
(13) Si el camión de salida 𝑒 recorre el trayecto entre 𝑗 y 𝑘 el día 𝑑 (𝑥𝑑𝑗𝑘𝑒 = 1),
el horario de atención del cliente 𝑘 (𝑤𝑑𝑘𝑒) deberá ser mayor que el horario de inicio de
atención del cliente 𝑗 (𝑤𝑑𝑗𝑒 ), más el tiempo de atención del cliente 𝑗 (𝑠𝑑𝑗 ), más el
tiempo que se tarda en recorrer la distancia entre ellos (𝑡𝑑𝑗𝑘 ). Caso contrario, si
𝑥𝑑𝑗𝑘𝑒 = 0 el parámetro 𝑀 volverá inactiva esta restricción.
(14) y (15) Cumplimiento de la ventana de tiempo. Si el camión de salida 𝑒
atiende al cliente 𝑗 el día 𝑑 (𝑦𝑑𝑗𝑒 = 1), el horario de atención del cliente 𝑗 (𝑤𝑑𝑗𝑒) deberá
estar comprendido en la ventana de tiempo de dicho cliente (entre ℎ𝑜𝑑𝑗 y ℎ𝑓𝑑𝑗). Caso
contrario, si 𝑦𝑑𝑗𝑒 = 0 el parámetro 𝑀 volverá inactivas estas restricciones.
(16) El trayecto de un cliente hacia sí mismo debe ser nulo. (17) Si un cliente no es atendido, se debe asignar valor cero a su horario de
atención. (18) El primer cliente de cada camión debe comenzar a ser atendido después
de que este camión haya cargado y haya recorrido el trayecto desde el depósito hasta dicho cliente.
(19) Se debe asignar valor cero al tiempo de procesamiento en la etapa 2 del día 𝑑 a aquellos camiones que no realizan reparto ese día.
(20) Cada cliente puede ser atendido el día que pidió la mercadería, o el día siguiente, o bien puede no ser atendido, pero no puede ser atendido ambos días.
(21) Si el material de un camión que descargó un día 𝑑 − 1no es enviado ese mismo día, debe estar disponible a primera hora del día siguiente. Para ello, esta restricción asigna valor cero al horario de finalización de descarga de dicho camión para el día siguiente (𝑐1𝑑𝑒 = 0).
(22) y (23) Se debe asignar a la variable de decisión 𝑣𝑗 el valor 1 si el cliente j
fue atendido, o valor 0 si no fue atendido. La restricción (22) corresponde a clientes que ordenaron el día 𝑑 − 1 , con 𝑑=2,3,4,5 y que por lo tanto tienen la opción de ser atendidos ese mismo día o al día siguiente o no ser atendidos, mientras que la (23) corresponde a clientes que ordenaron el último día que no tienen la opción de ser atendidos al día siguiente.
(24) y (25) Dominios de las variables de decisión. 2.4 Experimentos computacionales
Los experimentos computacionales se realizaron sobre instancias generadas
teniendo en cuenta las operaciones de una semana para tres escenarios diferentes. El lenguaje de programación utilizado fue el AMPL, con el software de optimización CPLEX. Los escenarios se eligieron para testear el modelo en diferentes situaciones. Estos son:
• Peso en el ruteo: hay un número considerablemente mayor de salida de camiones que de llegada. El número de cliente es también mayor que en otros escenarios. En este escenario el problema del secuenciamiento es simple de resolver frente a la complejidad que presenta la resolución del problema del ruteo de camiones
• Peso en el secuenciamiento: el número de camiones es sustancialmente mayor que el número de muelles; y el número de clientes es el mismo que el número
: 240 :
de los camiones de reparto. De este modo, la ruta de los camiones es una solución simple, con lo que el secuenciamiento es el paso más crítico de la solución.
• Normal: el ruteo y el secuenciamiento tienen, en principio, el mismo peso en la solución. Ambas partes deben ser resueltas por el modelo de manera no trivial.
Las instancias se generaron utilizando el lenguaje Visual Basic para Aplicaciones (VBA), del software Excel versión 2013. El generador de números pseudo-aleatorios utilizado por el software es el MersenneTwister.
Resultado de los experimentos computacionales
Observamos que a medida que aumentamos la cantidad de datos va aumentando el tiempo de resolución, como era de esperar. En general, el modelo resuelve bien con conjuntos de datos pequeños y medianos, y en su orden de eficiencia se encuentran primero el escenario normal, segundo el que posee peso en el secuenciamiento, y por último el que tiene peso en el ruteo.
3. CONCLUSIÓN
Al momento de realizar la fase de investigación se pudo notar que se trata de
un concepto relativamente nuevo sobre el cual no hay mucha información especializada aún, ya que si bien se encontraron artículos y modelos de funcionamiento de los Centros de Distribución, son escasas las modelizaciones que incorporan las etapas de ruteo y secuenciamiento juntas, ambas presentes en cualquier proceso de Crossdocking.
Se alcanzó el objetivo de este trabajo de indexar en el tiempo el modelo entero mixto de Rezende R. (2016), obteniendo con el mismo las siguientes ventajas: garantizar la solución óptima, combinar dos fenómenos presentes en los Centros de Distribución, ponderar a los clientes según su importancia, programar una semana estándar de trabajo (5 días).
El modelo funciona correctamente para conjuntos pequeños y medianos de datos. Sin embargo, tiene como principal limitación que con la utilización de un procesador básico, no trabaja bien con conjuntos grandes de datos.
4. REFERENCIAS
DWI A., LEE C.K.M. y R. PIPLANI. (2014)."Vehicle scheduling and routing at a cross docking center for food supply chains". International Journal of Production Economics, vol. 152, pp. 29–41. LADIER, A. L. y G. ALPAN. (2016).“Cross-docking operations: Current research versus industry practice”. Omega, vol. 62, pp. 145-162. REZENDE R. P. (2016).“Decisões integradas de Sequenciamento e Roteamento de Caminhões em Centros de Crossdocking”. Bachellor's thesis, Universidade Federal de Minas Gerais. SAVELSBERGH M. y T. VAN WOENSEL. (2016)."City Logistics: Challenges and Opportunities". Transportation Science, vol. 50, núm. 2, pp. 579–590. STICKEL M., (2006). “Planung und steuerung von crossdocking-zentren. Dissertation, Institut fur Fordertechnik und Logistiksysteme”. Fakultat fur Maschinenbau, Universitat Karlsruhe. VAN BELLE J., VALCKENAERS, P. y D. CATTRYSSE. (2012). "Cross-docking: State of the art". Omega, vol. 40, pp. 827–846.
: 241 :
OPTIMIZACIÓN DE LA OPERACIÓN DE LA RED DE SERVICIOS PREVENTIVOS EN EL PRIMER NIVEL DE ATENCIÓN DE SALUD DEL
PARTIDO DE BAHÍA BLANCA
Maria E. Elorza– Aníbal M. Blanco – Nebel S. Moscoso
IIESS-Dto. Economía, Universidad Nacional del Sur-CONICET Planta Piloto de Ingeniería Química (PLAPIQUI), Universidad Nacional del Sur- CONICET
[email protected] [email protected] [email protected]
1. RESUMEN
La planificación de los servicios de salud preventivos tiene relevancia socioeconómica. En particular, resolver el problema de localización-asignación de unidades sanitarias, conocidas como Centros de Atención Primaria de Salud (CAPS), permitirá mejorar el acceso a estos servicios en la población vulnerable.
Con el objetivo de estudiar el desempeño de las redes de CAPS se propone un modelo matemático de planeamiento óptimo de servicios donde la función objetivo a maximizar es la cantidad de consultas necesarias que son atendidas por la red y entre las restricciones se considera: i) la accesibilidad a los CAPS, según la distancia a los centros de demanda; ii) la capacidad máxima de producción de los servicios en los CAPS y iii) el presupuesto total considerando costos fijos, variables y de relocalización.
El modelo se aplica al partido de Bahía Blanca que comprende 56 instituciones que ofrecen consultas preventivas para atender la necesidad de la población, sin seguro de salud, localizada en 369 radios censales. Se utilizó información del año 2015. Se adoptó la plataforma GAMS para programar las ecuaciones y el solver CPLEX para resolver el modelo mixto entero lineal resultante. Se empleó el programa QGIS para mostrar los resultados.
Estudios preliminares de rediseño óptimo, manteniendo fijas las localizaciones existentes y permitiendo modificar en cada CAPS los servicios prestados y sus respectivas capacidades, indican que: i) aumentan las consultas atendidas ii) aumenta el número de servicios por CAPS (abriendo servicios de capacidad mínima); iii) disminuye la capacidad de los servicios en algunos CAPS (dejando servicios de capacidad mínima) y iv) existen diferencias por tipo de servicio.
Estos resultados solo consideran la componente geográfica de la accesibilidad. Se espera que la incorporación la dimensión relacionada con la percepción de la calidad del servicio y otro tipo de restricciones como el requerimiento de un mínimo de consultas modifiquen estas tendencias.
Palabras Clave: Planeamiento óptimo – Asignación óptima – Redes de servicios de salud.
2. REFERENCIAS
DASKIN M S Y DEAN L K (2004): Location of Health Care Facilities, publicado en The Handbook of OR/MS in Health Care: A Handbook of Methods and Applications, Sainfort F, Brandeau M y Pierskalla W (editors), Kluwer, pp. 43-76.
: 242 :
GRIFFIN P M, SCHERRER C R Y SWANN J L (2008): “Optimization of Community Health Center Locations and Service Offerings with Statistical Need Estimation”. IIE Transactions, vol40, pp. 880-892. RAHMAN S Y SMITH D K (2000): “Use of location-allocation models in health service development planning in developing nations”. European Journal of Operational Research, vol123, pp. 437-452. ELORZA M E, MOSCOSO N S, BLANCO A M Y GENTILI J O. (2017): “Metodología para la estimación de necesidad, oferta y demanda de servicios en el primer nivel de atención: aplicación a una localidad argentina” (en evaluación por Medic Review).
: 243 :
PRINCIPIOS AGROECOLOGICOS EN LA COMERCIALIZACION DISEÑO DE PLATAFORMA WEB CON CRITERIOS DE OPTIMIZACIÓN
Diego Martin Oitana1 - Guillermo Fusaro2 - María Marta Bunge2 - Eduardo Roberto Wright2
1Facultad de Ingeniería, UBA - 2Facultad de Agronomía, U.B.A.
[email protected] - [email protected] - [email protected] - [email protected]
1. RESUMEN
Se plantea el diseño de una plataforma web para relacionar a productores y
consumidores en la comercialización de productos, en un marco agroecológico, dado que el manejo sobre bases agroecológicas constituye la estrategia más promisoria para disminuir el impacto de plagas y lograr productos más saludables (Altieri, 1995). Se optimizará la cadena comercializadora mediante herramientas de Investigación Operativa (como los modelos de distribución y de transbordo, en el caso de manejar mercados concentradores) para minimizar los costos de transporte de mercaderías. En el modelo se diferenciará la oferta y la demanda por zona geográfica y fechas del año, para fomentar el consumo de productos locales y de estación. También se considerará utilizar canastas de productos para estimular la biodiversidad en los productores. Debido al rol de los consumidores en el cuidado de la salud y el ambiente, es necesario participar conjuntamente con los productores en redes solidarias que permitan consolidar procesos de transición agroecológica (Cátedra Libre de Soberanía Alimentaria, 2017) incentivando la participación activa en los controles de lo que consumen. Se usarán indicadores agroecológicos para categorizar a los productores en base al Manual Operativo del Sistema Participativo de Garantía (Carballo González et al, 2018). Los productores tendrán un espacio virtual para ofrecer sus productos y publicitarlos, los consumidores podrán comprar dichos productos pudiendo seleccionar a un precio de mercado transparente, tal como se lleva a cabo la operatoria bajo la plataforma de la Bolsa de Comercio de Buenos Aires (Bolsar, 2017), ayudando así a afianzar la producción agroecológica nacional. Tomando el planteo de Sarandón y Flores (2014), sobre si es posible compatibilizar los objetivos ecológicos con los económicos, esta plataforma web tendrá como una de sus finalidades la búsqueda de la comercialización con un enfoque agroecológico y no la maximización de una ganancia económica.
Palabras Clave: Optimización – Agroecología– Sistema participativo de garantías – Comercio justo– Comercio electrónico 2. REFERENCIAS
ALTIERI, M.A. (1995): Agroecology: the science of sustainable agriculture. Second Edition. WestviewPress, Boulder, CO. BOLSAR. (2017): Sitio financiero de Internet de la Bolsa de Comercio de Buenos Aires. https://www.bolsar.com
: 244 :
CARBALLO GONZALEZ, C.; WRIGHT, E. R.; FUSARO, G.; MASCARINI, L. (2018): Manual Operativo Sistema Participativo de Garantía. Facultad de Agronomía, Universidad de Buenos Aires. CÁTEDRA LIBRE DE SOBERANÍA ALIMENTARIA. (2017): Carta abierta a la comunidad de la FAUBA http://catedralibredesoberaniaalimentaria.blogspot.com.ar/2017/06/carta-abierta-la-comunidad-de-la-fauba.html SARANDON, S., FLORES, C. (2014): Agroecología: bases teóricas para el diseño y manejo de agroecosistemas sustentables. https://libros.unlp.edu.ar/index.php/unlp/catalog/book/72
: 245 :
AJUSTE DE MODELOS DINAMICOS POR UN METODO DE FILTRADO
RODOLFO H. RODRIGO- GUSTAVO SCHWEICKARDT - DANIEL H. PATIÑO - JUAN M. GIMÉNEZ ALVAREZ Depto. Electromecánica Ing. UNSJ –CONICET/Universidad Tecnológica Nacional –
Instituto de Automática UNSJ – CONICET/Universidad Nacional de San Juan [email protected] – [email protected]
[email protected] - [email protected]
RESUMEN
A diferencia de los sistemas lineales, los sistemas no lineales no existe una teoría para la identificación y control que sea de aplicación general. Una de las técnicas de Identificación y Control usadas en tales sistemas, es el uso de Redes Neuronales; estas resultan muy útiles para un tratamiento más general al problema de Identificación y Control.
Sin embargo, las redes neuronales aún presentan algunos inconvenientes en su aplicación. Incapacidad de una extrapolación fuera del dominio de entrenamiento; fallos cuando se presentan índices de desempeño a minimizar no virtuosos; o también pocos datos de entrenamiento. Tampoco existe un criterio general para dimensionar la estructura de una red neuronal frente a un problema dinámico dado; esto es fijar la cantidad de capas ocultas, cantidad de neuronas por capa, etc.
Se presenta un método de ajuste, aplicado a regresor estático como reemplazo de una red neuronal, en las configuraciones propuestas en la literatura específica. Un tipo de regresor lineal como lo son los polinomios es su inherente capacidad de extrapolación. El método propuesto eventualmente puede converger fuertemente con pocos datos. Por tal motivo es un candidato para la optimización de estructuras regresoras. PALABRAS CLAVE: Optimización – Identificación – Filtros – Redes Neuronales 5. REFERENCIAS
LJUNG LENNART (1999): System Identification, Theory for the User, Second Ed. Linköping University Sweden. Prentice Hall PTR MOORE RAMON E., R. BAKER KEARFOTT, MICHAEL J. CLOUD (2009): Introduction to INTERVAL ANALYSIS. Society for Industrial and Applied Mathematics, USA. SALVADOR GARCÍA FERREIRA, (2010). “Ultrafiltros sobre N y Sistemas Dinámicos Discretos”. Ediciones IVIC, Mathematics Subject Classification: 54G20, 54D80, 22A99, ISBN 978-980-261-123-2 KUMPATI S. NARENDRA, KANNAN PARTHASARATHY (1990). “Identification and Control of Dynamical Systems Using Neural Networks”. IEEE Transactions On Neural Networks. Vol. I . Nº. I. March 1990 WENWU YU, GUANRONG CHEN, JINDE CAO, JINHU LÜ, AND ULRICH PARLITZ (2007): “Parameter identification of dynamical systems from time series”. PHYSICAL REVIEW E 75, 067201.
: 246 :
SOFTWARE DE MODELADO VICTORIA RESOLUCIÓN DE CASOS UTILIZANDO LA METODOLOGÍA DE AVANCE DEL
TIEMPO A TRAVÉS DE LOS EVENTOS. ANÁLISIS DE CASOS DE COLAS
MILIN ERICA – QUIROGA SILVIA – VIEGAS LEONARDO –GOLDIN LEANDRO
Universidad Tecnológica Nacional - FRBA [email protected] [email protected]
RESUMEN
El software de modelado Victoria permite la utilización de las metodologías de avance del tiempo por incrementos constante o a través de los eventos. Con esta última se puede resolver un gran número de casos. Entre otros, las líneas de espera comunes, los sistemas basados en turnos o casos que pueden estar asociados con sistemas de transporte.
La metodología, también, permite simular casos de almacenamiento intermedio y una gran variedad de casos derivados de estos.
En todos estos sistemas, el uso de la tabla de eventos independientes y la tabla de eventos futuros, se utilizan para mostrar cómo avanza el tiempo.
El software Victoria utiliza las tablas que se enumeran anteriormente y desarrolla el modelo computacional y ejecuta la simulación. De esta manera, es posible simular cualquiera de los casos anteriormente descriptos.
En este trabajo se analiza dos casos clásicos de líneas de espera: 1. Una cola con un servidor, 2. Una cola varios servidores. Para mostrar como a partir del análisis previo se vuelca al software, cómo se genera la simulación, y cómo se analizan los resultados de la misma.
Palabras Clave: Simulación – Modelos - Casos de colas – Tabla de eventos independientes 1. INTRODUCCIÓN
El software desarrollado, Victoria, posee diferentes características para apoyar
el proceso de modelado y simulación de sistemas discretos. Victoria crea el modelo computacional (diagrama de flujo) y el código fuente, a partir de la definición de las variables de entrada, salida, los eventos que afectarán al modelo y la definición de la metodología de avance del tiempo que será utilizada (intervalos variables o fijos) (Milin et al., 2016) y (Milin, Quiroga, Viegas, 2016).
Victoria permite la utilización de datos de entrada estocásticos, a partir del uso del método de la función inversa y/o el método del rechazo, generando los valores aleatorios necesarios para la corrida de la simulación.
Victoria brinda la posibilidad de ser utilizada en diferentes ámbitos: gestión, industrial, transporte, naval, logística, ambiental, entre otros. Conociendo que la simulación implica un proceso de experimentación, se considera que para obtener resultados válidos y útiles a partir de un estudio de simulación, debe tenerse la seguridad de que el modelo se desarrolla en forma apropiada y que el experimento de simulación se conduce también en forma adecuada. Esto implica validar el modelo de simulación, definir las condiciones iniciales, determinar el número de iteraciones (muestras) que es necesario extraer y resolver los efectos colaterales que se presentan cuando se lleva a cabo un experimento.
: 247 :
Victoria permite, a diferencia de todas las herramientas disponibles en el mercado, plasmar en el mismo software las condiciones iniciales del modelo y un análisis previo, que luego llevarán a la realización de forma automática del diagrama de flujo. Además, existe la posibilidad de editar el diagrama del modelo obtenido con el fin de ajustarlo a la necesidad de cada una de las simulaciones en particular. Asimismo, a partir del modelo de flujo se podrá llevar a cabo la ejecución de la simulación definiendo la condición de corte de la misma (Milin, Quiroga, Viegas, 2016).
2. DESARROLLO 2.1. Análisis Previo
En el Análisis Previo es donde se analiza el caso a simular a través de la desagregación de sus componentes más significativos, consta de tres partes, la determinación de la metodología, la clasificación de las variables intervinientes que afectan al modelo y la clasificación de los eventos.
2.1.1. Determinación de la metodología de avance del tiempo
La metodología se determina fundamentalmente a partir del análisis de los datos, por ejemplo para utilizar la metodología de avance del tiempo a través de los eventos, es necesario poseer uno o más datos que permitan encadenar eventos a lo largo del tiempo. 2.1.2. Clasificación de Variables
Las variables se clasifican en: Endógenas: Son aquellas variables que se generan dentro del mismo sistema.
Evolucionan a lo largo del proceso de simulación. A su vez se clasifican en: Variables de Estado: Son aquellas que muestran cuál es la situación del
sistema a lo largo del tiempo, es decir, las que reflejan cómo va variando el estado del sistema a lo largo de la simulación.
Variables de Resultado: Son todas aquellas variables cuyo valor se desea obtener en el proceso de simulación (cantidades, porcentajes, etc.), es decir, la información que se necesita conocer del modelo que refleja la realidad en ejecución, al incluir diferentes alternativas decisorias. Estas variables son las que ayudan a la toma de las decisiones.
Exógenas: Son aquellas variables que no se generan durante la simulación sino que llegan de la realidad que se pretende simular, es decir, desde el medio exterior, y afectan al modelo. Estas variables a su vez se clasifican en dos grupos:
Variables Datos: Estas variables son tomadas exclusivamente de la realidad que se quiere estudiar. Vienen representadas por una función de densidad de probabilidad. La forma en que se presentan los datos, ya sea en encadenamiento de eventos o en densidad (cantidad por una unidad de tiempo), define la metodología de avance del tiempo a utilizar en el proceso de simulación.
Variables de control: Son aquellas variables que están manipuladas por la persona que toma decisiones sobre el sistema. Para ello, se define un lote de prueba (distintas hipótesis), y se corren las simulaciones para cada situación. Los resultados son analizados junto con cada variable de control (hipótesis de estudio) (Soto, 2007).
2.1.3. Clasificación de Eventos
Un evento es un hecho o acontecimiento que se produce en el sistema. Algunos autores denominan evento al “cambio de estado de una entidad”.
: 248 :
Existe una definición circular que une evento con la variable de Estado del sistema: El evento, al producirse, realiza un cambio en el vector de estado. De la misma manera que, si cambia el vector de estado, se produce un evento. Tabla de Eventos Independientes (T.E.I.):
Se utiliza para clasificar los modelos cuando se trabaja con la metodología de avance del tiempo Evento a Evento. Es una tabla que contiene tantas filas como eventos independientes tenga el modelo, y tres columnas:
- Clase de Evento - Evento Futuro NO Condicionado (E. F. no C.) que se genera como
consecuencia del evento actual. Esta generación se analiza como consecuencia de datos que brinda el modelo, es decir, a partir de este evento, poder ubicar en el tiempo, el momento de ocurrencia de otro evento.
- Evento Futuro Condicionado (E. F. C.) que se genera como consecuencia del evento actual. Al igual que en el E. F. no C., la generación se analiza para ubicar en el tiempo un próximo evento, la condición que permite ubicarlo se vuelca en una cuarta columna (anexa) que llamaremos Condiciones. Reglas de la Tabla de Eventos Independientes a) En la tabla sólo pueden escribirse eventos independientes (ninguna otra
cosa). b) La tabla debe tener tantas filas como eventos independientes tenga el
modelo (una fila para cada evento), y se escriben en la primera columna (clase de evento).
c) En la segunda columna: Evento Futuro No Condicionado, debe escribirse el mismo evento de la fila que le dio origen o nada. Esto se debe a que por tratarse de eventos independientes, un evento no puede generar (sin que medie condición alguna) otro evento distinto de sí mismo.
En la columna anexa condición debe expresarse la condición que encadena eventos, por lo tanto las variables que allí aparecen solo pueden ser variables de estado. Eventualmente pueden aparecer variables relacionadas con el tiempo.
La Tabla de Eventos Futuros (T.E.F.) se llena al mismo tiempo que la TEI, ya que está formada por variables que contienen el momento (tiempo) en que se producirá un tipo de evento. 2.2. Pasos de la metodología de avance del tiempo Evento a Evento
Una vez definido el Análisis Previo, el software utiliza los siguientes pasos para desarrollar el modelo, qué será el motor de corrida de la simulación:
Pasos de la metodología de avance del tiempo Evento a Evento (a intervalos variables)
1. Fijación de las condiciones iniciales. Se fijan después de desarrollar el modelo, es la inicialización de variables, etc. 2. Ubicar el próximo evento. Se necesita una T.E.F. para ubicar el próximo evento. 3. Avanzar el tiempo. Hasta el próximo evento. 4. Determinar el tipo de evento. Es la clasificación del evento, suele darse junto con el paso dos (2). 5. Determinación del evento futuro no condicionado. Son eventos que se definen como características de uno dado y se los coloca
en la Tabla de Eventos Futuros.
: 249 :
6. Actualización del vector de estado. Registrar en la tabla el estado actual del sistema. 7. Determinación de eventos futuros condicionados. Se determinan como consecuencia del estado del sistema.
2.3. Caso de colas, un servidor, sistema FIFO
A continuación se muestra un caso de colas sencillo y como se realiza la corrida:
En el modelo propuesto a modo de ejemplo, los clientes llegan al sistema con una frecuencia que responde a una función de densidad de probabilidad (f. d. p.) uniforme entre 8 y 25 minutos (IA). El tiempo de atención (TA) que varía según el trámite entre 10 y 20 minutos, se conoce recién cuando el cliente comienza a ser atendido y responde a una f. d. p. lineal donde f(20)=2*f(10). Se pide: a) Análisis completo: Metodología. Tabla de eventos independientes o clasificación de eventos. Tabla de eventos futuros. Clasificación de variables. b) Diagrama de flujo. c) Fijar las condiciones iniciales tal que el sistema comience a funcionar vacío y en ese momento llegue el primer cliente. d) Resolver las f. d. p. por el método más conveniente. e) Obtener los siguientes resultados: Promedio de permanencia en el sistema (PPS) y Porcentaje de tiempo ocioso del puesto de atención (PTO). El modelo responde al sistema FIFO (primero que entra, primero que sale). Se trata de un sistema cautivo (no se contempla el arrepentimiento)
2.3.1. Análisis Previo del Ejemplo
Metodología: Evento a Evento Clasificación de las variables
Variables Exógenas no controlables: IA (Intervalo entre arribos), TA (Tiempo de arribo).
Variables Exógenas de control: ----- Variables Endógenas de Resultado: PPS (promedio de permanencia en
el sistema), PTO (porcentaje de tiempo ocioso). Variables Endógenas de Estado: NS (número de personas en el sistema).
Clasificación de Eventos. Eventos: Llegada y Salida TEF: TPLL (Tiempo próximo de llegada), TPS (Tiempo próximo de salida)
TEI:
Tabla 1: Tabla de Eventos Independientes
2.3.2. Generar Diagrama Una vez realizada la carga del análisis previo (Figura 1) haciendo clic en el
botón “Generar Diagrama” se generará el diagrama de flujo del ejercicio correspondiente. El diagrama se generará con los elementos, variables y rutinas “básicas” cargadas por default y el usuario deberá tener en cuenta los Errores y
Evento Evento Futuro No Condicionado
Evento Futuro Condicionado
Condición
Llegada Llegada Salida NS = 1
Salida ---------- Salida NS > 0
: 250 :
Warning que el aplicativo resalta para corregir y poder ejecutar la simulación correspondiente (Milin et al., 2016)
El Diagrama de flujo que el usuario visualizará será como muestra la Figura 2, con posibilidad de incorporar otros elementos (variables de resultado, auxiliares, etc.).
En el caso de las rutinas para generar números aleatorios que alimentaran el modelo (IA y TA) se utilizan los datos del caso y se resuelve aplicando el método más conveniente, el software permite incorporar las rutinas tanto del método de resolución de funciones de densidad de probabilidad de la función inversa, como el de aceptación-rechazo (Garcia Sabater, 2016) 2.3.4. Ejecutar la Simulación
Cuando el usuario corrigió los errores señalados en el diagrama, y presiona “Ejecutar Simulación” la aplicación mostrará los resultados de la misma.
La ejecución de la simulación consiste en correr la totalidad de escenarios que comprenden la misma de forma simultánea (Milin et al., 2016).
Mediante esta funcionalidad es posible visualizar la ejecución de todos los escenarios en tiempo real. 2.3.5. Resultados de la corrida
En los resultados de la simulación se pueden observar los valores finales tomados por las variables y se puede observar el comportamiento de cualquiera de ellas usando los gráficos existentes a tal fin. Ver figura 3. 2.4. Desarrollo: Una cola con varios servidores.
Los elementos que llegan al sistema se ubican en la única cola. Todos los elementos están dispuestos a esperar. Se conoce la f.d.p. del intervalo entre arribo de los elementos y la f.d.p. del tiempo de atención de cada servidor, conocido recién cuando el elemento comienza a ser atendido. Se desea determinar la cantidad de servidores a habilitar para minimizar el promedio de permanencia en el sistema de los elementos y el porcentaje de tiempo ocioso de los servidores. 2.4.1. Análisis Previo del Ejemplo
Metodología: Evento a Evento Clasificación de las variables: Variables Exógenas no controlables: IA (Intervalo entre arribos), TA (Tiempo de arribo).Variables Exógenas de control: N (Número de puestos a habilitar). Variables Endógenas de Resultado: PPS (promedio de permanencia en el sistema), PTO (porcentaje de tiempo ocioso).Variables Endógenas de Estado: NS (número de personas en el sistema). Clasificación de Eventos. Eventos: Llegada y Salida TEF: TPLL (Tiempo próximo de llegada), TPS [i] (Tiempo próximo de salida del puesto iésimo) TEI:
Tabla 2: Tabla de Eventos Independientes
Evento E. F. No Condicionado E. F. Condicionado Condición
Llegada Llegada Salida [i] NS <= N
Salida [i] ---------- Salida [i] NS >= N
: 251 :
El modelo que realiza el SW puede observarse en la figura 4. 2.4.2. Resultados de la corrida
En los resultados de la simulación se pueden observar (figura 5) los valores finales tomados por las variables y el comportamiento de cualquiera de ellas usando los gráficos existentes a tal fin.
Luego exportando los datos a Excel, se puede analizar en forma comparativa un análisis de sensibilidad y obtener otro tipo de gráficas para distintos escenarios:
Se podrá observar la evolución del tiempo promedio de permanencia en el sistema de los elementos (PPS) y el porcentaje de tiempo ocioso (PTO) de los servidores para diferentes valores de N (puestos de atención). Ver figura 6 3. CONCLUSIONES Y TRABAJOS FUTUROS
En este trabajo se plantearon dos casos ejemplos para comparar la resolución de los mismos utilizando el software Victoria.
Inicialmente, se plantea un caso clásico de un servidor con una cola [6]. Se pretende mostrar que el software permite en forma amigable cargar el análisis previo, generar el modelo computación e incorporar las rutinas de generación de valores aleatorios para luego simular el comportamiento a lo largo del tiempo. Finalmente, se puede observar gráficamente el resultado de la evolución de las variables intervinientes.
En el segundo ejemplo, N servidores y una única cola, Victoria permite incorporar una variable que refleja las alternativas decisorias, para efectuar un análisis de sensibilidad, y determinar los valores óptimos de la variable N.
Actualmente se está trabajando con los diferentes módulos del software, analizando variedades de casos para detectar aquellos que no podrían analizarse y resolverse con las herramientas con que se cuenta, para darle mayor funcionalidad, como en el caso presentado.
Por otro lado se pretende avanzar en otras líneas de investigación, como realizar efectivas explotaciones de resultados incorporando, entre otros, módulos de animación y ejecución gráfica de todos los casos con mayor variedad de gráficos que los que posee actualmente, como gráficas comparativas por ejemplo. 4. FIGURAS
Figura 1: Carga de Análisis Previo- Pantalla Principal (Un servidor)
: 252 :
Figura 2: Diagrama de Flujo realizado por el SW (Un servidor)
Figura 3: Resultado de la corrida (Un servidor)
: 253 :
Figura 4: Diagrama de Flujo realizado por el SW (N servidores)
Figura 5: Resultado de la corrida (N servidores)
0
50
100
150
200
250
1 2 3 4 5 6 7 8
PPS PTO
Figura 6: Análisis de sensibilidad
: 254 :
5. REFERENCIAS COSS BU, R. (2003): Simulación: un enfoque práctico; Editorial Limusa, pg. 11 JUSTI, R. (2006); La enseñanza de ciencias basada en la elaboración de modelos, en Enseñanza de las Ciencias, 24 (2), Barcelona, España, ICE de la UniversitatAutònoma de Barcelona, MILIN, E. M.; QUIROGA, S. ; KOSAKOVSKI, P. ; VIEGAS, L.; MARTEL, H. ; GOLDIN, L. (2016): Desarrollo de Software de Simulación de Propósitos Generales. En Memorias del IV Congreso Nacional de Ingeniería en Informática/Sistemas de Información. Publicación on line - ISSN 2347-0372 MILIN, E. M.; QUIROGA, S.; VIEGAS, L. (2016): Software de Modelado Victoria – Módulo Docente Alumno. En Sánchez, J. (2016) Editor. Nuevas Ideas en Informática Educativa, Volumen 12, p. 360 - 365. Santiago de Chile. SOTO, J. (2007): Fundamentos Teóricos de Simulación Discreta. Universidad Tecnológica de Pereira, Facultad de Ingeniería Industrial. PORTILLA, L. M., ARIAS MONTOYA, L., FERNÁNDEZ H., SERGIO A. (2010): Análisis de Líneas de Espera a Través de Teoría de Colas y Simulación. Disponible en: http://www.redalyc.org/articulo.oa?id=84920977012 GARCÍA SABATER, J. P. (2016): Aplicando Teorıa de Colas en Direccion de Operaciones. Grupo ROGLE. Departamento de Organización de Empresas. Universidad Politécnica de Valencia.
: 255 :
SIMURAILS SIMULADOR DE TRAZAS FERROVIARIAS
GUSTAVO CRESPI – SANTIAGO FEDERELLA – BELÉN LUPANI – HERNAN MARTEL– RAMIRO VASQUEZ –
RAMIRO YEP Universidad Tecnológica Nacional – Facultad Regional Buenos Aires
[email protected] – [email protected] – [email protected] – [email protected] – [email protected] – [email protected]
RESUMEN
SimuRails es un software desarrollado en el marco de la materia Proyecto Final de la carrera de Ingeniería en Sistemas de Información, en la Universidad Tecnológica Nacional en el transcurso del año 2017. Tiene como objetivo realizar simulaciones de trazas ferroviarias y de subtes a fin de mejorar la calidad del servicio.
Palabras Clave: Simulación - Servicio Ferroviario – Trazas 1. INTRODUCCIÓN
La industria ferroviaria supo ser el motor del impulso industrial del país décadas
pasadas. Mucho tiempo ha pasado, y la reactivación comenzó a gestarse con el objetivo de conectar las economías regionales a los principales puerto del país a fin de disminuir costos entre un 15% al 50% dependiendo de la distancia de la ciudad al puerto más cercano (Villotti, 2015).
Esto obliga a repensar el uso de la red de ferrocarriles de nuestro país y en este renovado enfoque sobre la industria, se desarrolló en la Universidad Tecnológica Nacional Facultad Regional Buenos Aires, un trabajo innovador que tiene como protagonista a la simulación de sistemas y en este caso el desarrollo de un software de simulación de trazas ferroviarias. 2. IDENTIFICACION DEL TRABAJO
A la hora de estudiar el funcionamiento de los ferrocarriles se debe tener en cuenta una gran cantidad de variables y probabilidades. Desde la programación de salida de formaciones hasta definir la cantidad de vagones óptima de cada una de ellas. Todo esto puede ser una ardua tarea si no se cuenta con la información adecuada. Particularmente en este caso, dada la naturaleza aleatoria del modelo, la mejor forma de obtener la información necesaria es través de la simulación. Por ello se considera que con el software “SimuRails” se conseguirá no solo mejorar la primer versión del producto realizada en el año 2016 por alumnos de la misma facultad, sino también optimizar la configuración de los servicios, ya que teniendo una herramienta que simule lo que ocurre en la realidad, se podrán hacer experimentos y desarrollar trabajos mucho más interesantes. Esto presenta una oportunidad para impulsar el sector ferroviario académica y profesionalmente.
El software es muy fácil de usar, pero a la vez realmente potente, ya que otorga al usuario la posibilidad de configurar cada parámetro del entorno y controlar las variables que afectan a cada servicio. Así, este producto servirá tanto para simular trazas de Argentina, como servicios ferroviarios de cualquier país.
: 256 :
2.1. Alcance del proyecto
El alcance del proyecto consistió en abordar cuatro pilares principales, rediseño de la interfaz de usuario, se optimizó el modelo de simulación y se agregó un módulo de reportería. La mejora en esta versión consistió en que cada formación sea una instancia única en toda la simulación, que parta originalmente de una terminal determinada y al llegar a la terminal destino, retorne. De esta manera, los trenes viajan en ambos sentidos. También se introdujo el mantenimiento en las formaciones cuando estas superan una cantidad de kilómetros recorridos. El mantenimiento se realiza en una estación configurable para cada servicio. En la corrida de la simulación ahora influye el tiempo que demore el tren en cada terminal antes de partir nuevamente y el tiempo que lleve el mantenimiento.
● El módulo de reportes consiste en un dashboard con gráficos, índices y promedios que se muestra una vez que finalice la simulación con los resultados obtenidos. Estos resultados se pueden mostrar generalizados o explotados por servicios. Los dashboards se pueden exportar a PDF y así podrán ser compartidos.
● La investigación consiste en obtener todos los datos necesarios para definir un entorno lo más real posible, ya sean datos de Argentina o de otro país. El objetivo es verificar que el modelo es válido y que el software arroja resultados razonables.
2.2. Parametrización
El sistema permite la parametrización de los servicios que brinda una línea ferroviaria (estaciones, formaciones, coches que las forman - locomotoras o vagones, incidentes que producen demoras) y luego, a partir de la corrida de una simulación de una traza (conjunto de servicios determinados), permite obtener resultados en forma de índices, promedios y gráficos que proveen información útil para la toma de decisiones. 2.3. Especificación Funcional y requerimientos técnicos
Las operaciones principales de la aplicación consisten en la configuración de todos los parámetros necesarios para ejecutar la simulación de una corrida de trenes como los son las características de los mismos, la frecuencia de las formaciones y los incidentes con los que se pueden encontrar cada servicio, entre otros. Luego se destaca la ejecución de una simulación con el fin de obtener reportes que brinden la información para la tomas de decisiones, como por ejemplo el índice de ocupación de formación, costos por kilómetros recorrido, índice de servicios demorados, entre otros
La estación de trabajo debe contar de una computadora de escritorio con conexión a internet. Para ejecutar la aplicación, las características que debe cumplir el software en una computadora particular son los siguientes requerimientos mínimos:
• El equipo debe tener sistema operativo Microsoft Windows 7 o superior.
• Versión 4.5 de Microsoft .NET Framework
• Software de red: TCP / IP Es recomendable contar también con:
• Memoria RAM de 8GB o más
: 257 :
• Procesador Intel Core i7 3770 3.0GHz o superior
• Espacio libre para el almacenamiento de al menos 10 GB Todos los usuarios que interactúen con el sistema pueden acceder a todas las funcionalidades que el mismo brinda. No existe distinción de Roles.
2.4. Principios Generales de las Interfaces
La aplicación debe tener un look and feel moderno y amigable, propio de tecnologías correspondientes al mercado actual. Se deberán mostrar los resultados de la ejecución de la simulación de manera visual para que sean simple de entender. También se podrán comparar a través de un dashboard con gráficos e índices. La estructura de Interfaces de usuarios está constituida por un menú principal a través del cual se puede acceder a las restantes interfaces del sistema, las cuales son: ABM y Módulo de Simulación - Dashboard de Resultados - ABM Trazas - ABM Servicios - ABM Formaciones - ABM Coches - ABM Estaciones - ABM Incidentes.
Se adjunta el diagrama de navegabilidad de la aplicación, donde todas las interfaces son navegables a través del menú principal, dado que el mismo está visible en todo momento:
Figura 1. Gestión del menú
3. Arquitectura del sistema
El diseño de sistemas tiene como objetivo detallar la arquitectura integral de la infraestructura y de software de la solución. Capas de Arquitectura La arquitectura se encuentra basada con un soporte Monocapa. La misma está compuesta por una aplicación desktop que tiene embebida una base de datos, la cual sirve de repositorio de los modelos y distintos escenarios de cada simulación.
: 258 :
Capa de Presentación Esta capa es encargada de mostrar la interfaz de usuario. Está desarrollada utilizando la API de Windows Forms (API que permite el acceso a los componentes gráficos nativos de Microsoft Windows). Capa de Dominio En esta capa se reciben las peticiones por parte de la capa de presentación. En la misma está incluido el núcleo encargado de llevar a cabo el proceso de simulación de los datos. Se utiliza una estrategia de simulación de “tiempo comprometido”. Está formada por dos módulos: Módulo de Iniciación: encargado de iniciar las variables de control. Módulo de Iteración: encargado de simular el recorrido de las estaciones a través de la traza. Capa de Persistencia Capa encargada de realizar las consultas y el salvado de los modelos en la base de datos. Desarrollo de Arquitectura
Figura 2. Diseño de arquitectura
Frameworks / Componentes utilizados Versión 4.5 de Microsoft .NET Framework
4. Simulación Una vez que se establecen las configuraciones de la estación, coches, formaciones, incidentes, servicios, programaciones y trazas, se puede ejecutar la simulación. A continuación se puede ver la pantalla para el Alta/Modificación de una Simulación.
: 259 :
Figura 3. Alta/Modificación de una simulación Tanto para la creación como para la modificación aparecerá esta pantalla, en donde se permite ingresar los siguientes atributos de la Simulación • Nombre (campo obligatorio) • Duración (en días) Al costado aparecerá detallado cuándo sería ese tiempo en minutos (a modo informativo ya que la simulación maneja el minuto como unidad de tiempo). • Traza a simular (campo obligatorio): a través de un cuadro desplegable se listarán las trazas disponibles en el sistema y de deberá asignar aquella que se desea correr en la simulación. Para poder correr la simulación de una traza será necesario crearla previamente. Una vez creada aparecerá en el listado de la siguiente manera:
Figura 4. Alta de una traza Este listado posee una diferencia respecto a los anteriores: el botón Simular al final de cada renglón. Haciendo clic sobre el botón mencionado, se procederá a realizar la simulación. Durante el procesamiento de la misma se podrá visualizar la siguiente pantalla.
Figura 5. Estado de avance de una simulación
Una vez que el sistema terminó con el procesamiento, automáticamente se mostrará en la pantalla el módulo de reporte de resultados. Para poder acceder a un reporte en particular que se quiera visualizar se debe proceder a elegirlo dentro de la lista desplegable que muestra la pantalla.
: 260 :
Figura 6. Desplegable de reportes Una vez seleccionado, haciendo clic sobre el botón Ver el sistema mostrará un reporte general de la traza, es decir, desagregado a nivel servicios; y tantos reportes de cada servicio como tenga la traza, los cuales van a estar desagregados a nivel estación. En ambos reportes aparecerán diferenciados los resultados de la simulación para el trayecto de ida y vuelta del servicio.
Figura 7. Monitor de resultado 5. Análisis de performance del Proyecto
Aspectos Positivos Aspectos a Mejorar
Definición y Gestión de Requerimientos
Requerimientos para el sistema definidos por la cátedra de simulación.
Definición y Gestión del Alcance
Alcance definido en forma completa antes de comenzar con la programación
Desarrollo y Control del Cronograma
Cronograma definido a tiempo
Para la realización del cronograma se tuvo en
: 261 :
cuenta una disponibilidad uniforme de las horas de trabajo, sin tener en cuenta fechas de otros compromisos del equipo.
Gestión de los Interesados (Stakeholder)
Buena predisposición de la cátedra de simulación para definir el alcance y luego la validación de la simulación. Buena predisposición de la catedra de proyecto para conectar con personal ferroviario.
Información específica del Producto
Aplicación con fácil instalación. Clara explicación en Manual de Sistema.
5. CONCLUSIONES En el marco de la evolución de soluciones en la industria ferroviaria, el trabajo de alumnos de la UTN FRBA se destaca de sobremanera. no solo por brindar herramientas para la tomas de decisiones, sino también por la posibilidad de incrementar y mejorar las versiones de esta aplicación. Tal es así que queda la puerta abierta a que nuevos alumnos se enfoquen en mejoras en el software relacionadas con la posibilidad de agregar estudios de monovías, trenes de carga, entre otras. Esta versión del software y las venideras contribuirán en el ámbito académico al estudio de escenarios en carreras de postgrado de la universidad vinculadas al transporte. 5. REFERENCIAS VILLOTTI, D. (2015): Breve historia de los ferrocarriles argentinos: entre la nacionalización y la privatización. https://notasperiodismopopular.com.ar/2015/04/09/historia-ferrocarriles-argentinos-nacionalizacion-privatizacion/ TRENES ARGENTINOS OPERACIONES: https://www.argentina.gob.ar/transporte-trenes-argentinos. Información actualizada del servicio de trenes del país MILIN E., QUIROGA S., ALFIERO G.: Apuntes Cátedra Simulación UTN FRBA. https://www.campusvirtual.frba.utn.edu.ar/especialidad/course/view.php?id=369
ÍNDICE AUTORESAutor Página Autor PáginaAdams, Juan Ariel 76
Álvarez, María Belén 133
Ambrústolo, Mariela Beatriz 34
Arburua, Mariana 49
Barreiro Sandoval, Camila R. 187
Belderrain, Mischel C.N. 153, 161
Benítez, Marcos Daniel 76
Berardi, María Betina 32, 34
Bergiante, Nissia C.R. 161
Boaglio, Laura 173
Boggio, Alejandra 175, 177
Bordón, Paula Daniela 85
Bueno, Moises 187
Cabanillas, Cecilia Isabel 204
Cabral, Juan Bautista 214
Camio, María Isabel 133
Caputo, Liliana Noemí 85
Casanova Pietroboni, Carlos A. 143
Castaño, Adrián 44
Castellini, María Alejandra 216, 225
Castillo, Silvana 204
Chiodi, Franco 24
Cohen, Ariel 136
De Luca, Anabela 76
Dias, Thiago 153
Domínguez, Guillermo Alfonso 76
Dos Reis, Maria Rosa 187
Echevarría, Pablo 61
Elorza, María Eugenia 139, 241
Esteban, María Alejandra 196
Fredes, Julio 53
Funes, Mariana 84, 141
Gallardo, Juan Manuel 49
García, Javier Antonio 69, 109
García, Liliana Amalia 137
González, Gisela Paula 47
Guevel, Hernán Pablo 141
Guidek, Roberto 76
Guillon, María De La Paz 137
Hernández, Alicia Beatriz 137
Iñiguez, Adriana 49
Iñiguez, Patricia 49
Luciano, Tomás 151
Luczywo, Nadia Ayelén 51, 171, 212, 214
Magiorano, Yamila 53
Maller, Patricio 173, 175
Marinetti, Melany Segarra 216
Martel, Hernán 255
Martínez, Víctor 117
Medina Galván, Marcelo E. 69, 109, 117 Mendoza, María Elizabeth 85
Michalus, Juan Carlos 204
Migueles, Marina Alejandra 34
Milin, Erica 246
Mira, Natalia 173, 175
Mortara, Verónica 125, 196
Negro, Fernando 49
Oitana, Diego Martín 243
Paolantonio, Julia 233
Paravie, Diana 24
Peretto, Claudia 51
Perez, So�ía 175
Pisani, María Virginia 139
Pontelli, Daniel 51, 171, 212, 214
Porcel, Eduardo Adolfo 85
Quintana, Alicia Esther 139
Racagni, Jose�ina 141
Ramos, Silvia Adriana 61
Rodrigo, Rodolfo Horacio 93, 101, 135, 245
Rodríguez, Ramiro 53
Rojo, Horacio 225
Romero, María del Carmen 133
Salamon, Alicia 173
Salvadori, Bruno L. 161
Salvadori, Thais S. 161
Sedoff, Mariana 233
Stimolo, María Inés 141
Tabone, Luciana 196
Trovato, Gloria 45
Tymkiw, Pedro 178
Urrutia, Silvia 24
Viri, Mariana 233 Wright, Eduardo Roberto 243
Yep, Ramiro 255
Zanazzi, José Francisco 42, 51, 212, 214
Zanazzi, José Luis 51, 169, 171, 212, 214
Zárate, Claudia 32
Villarreal, Fernanda 139
: 262 :
