Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
Autores:
Santiago Botero L.
Daniel Livano R.
Sebastin Reyes P.
Director de investigacin:
Ing. Juan Carlos Garca
Resumen ejecutivo
El artculo consta de la formulacin de un modelo matemtico de optimizacin incluyendo el
levantamiento del proceso, datos, parmetros y restricciones, y el diseo y la construccin de una
herramienta de software para apoyar la toma de decisiones estratgicas en el rea de logstica y
operaciones de una empresa productora y comercializadora de caf. Se model toda la cadena de
suministro desde el acopio del caf recolectado en tres fincas ubicadas en Caldas-Colombia hasta la
comercializacin de caf tostado en Bogot-Colombia y Gainesville-Estados Unidos buscando minimizar
el costo logstico y de operaciones mediante la decisin de localizacin, adecuacin y uso de
infraestructura en 63 ubicaciones, as como los transportes entre estas durante 20 trimestres.
Adicional a esto se desarroll una interfaz que permite a los analistas de la empresa interactuar con el
modelo y hacer corridas de manera fcil y de sencilla interpretacin para su posterior utilizacin como
apoyo a la toma de decisiones estratgicas, logrando una aplicacin e impacto reales. Igualmente se hizo
todo el anlisis costo-beneficio y la validacin del modelo correspondientes.
El artculo arroja conclusiones tcnicas relevantes para la empresa en cuestin y genera inquietudes y
recomendaciones generales para la industria cafetera y agrcola en Colombia y Amrica Latina.
2
2. Introduccin
El caf es uno de los productos ms importantes y reconocidos de la economa colombiana, siendo
Colombia el tercer mayor productor del mundo (ICO, 2016). Sin embargo la alta intermediacin en la
cadena de suministro al interior del pas ha hecho de esta una industria ineficiente, considerando que
usualmente hay presencia de 4 a 6 intermediarios en el proceso desde que se recolecta en las fincas hasta
que se entrega al consumidor final. Esto afecta en mayor medida a los agricultores dada la baja retribucin
econmica del cultivo del grano. Igualmente los consumidores deben pagar precios altos causados por los
mrgenes de utilidad de los numerosos intermediarios y los transportes y operaciones innecesarias en el
proceso a cambio de productos de mala calidad debido a las selecciones y mezclas que buscan destinar los
buenos granos exclusivamente a las exportaciones y los de mala calidad para el consumo nacional.
En respuesta a esto una familia con ms de 100 aos de experiencia en el cultivo del grano fund en 2013
la empresa Caf Botero que se encarga de todo el proceso desde la siembra hasta la comercializacin de
caf tostado en Bogot-Colombia y en Gainesville-Estados Unidos. De este modo han eliminado la
intermediacin logrando precios hasta 40% inferiores a los de otros productos de calidad similar.
La integracin vertical ha generado una ventaja competitiva que ha impulsado el crecimiento de Caf
Botero, generando 2.54 veces ms ventas en el ltimo trimestre de 2015 que en el mismo periodo del ao
2014. Este crecimiento acelerado se ha mantenido durante lo corrido del ao 2016. No obstante la empresa
demanda apenas el 5.5% del total de caf recolectado en los cultivos y el resto es exportado como caf
verde, dejando espacio para mucho ms crecimiento.
3
Los modelos de este tipo estn comnmente centrados en un solo nivel de la cadena debido al horizonte de
tiempo del tipo de decisin que se desea apoyar, ya sea a nivel estratgico, tctico u operativo. Teniendo
en cuenta las necesidades y oportunidades de la empresa donde se desarrolla este proyecto es posible
establecer un modelo en donde se unifiquen e interacten varios niveles de decisin de la cadena para
apoyar el crecimiento de la empresa a mediano y largo plazo. (Manzini & Bindi, 2009).
Por todo lo anterior se consider pertinente disear, elaborar y aplicar una herramienta de ingeniera con
fundamentos matemticos y logsticos que le permitan a la empresa optimizar la localizacin de los
centros de produccin, almacenamiento y los canales de transporte, pues se sabe que estas tcnicas pueden
generar ahorros de entre el 5% y el 25% en los costos totales por este concepto (Avella, Boccia & Sforza,
2004).
La situacin general de la empresa se evalu mediante un anlisis DOFA que permiti determinar sus
debilidades, oportunidades, fortalezas y amenazas. Este se realiz partiendo del perfil de oportunidades y
amenazas en el medio (POAM) donde se consideraron 43 factores econmicos, polticos, sociales,
tecnolgicos, geogrficos y competitivos y el perfil de capacidad interna (PCI) que incluy 42 factores de
capacidad directiva, tecnolgica, de talento humano y competitiva. Con base en estos se desarroll la hoja
de trabajo y la matriz ponderada DOFA a partir de la cual se hizo el anlisis presentado en la figura 1
(Serna, 2010).
La cadena de suministros de Caf Botero se model de acuerdo al modelo de referencia SCOR mediante
el diagrama de hilos en la figura 2 hasta la configuracin de nivel 2.
A travs de estos dos anlisis se evidencio la necesidad de desarrollar estrategias enfocadas en los
procesos logsticos dentro de la cadena de suministro al ser aquellos que mayor diferenciacin generan
respecto de la competencia. Esto representa un reto dada la cantidad de operaciones y los altos niveles de
desperdicio propios de los procesos y que no pueden ser evitados por la naturaleza de los mismos. Por
cada saco de 62 kg recolectado se obtienen solo 6.5 kg de caf tostado, es decir que el 89.5% de la masa
del caf cereza cultivado es pulpa, mucilago, cisco, agua y segundas que representan un desperdicio
inevitable. La figura 3 explica este proceso en detalle.
4
Caf
62 kg
cereza
Caf Pulpa y
cereza mucilago Cisco Agua
Acopio Despulpado Trilla Tostin
62 kg 24.5 kg 2.6 kg 1.3 kg
Agua
Secado
5.5 kg
Caf
12.5 kg
pergamino
Caf
pergamino
Seleccin
12.5 kg
El caf es recolectado en tres fincas separadas por hasta 19km entre s, los procesos de trilla y tostin se
realizan en tres municipios diferentes de Colombia (La Cabaa, Manizales y Chinchin) y la
comercializacin en otras dos ciudades ubicadas en dos pases (Bogot-Colombia y Gainesville-Estados
Unidos) lo que representa una alta cantidad de transportes. Por ende las operaciones de produccin y
logstica representan alrededor del 26.5% del total de los costos y gastos en que se incurre para la
produccin de caf tostado (incluyendo siembra, cultivo, recoleccin, materias primas e insumos).
Considerando que la empresa cultiva aproximadamente 1200.000 kg de caf cereza anualmente y que los
desperdicios inevitables son de hasta el 89.5% de la masa total, existe un riesgo muy alto de incurrir en
costos por el transporte de cientos de toneladas que en ultimas se desechan. A pesar de esto Caf Botero
no realiza una planeacin de su estrategia logstica adecuada para la magnitud del problema.
En el caso de Caf Botero existen dos elementos fundamentales que determinan estos volmenes. El
primero es la produccin de las fincas, ya que estas determinan el flujo de entrada a la cadena; el segundo
es la demanda del caf comercializado, dado que se debe asegurar el cumplimiento al cliente.
Considerando el crecimiento propio de la empresa se consider necesario optar por modelos de pronstico
para poder determinar los niveles de demanda al largo plazo que deban utilizarse como parmetros del
6
modelo matemtico para los siguientes cinco aos. Se realiz una revisin bibliogrfica para identificar
los mtodos comnmente aplicados en casos similares.
Los mtodos de pronstico cuantitativos determinsticos, estocsticos (Pindyck, 2000) y cualitativos que
se consideraron fueron: Promedios mviles, ajuste suavizado exponencial, ajuste suavizado exponencial
doble, ajuste suavizado exponencial triple, Box-Jenkins, descomposicin de series de tiempo,
proyecciones de tendencia, pronostico objetivo, anlisis espectral, camino aleatorio, pronsticos de
colaboracin, Delphi, fuerza de ventas y encuesta a clientes (Brillinger, 2000). No se revisaron modelos
economtricos, causales o modelos de alta complejidad teniendo en cuenta que la precisin que se puede
obtener con estos modelos es muy similar a la precisin usando modelos ms simples (Makridakis,
Hogarth, 1991).
El anlisis se realiz sobre los datos histricos de demanda en libras de cada uno de los 3 productos
principales de Caf Botero (caf molido, caf en grano y caf institucional) durante un periodo de 24
meses. Las series de datos y algunos estadsticos se presentan en las figura 4.
500
450
400
350
300
250
200
150
100
50
0
may.-14
may.-15
sep.-15
nov.-14
nov.-15
sep.-14
mar.-14
mar.-15
ene.-14
oct.-14
ene.-15
oct.-15
dic.-14
dic.-15
jul.-14
jul.-15
feb.-14
feb.-15
jun.-14
jun.-15
abr.-14
ago.-14
abr.-15
Con base en la identificacin y evaluacin de modelos de pronstico se escogieron los aplicables a cada
tendencia, se modelaron y se estimaron las medidas de error MAE, RMSE, MAPE y S 2 mediante el
software R. Se realiz un anlisis de los mtodos cualitativos, revisando la bibliografa relacionada y de
igual manera haciendo una comparacin de los diferentes mtodos y sus aplicaciones. Por ltimo se
determinaron los siguientes factores de decisin con sus respectivos niveles e ndices de ponderacin para
la construccin de una matriz de decisin: Horizonte de tiempo (15%), costo de pronosticar (25%),
precisin (25%), disponibilidad de datos e informacin (20%) y facilidad de operacin y comprensin del
mtodo (15%). Luego de realizar esta ponderacin se seleccion el mtodo que tuvo un mejor desempeo
al ser evaluado en todos sus factores para ser utilizado en el modelo de optimizacin de la cadena de
suministro de Caf Botero.
Los mtodos cuantitativos presentaron un problema significativo para todas las series respecto al horizonte
de tiempo. Considerando que se contaba con solo 24 meses de datos histricos y se requeran pronsticos
a 60 meses para poder alimentar el modelo de optimizacin a cinco aos, las medidas de error estimado
resultantes (validadas con 6 periodos) fueron inaceptablemente altas, como se muestra en la figura 5:
7
Los mtodos cualitativos son muy usados en contextos en los que la variable a pronosticar tiene una alta
incertidumbre como en este caso o se encuentra en un mercado muy cambiante, por lo cual los datos
histricos pierden relevancia y un mtodo cualitativo se convierte en la mejor opcin (Stevenson, 2015).
Como mejor modelo de pronstico se determin la encuesta a fuerza de ventas. Con respecto a los
resultados obtenidos se definieron 3 escenarios con niveles de demanda optimista, neutral y pesimista con
el fin de mitigar los riesgos de la incertidumbre de los pronsticos. Para determinar estos niveles se tuvo
en cuenta la dispersin porcentual de la serie de datos de demanda con respecto a su media (Coeficiente de
variacin), partiendo de los pronsticos encontrados por el mtodo encuesta a fuerza de ventas, se
increment en esta variacin porcentual para obtener el escenario optimista y se disminuy en igual
medida para obtener el pesimista. Estos se utilizaron ms adelante para validar los resultados matemticos
y financieros y aportar informacin adicional a la empresa. Los resultados de los pronsticos para los tres
escenarios se presentan en la figura 6.
Para efectos del modelamiento, cada nodo representa un centro de operacin factible en el proceso y cada
arco representa el transporte entre dos de esos centros de operacin. Igualmente para cada arco existen
hasta tres posibles tarifas. La funcin objetivo busca minimizar el costo total de la red para 20 trimestres
considerando que cada nodo y arco tiene un costo asociado y que se tiene que cumplir con el nivel de
demanda de cada nodo final respetando todas las dems restricciones.
El modelo tiene un total de 240.660 variables entre binarias y continuas. Cada uno de los nodos de la red
de suministro representa una operacin en una ubicacin especfica y cuenta con dos variables asociadas,
una continua para determinar la cantidad de material all procesada y una binaria para determinar si las
instalaciones abren en el periodo. En la figura 8 se muestran las variables de nodos para un periodo,
siendo X las continuas y Y las binarias. De igual manera existen variables continuas para los arcos que
unen cada par de nodos dependientes del nodo de inicio, nodo de finalizacin, transportadora y periodo.
capacidades de los nodos y arcos. Para modelar los desperdicios propios de los procesos productivos del
caf se utilizaron coeficientes de disminucin de masa a modo de parmetros asociados a cada una de las
operaciones. A los nodos finales de la red se les dio un coeficiente de disminucin de 1.
X Y NODO X Y NODO
x1,p y1,p Acopio Patio finca 1 x32,p y32,p Seleccin caf verde finca 2
x2,p y2,p Despulpado y desmucilaginado finca 1 x33,p y33,p Seleccin caf verde finca 3
x3,p y3,p Pre-secado finca 1 x34,p y34,p Seleccin caf verde proveedor 2
x4,p y4,p Secado finca 1 x35,p y35,p Seleccin caf verde planta 1
x5,p y5,p Seleccin caf pergamino finca 1 x36,p y36,p Seleccin caf verde planta 2
x6,p y6,p Acopio Patio finca 2 x37,p y37,p Tostin proveedor 1
x7,p y7,p Despulpado y desmucilaginado finca 2 x38,p y38,p Tostin Planta finca 1
x8,p y8,p Pre-secado finca 2 x39,p y39,p Tostin Planta finca 2
x9,p y9,p Secado finca 2 x40,p y40,p Tostin Planta finca 3
x10,p y10,p Seleccin caf pergamino finca 2 x41,p y41,p Tostin proveedor 2
x11,p y11,p Acopio Patio finca 3 x42,p y42,p Tostin planta 1
x12,p y12,p Despulpado y desmucilaginado finca 3 x43,p y43,p Tostin planta 2
x13,p y13,p Pre-secado finca 3 x44,p y44,p Molienda proveedor 1
x14,p y14,p Secado finca 3 x45,p y45,p Molienda finca 1
x15,p y15,p Seleccin caf pergamino finca 3 x46,p y46,p Molienda finca 2
x16,p y16,p Trilla proveedor 1 x47,p y47,p Molienda finca 3
x17,p y17,p Trilla finca 1 x48,p y48,p Molienda proveedor 2
x18,p y18,p Trilla finca 2 x49,p y49,p Molienda planta 1
x19,p y19,p Trilla finca 3 x50,p y50,p Molienda planta 2
x20,p y20,p Trilla proveedor 2 x51,p y51,p Empacado proveedor 1
x21,p y21,p Venta caf verde cliente 1 x52,p y52,p Empacado finca 1
x22,p y22,p Almacenamiento caf verde proveedor 1 x53,p y53,p Empacado finca 2
x23,p y23,p Almacenamiento caf verde finca 1 x54,p y54,p Empacado finca 3
x24,p y24,p Almacenamiento caf verde finca 2 x55,p y55,p Empacado proveedor 2
x25,p y25,p Almacenamiento caf verde finca 3 x56,p y56,p Empacado planta 1
x26,p y26,p Almacenamiento caf verde proveedor 2 x57,p y57,p Empacado planta 2
x27,p y27,p Almacenamiento caf verde bodega 1 x58,p y58,p Comercializacin ciudad 1
x28,p y28,p Almacenamiento caf verde planta 1 x59,p y59,p Comercializacin ciudad 2
x29,p y29,p Almacenamiento caf verde planta 2 x60,p y60,p Operacin silos finca 1
x30,p y30,p Seleccin caf verde proveedor 1 x61,p y61,p Operacin silos finca 2
x31,p y31,p Seleccin caf verde finca 1 x62,p y62,p Operacin silos finca 3
x63,p y63,p Compra cisco cliente 1
Figura 8. Variables de nodos para un periodo
*El subndice de las variables concuerda con el nmero de nodo en el grafo direccional
Los datos para alimentar los parmetros del modelo provienen de cuatro fuentes. La primera son los
datos histricos de la empresa, que gracias a ms de 100 aos de experiencia tiene informacin de
costos y cantidades para las operaciones y transportes. La segunda es un software entregado bajo
estrictas condiciones de seleccin a las empresas ms responsables del sector cafetero del pas. El
programa es una herramienta para compartir informacin de costos y rendimientos entre las seis
compaas para comparar indicadores por lo que contiene informacin extensa, real, actualizada y
confiable. Los datos de costos de maquinaria, adecuacin de infraestructura y operaciones
tercerizadas fueron obtenidos a partir de cotizaciones hechas directamente por proveedores a nombre
de Caf Botero. Los parmetros de demanda son los provenientes de los pronsticos desarrollados y
expuestos en la seccin anterior de este artculo. Cabe resaltar que por solicitud de los directivos de la
empresa se modificaron los valores de costos para la presentacin de la investigacin
multiplicndolos todos por el mismo factor y manteniendo la proporcin entre ellos.
10
Adicionalmente se crearon parmetros de tipo binario asociados a cada uno de los nodos que le permiten
al usuario fijarlos como abiertos o cerrados. As los analistas de la empresa pueden prohibir u obligar
la utilizacin de un nodo en la configuracin de la red de suministro en casos en que hay motivos ajenos al
modelo por los cuales tomar esta decisin.
Funcin objetivo:
= ( (, + , ) + ,,, ,, )) + (1)
Restricciones:
, 0 , (2)
,,, 0 , , , (3)
( ,,, ) ( ,,, ) + (, ) 0 , (4)
( ,,, ) ( ,,, ) + (, ) 0 , (5)
, , , (6)
, ( ,,, ) , (7)
, ( ,,, ) , (8)
, , , , = (9)
, , , (10)
, 1 (11)
(1 ) , , (12)
, , (13)
, , (14)
,,, ,, , , , (15)
,,, ,, , , , (16)
, , (17)
,,, , , (18)
, ,1 , 1 (19)
, (20)
12
Para resolver el modelo se consideraron los mtodos ms comunes de optimizacin aplicados a este tipo
de problema: Programacin lineal, programacin no lineal, heursticas y meta-heursticas. Mediante una
matriz de seleccin se determin el mtodo ms adecuado considerando los siguientes factores y su
correspondiente factor de ponderacin: aplicabilidad al modelo (20%), cantidad de variables (15%),
simplificabilidad del modelo (10%), tiempo de ejecucin (20%), precisin de la solucin (20%), facilidad
de programacin (10%) y herramientas de software (5%). Con respecto a la metodologa implementada se
determin ms adecuada la resolucin del modelo mediante programacin lineal.
Estos modelos son de alta complejidad considerando que manejan grandes nmeros de variables discretas.
Sin embargo, alrededor del 53% son resueltos mediante mtodos de programacin lineal (Melo, Nickel &
Saldanha-da-Gama, 2009).
Todas las soluciones ptimas del modelo presentan una tendencia en el corto, mediano y largo plazo a
acercar los procesos industriales al cultivo, iniciando por las primeras operaciones del proceso. Esto se
evidencia en la apertura de beneficiaderos en todas las fincas desde el primer periodo de todas las
soluciones contrario a la central de beneficio que existe actualmente. Adicionalmente se ve en el mediano
plazo la necesidad de realizar la trilla en una de las tres fincas en vez de una ciudad o pueblo e incluso al
largo plazo se muestra ms eficiente la apertura de una planta tostadora en la misma finca que la tostin en
las ciudades como se acostumbra.
En general, el modelo tiende a acercar lo ms posible los procesos productivos a los cultivos con el fin de
reducir en la mayor medida posible el impacto econmico de los transportes de masas que en ltimas se
desperdician. Para volmenes de demanda de alrededor de 6.300 libras mensuales en adelante se realiza
todo el proceso productivo dentro de las mismas fincas, sin tercerizar.
13
El diseo de la interfaz responde adems a solicitudes de la empresa para facilitar su uso. Tras definir
todos los requisitos se desarroll un flujograma (figura 9) para describir de manera grfica y simplificada
la arquitectura del programa. Al ser la facilidad de implementacin un requisito para la empresa se decidi
desarrollar la interfaz en el complemento Visual Basic for Applications (VBA) de Microsoft Excel. En el
anexo A se presentan algunas capturas de pantalla del programa en funcionamiento para dar una idea de la
interfaz del modelo en funcionamiento.
Inicio
Cargar corrida
Corrida nueva
historica
Parmetros de Parmetros de
transporte de ubicacin de
comercializac. comercializac.
Resumen de
resultados
Fin
Posteriormente se realiz una validacin cuantitativa fijando el modelo y sus parmetros con valores
histricos de la empresa para despus compararlos con los resultados reales del ejercicio de esos mismos
periodos. (Eppen et al, 2000)
Cabe aclarar que los costos de adecuacin de infraestructura son tenidos en cuenta por el modelo. Para el
ejemplo presentado el ahorro total es del 7,3% incluyendo en el costo la adquisicin, apertura y puesta en
operacin de dos beneficiaderos y una planta tostadora calculados en. El ahorro netamente operacional de
esta corrida es del 20,17%.
Las corridas realizadas utilizando los datos de costo reales dieron como resultado ahorros del 5.6% para el
escenario de demanda pesimista, 7,3% para el neutral y 6,3% para el optimista. Todas las soluciones
consideran la apertura de dos beneficiaderos en el primer periodo y una planta tostadora cuando la
15
demanda total de caf tostado alcanza valores alrededor de 6.300 libras mensuales, por ende se incurre
tambin en este costo que implica ahorros operacionales superiores al 20% e incremento del patrimonio de
la empresa.
5. Conclusiones
El proyecto permite concluir ampliamente no solo sobre los temas tcnicos propios de la ingeniera, la
optimizacin de operaciones y la empresa Caf Botero sino tambin respecto a la industria, principalmente
en el sector agrcola y la caficultura.
En cuanto al proceso tcnico se concluye que la optimizacin de operaciones representa efectivamente una
gran oportunidad para mejorar los procesos logsticos de las empresas, en particular las redes de
suministro. Esto permite generar grandes ahorros en costos mediante la relocalizacin de operaciones que
entre otras hace ms eficientes los transportes, almacenamientos y disminuye los costos y gastos de
instalacin y adecuacin de infraestructura, demostrando que se puede lograr una disminucin de entre el
5% y el 25% en los costos totales por este concepto como se asegura en la bibliografa (Avella, Boccia &
Sforza, 2004). Del mismo modo se recomienda aplicar este tipo de modelos para optimizar otros
elementos como distancias, tiempos, emisiones contaminantes, niveles de inventario y dems.
Cabe resaltar tambin los buenos resultados obtenidos a partir de los mtodos de pronstico cualitativos
que rara vez son considerados pero en este caso mostraron ser significativamente ms acertados que los
cuantitativos.
En cuanto a la empresa se concluye que existe un amplio espacio para la mejora de los procesos logsticos
y operativos. Los esfuerzos realizados en pro de la disminucin de la intermediacin, la eficiencia en la
cadena de suministro y la integracin vertical han demostrado ser tcnicamente muy rentables, dndole a
Caf Botero una ventaja competitiva sostenible. De acuerdo a los resultados obtenidos del modelo se
recomienda continuar acercando los procesos industriales a los cultivos hasta el punto de tener toda la
lnea productiva dentro de las mismas fincas. De este modo se lograra la mxima eficiencia al despachar
el caf desde los cultivos ya tostado y empacado a cualquier lugar del mundo. Igualmente se propone
reformular ms adelante el modelo estocsticamente buscando apoyar an ms la toma de decisiones,
considerando la variabilidad de la demanda.
6. Referencias bibliogrficas
Ada, E., & Kazancoglu Yigit & Ozkan, G. (2005). The plan location problem by an expanded linear
programming model. The 7th Balkan Conference on Operational Research.
Alexandra E. Duarte, W. A. (2014). A facility-location model for biofuel plants: Applications in the
Colombian context. Energy, 476-483.
Avella, P., & Boccia, M. &. (2004). Solving a fuel delivery problem by a heuristic exact approaches.
European Journal of Operational Research, 170-179.
Ballou, R. H. (s.f.). Logistica, administracin de cadena de sumistros. Mxico: Pearson.
Box, G., Jenkins, G., & Gregory, R. (2008). Time Series Analysis, Forecasting and control. Wiley
proveedor.
Brillinger, D. R. (2000). Time Series: General. Berkely, California.
Chambers, J., Mullick, S., & Smith, D. (1971). How to choose the right forecasting technique. Harvard
Business Review.
Daniel J. Garcia, F. Y. (2015). Supply chain design and optimization: Challenges and opportunities.
Computers & Chemical Engineering, 153-170.
Eppen, G., Gould, F., Schmidt, C., Moore, J., & Weatherford, L. (2000). Investigacin de Operaciones en
la Ciencia Administrativa. Mxico D.F: Prentice-Hall.
Etemadnia, H., Goetz, S. J., Canning, P., & Sadegh Tavallali, M. (2015). Optimal wholesale facilities
location within the fruit and vegetables supply chain with bimodal transportation options: An LP-
MIP heuristic approach. European Journal of Operational Research, 648-661.
Goetschalckx, M. & Fleischmann, B. (2009). Supply Chain Management and Advanced Planning:
Concepts, Models, Software, and Case Studies. Berlin, Alemania. Editorial Springer, Cuarta
edicion. Cap. 6, 117-136.
Hamideh Etemadnia, S. J. (2015). Optimal wholesale facilities location within the fruit and vegetables
supply chain with bimodal transportation options: An LP-MIP heuristic approach. European
Journal of Operational Research, 648-661.
International Coffee Organization ICO (2016). Historical Data on the Global Coffee Trade. Londres,
Inglaterra. Recuperado de http://www.ico.org/new_historical.asp?section=Statistics
Kaya, O., & Urek, B. (2015). A mixed integer nonlinear programming model and heuristic solutions for
location, inventory and pricing decisiones in a closed loop supply chain. Computers & Operations
Research, 93-103.
M.T. Melo, S. N.-d.-G. (2009). Facility location and supply chain management A review. European
Journal of Operational Research, 401-412.
Makridakis, R. M. (1981). Forecasting and planning: an evaluation.
Martinez-Gomez, J., Napoles-Rivera, F., Ponce-Ortega, J. M., Serna-Gonzlez, M., & El-Halwagi, M.
(2015). Optimization of facility location and reallocation in an industrial plant through a multi-
annual framework accounting for economic and safety issues. Journal of Loss Prevention in the
Process Industries, 129-139.
O'Connor, R. W. (1996). Judgemental an statical time series forecasting. International Journal of
forecasting.
Onur Kaya, B. U. (2015). A mixed integer nonlinear programming model and heuristic solutions for
location, inventory and pricing decisions in a closed loop supply chain. Computers & Operations
Research, 93-103.
Pindyck, R. S. (2000). Econometra modelos y pronsticos. Mxico: McGrawHill.
Rafael Guillermo Garca Cceres, J. A. (2009). Integral analysis method IAM. European Journal of
Operational Research, 891-903.
Riccardo Manzini, F. B. (2009). Strategic design and operational management optimization of a multi
stage physical distribution system. Elsevier, 915-936.
Stevenson, W. J. (2015). Operations Management. Rochester: McGrawHill.
Zhang, D., Zhan Q., Chen, Y., Li, S. (2016) Joint optimization of logistics infrastructure investments and
subsidies in a regional logistics network with CO2 emission reduction targets. Transportation Research.
17
CONVENCIONES
16 22 30 37 44 51
1 2 3 4 5 17 23 31 38 45 52
6 7 8 9 10 18 24 32 39 46 53 58
11 12 13 14 15 19 25 33 40 47 54
27 35 42 49 56 59
20
60 28 36 43 50 57
63 61 21 26 34 41 48 55
62 29