Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
5.1 Antecedentes
CEPAL dio a conocer hoy una nueva edición de su informe portuario anual.
puerto_efe_675.jpg
Según el informe anual entregado por el organismo de las Naciones Unidas – que en
años anteriores fue distribuido bajo el nombre de “ranking portuario”-, los datos
mantuvieron en gran parte la heterogeneidad mostrada en el comportamiento de los
movimientos portuarios en períodos previos, tanto a nivel de puertos como de países.
Del total de la muestra, 66 puertos y zonas portuarias mejoraron sus cifras con respecto
a 2017.
El volumen total de la actividad en 2018 superó los 53,2 millones de TEU[1], lo que
representa un 7,1% del movimiento de contenedores (throughput) mundial,
demostrando un ligero aumento en la variación con relación al año anterior (cuando
alcanzó el 6,6% del throughput global), indica la Comisión Económica para América
Latina y el Caribe (CEPAL).
Los diez países con mayor contribución al total del volumen de carga operado
representaron el 84,1% del movimiento regional. Estos son (ordenados de mayor a
menor según la cantidad de TEU movilizados): Brasil, México, Panamá, Colombia,
Chile, Perú, Argentina, Ecuador, República Dominicana y Jamaica.
Según los datos de la muestra recopilados por la CEPAL, en 2018 la Costa Este de
América del Sur (CEAS) registró un aumento de la actividad de los puertos y zonas
portuarias de 12%, medida por el volumen operado. En tanto, la Costa Oeste de
América del Sur (COAS) continuó con una ligera progresión al alza, creciendo 7% en
2018, comparado con el 6% anotado entre 2016 y 2017. El Caribe marcó un crecimiento
de 12% en el movimiento total de contenedores, mientras que América Central (sin
incluir México) tuvo un crecimiento más sutil de 7% solo en la Costa Oeste, ya que la
Costa Este mantuvo básicamente el mismo movimiento que en 2017. La zona México
Golfo creció 8% en comparación con 2017, y México Pacífico 11%. Panamá, en tanto,
presentó un crecimiento en su costa caribeña (11%) con respecto al total de movimiento
del país, mientras que su costa Pacífico registró una caída de -16%.
Entre las novedades, se presenta un examen de las toneladas movilizadas por los puertos
y zonas portuarias en 2018. De los 20 puertos y zonas portuarias de la muestra, solo los
de Brasil presentan un tonelaje individual por encima de los 100 millones, mientras que
entre los primeros veinte se cuentan puertos de Argentina, Brasil, Colombia, México y
Panamá.
x
• tasa de servicio
1
0.1894 nave / día = 5.7 naves / mes,
y
• tasa lde tráfico
r
0.7212,
• el número promedio de barcos en la terminal (en cola y en servicio)
Con el supuesto de las llegadas y distribución de Poisson.
L = =
- 2.587 naves.
r1
Según los índices, el terminal de descarga se explota en gran medida -
centaje considerando capacidades de entrada. La simulación se ha realizado sobre la
base.
de 365 días que tiene un año calendario, en este caso el año 2005. Los resultados se pre
-
enviado en la tabla 4.
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
74 Pomorstvo, dios. 20. (2006), str. 67-85
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
Pomorstvo, dios. 20. (2006), str.67-85 75
Tabla 4. Simulación del terminal de descarga de carga a granel (año 2005).
3.2. Análisis de simulación de descarga de terminal de carga a granel.
Las dos últimas filas de la tabla 4 contienen resultados que se utilizan para el análisis de
la
Descargando modelo de simulación de terminal.
La suma de los valores variables de x asciende a 358.5 días. Teniendo en cuenta que la
el número de pasos simulados es 49, entonces el valor promedio de la variable x es
x = 7.316 días,
y el tiempo promedio de servicio
y = 5.102 días.
Estos son los resultados del primer experimento. Del mismo modo, otros nueve
experimentos.
se realizaron y los resultados de los experimentos se dan en la siguiente tabla (tabla
5).
Tabla 5. Resultados de diez experimentos de simulación de terminal de descarga de
carga a granel
(año 2005)
var. X
No
var. y
(día)
(día)
Terminal
esperando
(día)
Enviar
esperando
(día)
No. de
¢
observación
¢
x
y
1. 358.5 250 114 55 49 7.32 5.10
2. 362 253 108 53.5 50 7.24 5.06
3. 357.5 249 108 51.5 49 7.30 5.08
4. 360.5 252 108.5 52 49 7.36 5.14
5. 358 248 110 54 48 7,46 5,17
6. 360 254 106 57 50 7.20 5.08
7. 361.5 252 109.5 52.5 51 7.09 4.94
8. 359.5 250 108 55 49 7.34 5.10
9. 362 254 106 53 48 7,54 5,29
10. 364 253 111 61 50 7,28 5,06
Comparado con los promedios calculados sobre la base de datos empíricos obtenidos
por registro estadístico, puede ser s concluyeron que los promedios obtenidos por si -
La mulación no se aparta de las iniciales. La razón de esto es más pro -
Bably período de simulación relativamente largo de un año.
El valor promedio de la variable x para diez experimentos asciende a ¢
x = días, y
el tiempo promedio de servicio a ¢
y = 5.102 días. A continuación, la desviación estándar y
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
76 Pomorstvo, dios. 20. (2006), str. 67-85
la varianza de los resultados de estos diez experimentos para la variable x es s =
0.127, V =
1.737%, y para la variable y desviación estándar s = 0.089, y varianza V = 1.755
%. Los resultados de la varianza apuntan a una dispersión extremadamente baja de
valores únicos de
promedios de la variable x y la variable y .
El tiempo total de espera de la terminal en 2005 en promedio es de 108.9 días,
que en el período de simulación total (365 días) da como resultado una proporción de
0.30. Esta
significa que la terminal estuvo desocupada en un 30% durante 2005, a la espera de
nave para llegar. Los barcos estaban esperando en total 54,45 días en el muelle libre.
Comparando
estos valores, es obvio que la "reserva" de buques no se hizo en el sentido de
Capacidad óptima de empleo de la terminal. Sin embargo, considerando resultados para
El año 2002 (251,5 días de tiempo de espera de la terminal) perceptible es un gran salto
en ter .
La productividad de Minal.
3.3. Simulación de terminal de carga a granel.
Los datos empíricos de la distribución del tiempo de llegada entre dos barcos se
presentan en
tabla 6. El tiempo de servicio del barco es determinista y asciende a 3 días para el barco
de
10.000 muertos. Estos datos posibilitan la simulación de carga del terminal.
operando.
Tabla 6. Distribución del tiempo entre las llegadas de dos barcos.
Tiempo entre dos llegadas (día)
X
Probabilidad
p (x)
Acumulativo
probabilidad
0 - 2 1 0.22 0.22
2 - 4 3 0.49 0.71
4 - 6 5 0.13 0.84
6 - 8 7 0.09 0.93
8 - 10 9 0.07 1.00
De los datos en la tabla 6, el tiempo promedio entre las llegadas de dos barcos es ob -
mantenido
x x p a g
X = ×
= ( )
å 3.6 días / envío
y = días / barco
A continuación, se realizará el cálculo de los parámetros del sistema y la tasa de tráfico,
seguido de la simulación del funcionamiento del terminal durante el período de
simulación.
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
Pomorstvo, dios. 20. (2006), str. 67-85 77
Los índices de operación de la terminal de carga a granel de carga son:
• tasa de llegada de los buques
1
0.278 nave / día = 8.333 naves / mes,
x
• tasa de servicio
1
0.333 nave / día = 9.999 naves / mes,
y
• tasa lde tráfico
r
0.835,
• el número promedio de barcos en la terminal (en cola y en servicio)
Con el supuesto de las llegadas de Poisson y la distribución determinista.
r
L = + =r
-
2
2 1 ( )
2.948 buques.
Según los índices, el terminal de carga también está bastante ocupado considerando
capacidades de entrada. La simulación se ha realizado sobre la base de 365 días que es
un año calendario, en este caso año 2005. Los resultados se presentan en la tabla 7.
Tabla 7. Simulación de terminal de carga a granel (año 2005).
No.
LLEGADAS AL SERVICIO DE ESPERA
Var. X
(día)
enviar
llegada
día
Var. X
comenzando
(día)
Acabado del
día
Terminal del
día
barco
(día)
(día)
1 3 04.01. 3 04.01. 07.01. - 2
2 1 05.01. 3 07.01. 10.01. - 4
3 1 06.01. 3 10.01. 13.01. - 4
4 3 09.01. 3 13.01. 16.01. - 4
5 3 12.01. 3 16.01. 19.01. - 4
6 3 15.01. 3 19.01. 22.01. - 4
7 3 18.01. 3 22.01. 25.01. - 2
8 5 23.01. 3 25.01. 28.01. 2 -
9 7 30.01. 3 30.01. 02.02. - -
10 3 02.02. 3 02.02. 05.02. 4 -
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
78 Pomorstvo, dios. 20. (2006), str. 67-85
11 7 09.02. 3 09.02. 12.02. - -
12 3 12.02. 3 12.02. 15.02. - -
13 3 15.02. 3 15.02. 18.02. - -
14 3 18.02. 3 18.02. 21.02. - -
15 3 21.02. 3 21.02. 24.02. - -
16 3 24.02. 3 24.02. 27.02. - 2
17 1 25.02. 3 27.02. 02.03. - 2
18 3 28.02. 3 02.03. 05.03. - 4
19 1 01.03. 3 05.03. 08.03. - 4
20 3 04.03. 3 08.03. 11.03. - 4
21 3 07.03. 3 11.03. 14.03. - 4
22 3 10.03. 3 14.03. 17.03. - 4
23 3 13.03. 3 17.03. 20.03. - 6
24 1 14.03. 3 20.03. 23.03. - 6
25 3 17.03. 3 23.03. 26.03. - 6
26 3 20.03. 3 26.03. 29.03. - 2
27 7 27.03. 3 29.03. 01.04. - 2
28 3 30.03. 3 01.04. 04.04. - 2
29 3 02.04. 3 04.04. 07.04. - 2
30 3 05.04. 3 07.04. 10.04. - 4
31 1 06.04. 3 10.04. 13.04. - 4
32 3 09.04. 3 13.04. 16.04. - 4
33 3 12.04. 3 16.04. 19.04. - 6
34 1 13.04. 3 19.04. 22.04. - 4
35 5 18.04. 3 22.04. 25.04. - 4
36 3 21.04. 3 25.04. 28.04. - 4
37 3 24.04. 3 28.04. 01.05. - 4
38 3 27.04. 3 01.05. 04.05. - 6
39 1 28.04. 3 04.05. 07.05. - 2
40 7 05.05. 3 07.05. 10.05. 2 -
41 7 12.05. 3 12.05. 15.05. - -
42 3 15.05. 3 15.05. 18.05. - -
43 3 18.05. 3 18.05. 21.05. - -
44 3 21.05. 3 21.05. 24.05. - 2
45 1 22.05. 3 24.05. 27.05. 2 -
46 7 29.05. 3 29.05. 01.06. 4 -
47 7 05.06. 3 05.06. 08.06. - 2
48 1 06.06. 3 08.06. 11.06. - 2
49 3 09.06. 3 11.06. 14.06. 2 -
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
Pomorstvo, dios. 20. (2006), str. 67-85 79
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
80 Pomorstvo, dios. 20. (2006), str. 67-85
50 7 16.06. 3 16.06. 19.06. - -
51 3 19.06. 3 19.06. 22.06. 4 -
52 7 26.06. 3 26.06. 29.06. 4 -
53 7 03.07. 3 03.07. 06.07. - 2
54 1 04.07. 3 06.07. 09.07. - -
55 9 13.07. 3 13.07. 16.07. 4 -
56 5 18.07. 3 18.07. 21.07. 2 -
57 3 21.07. 3 21.07. 24.07. - 2
58 1 22.07. 3 24.07. 27.07. 4 -
59 9 31.07. 3 31.07. 03.08. - -
60 3 03.08. 3 03.08. 06.08. - 2
61 1 04.08. 3 06.08. 09.08. 2 -
62 7 11.08. 3 11.08. 14.08. - -
63 3 14.08. 3 14.08. 17.08. - 2
64 1 15.08. 3 17.08. 20.08. 4 -
65 9 24.08. 3 24.08. 27.08. 2 -
66 5 29.08. 3 29.08. 01.09. 2 -
67 5 03.09. 3 03.09. 06.09. - -
68 3 06.09. 3 06.09. 09.09. - -
69 3 09.09. 3 09.09. 12.09. - -
70 3 12.09. 3 12.09. 15.09. 6 -
71 9 21.09. 3 21.09. 24.09. 2 -
72 5 26.09. 3 26.09. 29.09. - 2
73 1 27.09. 3 29.09. 02.10. - 4
74 1 28.09. 3 02.10. 05.10. - 4
75 3 01.10. 3 05.10. 08.10. - 4
76 3 04.10. 3 08.10. 11.10. - 4
77 3 07.10. 3 11.10. 14.10. - 2
78 5 12,10. 3 14.10. 17.10. - 4
79 1 13,10. 3 17.10. 20.10. - 6
80 1 14.10. 3 20.10. 23.10. - 6
81 3 17.10. 3 23.10. 26.10. - 8
82 1 18.10. 3 26.10. 29.10. - 8
83 3 21.10. 3 29.10. 01.11. - 6
84 5 26,10. 3 01.11. 04.11. - 6
85 3 29.10. 3 04.11. 07.11. - 6
86 3 01.11. 3 07.11. 10.11. - 8
87 1 02.11. 3 10.11. 13.11. - 8
88 3 05.11. 3 13.11. 16.11. - 2
89 9 14.11. 3 16.11. 19.11. 4 -
90 9 23.11. 3 23.11. 26.11. - -
91 3 26.11. 3 26.11. 29.11. 2 -
92 5 01.12. 3 01.12. 04.12. - -
93 3 04.12. 3 04.12. 07.12. - -
94 3 07.12. 3 07.12. 10.12. - -
95 3 10.12. 3 10.12. 13.12. - -
96 3 13,12. 3 13.12. 16.12. 4 -
97 7 20.12. 3 20.12. 23.12. - -
98 3 23.12. 3 23.12. 26.12. - -
99 3 26,12. 3 26.12. 29.12. - -
100 3 29,12. 3 29.12. 01.01. - -
SUM1 362 300 62 216
Comparación
360 114 249
por el año 2002
3.4. Análisis de la simulación de LOADING TERMINAL.
Las dos últimas filas de la tabla 7 contienen resultados que se utilizan para el análisis de
la
Modelo de simulación de terminal de carga.
La suma de los valores de la variable x asciende a 362 días. Teniendo en cuenta
que la
el número de pasos simulados es 100, entonces el valor promedio de la variable x es
igual a
x = 3.62 días, días,
y el tiempo de servicio se toma como determinista y equivale a
y = días.
Aquí nuevamente, se realizaron otros nueve experimentos y los resultados de la
experiencia .
Los detalles se dan en la siguiente tabla (tabla 8).
Tabla 8. Resultados de diez experimentos de simulación de terminal de carga a granel.
(año 2005)
var. X
No
var. y
(día)
(día)
Terminal
esperando
(día)
Enviar
esperando
(día)
No. de
observa
¢
cación
¢
x
y
1. 362 300 62 216 100 3,62 3
2. 364 303 61 200 101 3,60 3
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
Pomorstvo, dios. 20. (2006), str. 67-85 81
3. 360 297 63 203 99 3,64 3
4. 361 294 67 209 98 3,68 3
5. 362 300 62 210 100 3,62 3
6. 360 297 63 216 99 3,64 3
7. 361 294 67 218 98 3,68 3
8. 365 306 59 214 102 3.58 3
9. 360 303 57 217 101 3.56 3
10. 363 303 60 213 101 3.59 3
En comparación con los promedios calculados sobre la base de datos empíricos ob -
retenido por el registro estadístico, se puede concluir que los promedios obtenidos por
La simulación no se aparta de las iniciales. La razón de esto es más pro-
Bably período de simulación relativamente largo de un año.
El valor promedio de la variable x para diez experimentos equivale a días, y la
El tiempo de servicio es determinista por = 3 días. A continuación, dev estándariación
y la varianza de los resultados de estos diez experimentos para la variable x son
s = 0.040,
V = 1,105%. Resultados of variance señala aganancia a extremendamente lOw
Dispersión de
valores únicos a partir de los promedios .
El tiempo total de espera del terminal de carga es de un promedio de 62.1 días, que en total
El período de simulación (365 días) resulta en una proporción de 0.17. Esto significa que el
la terminal estuvo desocupada el 17% del tiempo en el año 2005, esperando la llegada del barco y 83
% de tiempo estuvo ocupado. Las naves que llegaban en carga a granel estaban en promedio
esperando
211.6 días de atraque gratuito, que es considerablemente alto (58% días del año).
Comparando estos valores, muestra una vez más que la "reserva" de buques no se realizó en el
Sentido de capacidad óptima de empleo de la terminal. Sin embargo, considerando resultados
Para el año 2002, se nota un gran salto en la productividad de la terminal.
4. CONCLUSIÓN
En el artículo, para la investigación de procesos de operación e índices de
comportamiento que
tener lugar en puerto se utiliza la teoría de colas . Interdependencia entre entidad
llegadas al puerto de carga a granel Bakar, esperando el servicio y su salida del sistema
Está determinado por los modelos matemáticos de la teoría de colas. Procesos a granel
Los puertos de carga que se caracterizan por la imprevisibilidad y la capacidad de
cambio son
Determinado con parámetros estocásticos. Dado que la situación real puede ser muy
com -
Plex, no siempre es posible aplicar los métodos analíticos.
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
82 Pomorstvo, dios. 20. (2006), str. 67-85
Suponiendo que el terminal de descarga para carga a granel se comporte como la cola
el tipo de sistema M / M / 1, mientras que el terminal de carga muestra el
comportamiento del sistema de colas
tipo M / D / 1, construimos un modelo de equilibrio general que resultó ser adecuado
tanto para analizar una serie de determinantes potenciales del comportamiento de los
sistemas,
Y también para realizar un análisis numérico de la operación del sistema portuario.
índices.
Uso de conjuntos de datos para los años 2005 y 2002 (no se muestra en este documento
por el bien
de conservación del espacio) construimos un modelo de simulación que resultó en
funcional
explicación de los índices de comportamiento y procedimiento de toma de decisiones
para mejorar ef -
fectividad del sistema portuario marítimo
El puerto de carga a granel Bakar tiene dos terminales especializados para el transbordo
de
Carga a granel - terminales de carga y descarga. El terminal de carga es de -
multado por el sistema de colas M / D / 1, lo que significa que las llegadas de los
barcos son de Poisson
distribuido, el tiempo de servicio es constante y el terminal tiene un muelle, que
representa
lugar de servicio. Se calculan los parámetros apropiados, así como los índices.
La explotabilidad de ambas terminales en 2005 ha cambiado drásticamente en
A diferencia del año 2002, ha ascendido a 83% para carga terminal y 79%
para la descarga del terminal. Todavía hay un espacio para mejoras y mejores.
Utilización de los recursos existentes. Esto es especialmente cierto teniendo en cuenta
Capacidades de carga terminal de instalaciones.
Teniendo en cuenta la capacidad de la grúa no. 3, está claro que la descarga
El terminal está sobre capacitado y en un futuro cercano no hay necesidad de invertir en
Mejora de la capacidad y ampliación de instalaciones. A su debido tiempo una
estrategia debe ser
Desarrollado para dibujar nuevas cargas con el fin de mantener ocupadas las
instalaciones existentes.
S. KOS, M. HESS, S. HESS: un método de simulación para modelar factores de
explotación de ...
Pomorstvo, dios. 20. (2006), str. 67-85 83
LITERATURA
1 Barkoviæ, D., Operacijska istra ivanja , Ekonomski fakultet Osijek, Osijek, 2001.
2. Bose SJ, Introducción a los sistemas de colas , Capítulo 1, Kluwer / Plenum Pu-
blishers, 2002
3. Camm, JD y JR Evans, Management Science: Modeling, Analysis and
Interpretación , South-Western College Publishing, Cincinnatti, OH, 1996
4. Evans, JR, Hojas de cálculo como herramienta para la simulación de enseñanza,
INFORMS Trans-
acciones sobre la educación, 2000, vol. 1, No. 1
5. Grossman, TA, Modelado y simulación de hojas de cálculo mejora la comprensión
de
Queues , Interfaces vol.29, no.3, 1999, pp.88-103.,
6. Ingolfsson, A., simulación gráfica de colas de hojas de cálculo , School of Business
Universidad de Alberta Edmonton, Alberta, Canadá y Thomas A. Grossman, Jr.,
Facultad de Administración de la Universidad de Calgary, Calgary, Alberta, Canadá
(2005)
7. Ivkoviæ, Z., Uvod u teoriju verovatnoæe, sluèajne procese i matematièku statistiku,
Graðevinska knjiga, Beograd, 1970.
8. Lawrence, JA y BA Pasternack, Applied Management Science, una Comisión
Enfoque integrado por puter para la toma de decisiones , John Wiley and Sons, Nueva
York,
Nueva York., 1998
9. Laziæ, M. Primena metoda teorije masovnog opslu ivanja u analizi vremena
zadr avanja brodova u luci Koper, Saobraæaj 28, 1981., 493-499.
10. Little, J. D. C., Prueba de la fórmula de colas L = 1 W , Investigación de
operaciones, 9,
383-387 (1961).
11. Puerto Bakar - terminal de carga a granel, puerto de Rijeka, Rijeka, 2005.
12. Tijms, HC, modelos estocásticos, un enfoque algorítmico , Wiley, Nueva York,
1994
13. Van Dijk N.M., a la piscina o no a la piscina? - los beneficios de combinar colas y
Simulación , Actas de la Winter Simulation Conference, 2002.
14. Whitt, W., Planning Queuing Simulations , Management Science, vol. 35, nº 11,
1989, pp. 1341-1366.
15. Whitt, W., Glynn, PW y Melamed, B., Estimación de los promedios de clientes y
tiempo ,
Investigación de Operaciones, vol. 41, No. 2, 1993, pp. 400-408.
16. Zenzeroviæ, Z., Teorija redova èekanja, Stohastièki procesi II dio , autorizirana
predavanja, Pomorski fakultet u Rijeci, Rijeka, 2003.
17. http://staff.um.edu.mt/jskl1/simweb/mm1.htm
18. http://www.cs.vu.nl/obp/queueing/MDc.pdf
19. http://www.cs.vu.nl/~franx/Mdctran11.pd