European Journal of Operational Research 237 (2014) 701-712

listas de contenidos ofrecidos en ScienceDirect

European Journal of Operational Research

Página principal de la revista: www.el Sevier .com / localizar / ejor

Las aplicaciones innovadoras de O

Un sistema de gestión de riesgos para la sustitución de flota sostenible

Amir H. Ansaripoor un , Fernando S. Oliveira un , ⇑ , Anne Liret segundo

un Departamento de Operaciones de la gestión, ESSEC, 100 Victoria Street, Edificio Biblioteca Nacional, # 13-02, Singapur 188064
segundo BT Group, Investigación y Tecnología, BT France, 30 rue du Château des Rentiers, 75013 París Cedex, Francia

información del artículo abstracto

Historia del artículo: En este artículo se analiza el problema de gestión de flota se enfrenta un rmwhen fi decidir qué vehículos a añadir a su flota. Tal decisión no sólo depende
Recibido el 7 de septiembre de 2012 Aceptado el 3 de de la esperada el kilometraje y las tareas que se asignará al vehículo, sino también sobre la evolución de combustible y CO 2 los precios de emisión y de los
de febrero de 2014 Disponible en línea el 8 de febrero
combustibles e fi ciencia. Este artículo contribuye a la literatura sobre el reemplazo de flota y las operaciones sostenibles mediante la propuesta de un
de 2014
sistema de ayuda a la decisión general para el problema fl ota de sustitución utilizando la programación estocástica y el valor en riesgo condicional (CVaR)
para dar cuenta de la incertidumbre en el proceso de decisión. El artículo analiza cómo el CVaR asociado con diferentes tipos de vehículos se ve afectada
palabras clave:
por los parámetros en el modelo de presentación de informes sobre los resultados de un estudio de caso en el mundo real.
sistemas de soporte de decisiones de
reemplazo de flota Gestión de riesgos
de programación estocástica
2014 Elsevier Todos los derechos reservados.
operaciones sostenibles

valor en riesgo condicional (CVaR)

1. Introducción
La sostenibilidad es posiblemente el mayor reto de nuestra generación y la siguiente. La
cuestión de cómo satisfacer las necesidades del presente sin comprometer la capacidad de las
generaciones futuras para satisfacer sus necesidades tiene importantes dimensiones ambientales,
económicas y sociales ( WCED, 1987 ). En el entorno mundial actual, hacer frente a este reto requiere
un compromiso de lo privado y el sector público, de organizaciones no gubernamentales, y en última
instancia de todos los individuos. Debido a estas preocupaciones emergentes, las empresas están
bajo una fuerte presión para evaluar su impacto sobre el medio ambiente, para participar en la
evaluación de la línea de triple cuenta de resultados (personas, fi nes, y el planeta), y, en
consecuencia, para medir su huella de carbono resultante. Las actividades básicas que contribuyen a
esta huella son la producción y el transporte de los productos, el reciclado, productos de
remanufactura utilizado, y el diseño de nuevos productos ( Kleindorfer, Singhal, y Wassenhove de
2005 ).
gestión de flotas es un esfuerzo importante que conducirá hacia un transporte sostenible de dos
maneras. En primer lugar, tiene un efecto económico directo en los costes de inversión,
mantenimiento y operación. En segundo lugar, afecta a la huella de carbono que resulta en la
empresa. Además, mientras que la comparación del costo relativo de los diferentes tipos de
vehículos a tener en cuenta en el sistema de flota es, en muchos aspectos, un problema de
optimización relativamente obvio, existen complejidades adicionales que hacen que sea un tema de
investigación interesante
para la gestión sostenible (véase Figura 1 ). Estos incluyen las incertidumbres en los precios de
mercado de diversas fuentes de energía, los precios de emisión de carbono, el consumo de
combustible y el kilometraje impulsado por los vehículos.
Bajo los supuestos tradicionales ( Bethuyne, 1998; Chand, McClurg, y Ward, 2000; Hartman,
2001, 2004; Karabakal, James, y Lohmann, 2000; Karabakal, Lohmann, y Bean, 1994 ) La principal
preocupación para el gestor de flota es centrarse en la optimización de los costes previstos en un
horizonte de planificación. Sin embargo, nuestro enfoque es diferente de la literatura estándar sobre
el reemplazo de flota que no tiene en cuenta los citados riesgos e incertidumbres en el problema.
En este artículo se considera el problema de arrendamiento de un vehículo durante un horizonte
de planificación determinada, teniendo en cuenta las incertidumbres que existen en las situaciones
reales: los precios del carbono, los precios del combustible, kilometraje impulsado, y el consumo de
combustible. La idea de este artículo surge de la necesidad de estudiar la posibilidad de adoptar los
vehículos eléctricos (EVs) en muchas empresas en Europa y en los EE.UU. desde una perspectiva
económica. Debido a que los vehículos eléctricos son todavía en su infancia, en términos de
desarrollo y debido a que requieren un alto costo de inversión, este estudio aborda esta cuestión
desde una perspectiva de riesgo, que no se ha intentado antes. La metodología que se utiliza es un
estocástico modelo de programación entera mixta de dos etapas con valor condicional en riesgo
(CVaR). La principal contribución de este trabajo es considerar la minimización del riesgo como parte
de la función objetivo de la empresa.

El artículo se organiza de la siguiente manera: Sección 2 presenta la literatura existente. Sección 3

⇑ Autor correspondiente. Tel .: +65 6884 9780. introduce el modelado de reemplazo de flota y desarrolla un estocástico de dos etapas personalizado
Dirección de correo electrónico: Oliveira@essec.edu (FS Oliveira).

http://dx.doi.org/10.1016/j.ejor.2014.02.006
0377-2217 / 2014 Elsevier Todos los derechos reservados.
702 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712

Figura 1. Sistema de ayuda a la decisión para el Administrador de Flota.

enteros mixto modelo de programación lineal (MILP) para minimizar el riesgo y el coste esperado. ser reemplazado juntos. En contraste, en el modelo heterogéneo, múltiples activos heterogéneos,
Sección 4 se presentan los resultados analíticos sobre la comparación de la CVaR de diferentes tipos tales como flotas con diferentes tipos de vehículos, tienen que ser optimizados simultáneamente. Por
de vehículos. Sección 5 proporciona un estudio de caso para la validación de los resultados ejemplo, los vehículos del mismo tipo y edad pueden ser reemplazados en diferentes períodos (años)
debido a la restricción de presupuesto para la adquisición de nuevos vehículos. Los modelos
analíticos, y la Sección 6 describe los resultados de un estudio de caso real. Por último, la Sección 7 concluye
el artículo. heterogéneos están más cerca del problema fl ota comercial de reemplazo en el mundo real. Estos
modelos se resuelven usando programación entera y, en general, las variables de entrada se supone
que son determinista ( Hartman, 1999, 2000, 2004; Karabakal et al., 1994; Simms, Lamarre, Jardine,

2. Revisión de la literatura en reemplazo de flota sostenible y valor en riesgo condicional y Boudreau, 1984 ). La metodología que se ha aplicado más ampliamente para la resolución de los
modelos homogéneos es la programación dinámica. La ventaja del modelo homogéneo es asumir
distribuciones probabilísticas para las variables de entrada en el modelo de optimización ( Bean,

En este artículo se basa en dos, órganos diferentes, pero complementarios de la literatura. El Lohmann, y Smith, 1984; Bellman, 1955; Hartman, 2001; Hartman y Murphy, 2006; Oakford,

primero cubre el área de operaciones sostenibles, que incluye el impacto social y ambiental de las Lohmann, y Salazar, 1984 ). Otra importante de clasi fi cación de estos modelos se refiere a la

operaciones en la función objetivo de las empresas que están maximizando fi nes. La segunda naturaleza del proceso de sustitución: en paralelo vs serie ( Hartman y Lohmann, 1997; Jones,

presenta la literatura sobre el valor en riesgo condicional. La mayor parte de la literatura en las Zydiak, y Hopp, 1991 ). La principal diferencia entre el análisis de reemplazo paralelo y análisis de

operaciones sostenibles se concentra en las cadenas de suministro de circuito cerrado, la logística y reemplazo de serie es que el primero tiene en cuenta cómo una política que se ejerce sobre un

la refabricación (Reverso Debo, Toktay, y Van Wassenhove, 2005; Aleta, Van Nunen, y Van activo en particular afecta al resto de los activos de la misma flota. Un ejemplo de reemplazo paralelo

Wassenhove, 2005; Savaskan, Bhattacharya, y Van Wassenhove de 2004 ). Este artículo puede ser sería una flota de camiones que dan servicio a un centro de distribución. En este caso, la capacidad

indirectamente relacionada con las cadenas de suministro de circuito cerrado en el sentido de que se total que está disponible es la suma de las capacidades individuales de los camiones. Sin embargo,

centra en justificar adopción de un producto verde (es decir, EVs) y el impacto de CO 2 emisiones en un modelo de sustitución de serie, los activos operan en serie, y, en consecuencia, la demanda es

sobre la estrategia de la cadena de suministro y la comercialización de los fabricantes de automóviles fi satisfecho por el grupo de activos que operan en secuencia. Un ejemplo de este caso es una línea

( Atasu, Sarvary, y Van Wassenhove de 2008 ). Específicamente, esta sección comienza con una de producción en la que múltiples máquinas deben trabajar juntos para satisfacer una demanda o

revisión de los conocimientos actuales en el área de los sistemas de soporte de decisiones para la servicio restricción. En general, la capacidad del sistema se define por la capacidad más pequeña en

gestión de flota y luego procede con un resumen de la literatura sobre el valor en riesgo condicional. la línea de producción ( Hartman, 2004 ). Nuestra preocupación se relaciona con los modelos de
sustitución paralelas, que se utilizan para los planes de sustitución de un conjunto de flotas que son
económicamente interdependientes.

2.1. Los sistemas de soporte de decisiones para la gestión de flota sostenible

sistemas de apoyo para las operaciones de flota, las decisiones sobre capacidad, problemas de
enrutamiento, y esquemas de optimización subyacentes están bien desarrollados en la literatura de
logística (por ejemplo, Couillard, 1993; Ghiani, Laporte, y Musmanno, 2004; Lau, Sim, y Teo, 2003 ).
Por ejemplo, Ruiz, Maroto, y Alcaraz (2004) considerado el problema de rutas para vehículos, que ha Como un ejemplo de reemplazo paralelo, Keles y Hartman (2004) estudiar las políticas de

sido ampliamente estudiado en la literatura. Se introdujo un nuevo enfoque de dos etapas para la reemplazo flota de un operador de autobús de tránsito de la ciudad en Europa. La flota incluye más

solución de un problema real junto con el software de toma de decisiones. En la primera etapa, todas de 600 autobuses, que proporcionan servicio a una ciudad de Europa con aproximadamente 500.000

las rutas posibles son producidos por medio de un algoritmo; Posteriormente, en la segunda etapa, a habitantes. Aproximadamente 45.000 millas se acumularon en cada año de funcionamiento. Los

través de un modelo de programación de número entero, las rutas óptimas fueron elegidos de todo el principales factores en sus decisiones de reemplazo incluyen la posibilidad de elegir entre múltiples

conjunto de rutas factibles. fabricantes, mientras que teniendo en cuenta el precio de compra, las regulaciones
gubernamentales, las limitaciones de presupuesto de capital, y las economías de escala. Ellos usan
una formulación de programación entera para un problema de reemplazo paralelo en el que hay
múltiples retadores disponibles para el reemplazo en cada período.

En cuanto a las estrategias de sustitución para las operaciones de flota, los modelos en general,
se pueden clasificar en dos grupos principales en base a diferentes características de flota: modelos
homogéneos y heterogéneos. En el modelo de sustitución homogénea, un grupo de vehículos
similares en términos de tipo y edad que forman un clúster (cada agrupación o grupo no puede ser Algunos ejemplos adicionales de reemplazo paralelo son los siguientes. Sharma, Ammons, y

descompuesta en agrupaciones más pequeñas) tienen Hartman (2007) utilizar un modelo MILP para optimizar las decisiones en relación con el
arrendamiento y la logística de la
 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712 703

punto de vista de una empresa de arrendamiento de equipos electrónicos. Por otra parte, presentan Brevemente, CVaR se define como la expectativa condicional de las pérdidas más allá de VaR. De

un estudio de caso para validar su enfoque, proporcionando un modelo para la comprensión de la hecho, a diferencia de valor en riesgo, CVaR proporciona información adicional sobre las pérdidas en la cola

interacción de la logística inversa con el reemplazo del equipo. Hritonenko y Yatsenko (2012) analizar de la distribución de pérdidas más allá de valor en riesgo ( Figura 2 ).

un problema fl ota de sustitución con arreglo a criterios generales sobre el desarrollo tecnológico.
Proporcionan un modelo de optimización que tiene en cuenta la variable tiempo de vida de los CVaR es una medida coherente de riesgo, ya que es subaditiva y convexa ( Artzner, Delbaen,
activos en un determinista en el marco finito-horizonte. La dinámica óptimos de la vida útil de los Eber, y Heath, 1999 ). Por otra parte, se ha demostrado que puede ser optimizado utilizando
activos y la inversión se obtiene en situaciones que implican los cambios tecnológicos y los shocks programación lineal, que puede manejar portafolios con un muy gran número de escenarios ( Rockafellar
tecnológicos que influyen en la operación y los costos de nuevo activo. Figliozzi, Boudart, y Feng y Uryasev, 2000 ). Además, la reducción al mínimo de CVaR conduce a soluciones casi óptimas para
(2011) desarrollado un modelo para considerar la optimización económica y ambiental de las VAR, y cuando la distribución de la pérdida de retorno es normal, estas dos medidas de riesgo
decisiones de sustitución de vehículos desde la perspectiva de un administrador de flota. Introducen producir la misma cartera óptima ( Rockafellar y Uryasev, 2000 ). El modelo de programación lineal
un modelo de sustitución de vehículos de programación entera que se utiliza para evaluar las sugerido por Rockafellar y Uryasev para la minimización simultánea de CVaR y el cálculo del valor en
cuestiones ambientales y de intervención gubernamentales actuales, como los gases de efecto riesgo es la siguiente:
invernadero, impuestos e incentivos fiscales para la compra de EVs. Por otra parte, se toman en
cuenta el efecto de la utilización (kilometraje por año por vehículo) y el precio de la gasolina en las
decisiones de compra de flota. Aunque la literatura máquina o vehículo de sustitución es rica en
modelos que tratan con las limitaciones presupuestarias ( Chand et al., 2000; Karabakal et al., 1994,
2000 ), La utilización variable ( Bethuyne, 1998 ), demandas estocásticos ( Hartman, 2001 ), Y los tipos min zq
heterogéneos de vehículos ( Hartman, 2004 ), Estos modelos no han considerado la gestión de X 2 X; z 2 R; un segundo 2 R / segundo ¼ min
X 2 X; z 2 R; un segundo 2 R un segundo þ v X Q
q¼1

riesgos. En resumen, a partir de esta revisión de la literatura, es evidente que existe una brecha que
S t: X 2 X Z q PAG F re X; do q Th? un
este artículo pretende abordar: explicar la sustitución flota sostenible desde una perspectiva
segundo; z q PAG 0; q ¼ 1; . . . ; Q
incertidumbre utilizando metodologías de gestión de riesgos.

En el modelo anterior, / segundo y un segundo denotar la CVaR y VaR para el nivel de confianza de segundo,
respectivamente. En adición, q representa el número de escenarios, y do q muestra el vector de
variables estocásticas en escenario q la muestra de la distribución de los procesos estocásticos en el
modelo, v = (( 1 segundo) Q) 1, dónde X es el vector de variables de decisión, z q son variables ficticias
positivos, y F denota la función de pérdida. Resolver el modelo LP anterior produce simultáneamente
el valor óptimo de / segundo, la variable de decisión, que es X /,

2.2. modelos estocásticos con escenarios discretos y CVaR y un segundo.

modelos de decisión estocástico dependen de eventos futuros. El futuro puede ser representado
3. Modelado de la política de sustitución de flota
por un conjunto de escenarios que son realizaciones discretas de parámetros estocásticos. El
método utilizado para la obtención de los resultados discretos de un parámetro aleatorio se conoce
En esta sección se presenta un modelo estocástico para el arrendamiento de vehículos en un
como '' generación árbol de escenarios ''. Hay diferentes maneras de generar árboles de escenarios,
horizonte de planificación dada. El objetivo es obtener la política óptima que minimiza el coste y el
tales como la simulación, el agrupamiento, y técnicas de optimización ( Hoyland, Kaut, y Wallace,
riesgo simultáneamente. Debido a la ecuación. (1)
2003 ). Discretización de los valores aleatorios y el espacio de probabilidad conduce a un marco en el
utiliza un modelo de dos etapas, los precios medios de combustible ( F u) se calculan. En la Ec. (1) , F Utah denota
que una variable aleatoria toma un número finito de valores. Por lo tanto, los factores que impulsan
los precios de los combustibles previstos durante el horizonte de planificación, y T es la longitud del
los eventos de riesgo se aproximan mediante un conjunto discreto de escenarios o una secuencia de
horizonte en años. Por otra parte, la Ec. (2) , Para obtener los costes medios de carga eléctrica de las
eventos. Este proceso de ramificación se representa por medio de un árbol de escenarios. El nodo
baterías de los vehículos eléctricos, mi bu ( para diferentes marcas con respecto a una marca de referencia
raíz del árbol de escenario representa '' hoy '' y es inmediatamente observable a partir de datos
para 100 millas) utiliza los precios medios de la electricidad a partir de la ecuación. (1) . En la Ec. (2) , pag segundo
deterministas. Los nodos que representan vienen después de los acontecimientos del mundo, que
es la relación entre la capacidad de la batería de la marca de referencia (la notación se resume en tabla 1 ).
son condicionales en etapas posteriores. Los arcos que unen los nodos representan diferentes
realizaciones de las variables inciertas. Una situación ideal es que un conjunto de escenarios
generados representa a todo el universo de los posibles resultados de la variable aleatoria.

Fu¼ XT F UT = T Para todos u re 1 Þ

t¼1

mi bu ¼ F u pag segundo Para todos u y segundo re 2 Þ

Quaranta y Zaffaroni (2008) mencionó que el principal problema relacionado con la varianza
como medida de la medición del riesgo es que toma en cuenta la Luces y sombras de la distribución
por igual. Como resultado de ello, los especialistas financieros suelen centrarse en las medidas
basadas en cuantiles, como el valor en riesgo (VaR). La definición de valor en riesgo es la pérdida
potencial mínimo que un sector fi nanciero puede tolerar con una cierta probabilidad, durante un
período finito. Sin embargo, var, si se considera en el marco de medidas de riesgo coherentes,
carece de subaditividad y, en consecuencia, la convexidad (por ejemplo, Artzner, Delbaen, Eber, y
Heath, 1997 ) Para las distribuciones generales (aunque puede ser subaditiva para casos especiales,
por ejemplo, para las distribuciones normales). Para resolver estos problemas, la literatura reciente
se ha centrado en las medidas de riesgo coherentes como CVaR, por ejemplo, Rockafellar y Uryasev
(2000,

2002) . Por otra parte, otras medidas de riesgo coherentes en el caso de distribuciones asimétricas
(activos Goh, Lim, Sim, y Zhang, 2012 ) Y un enfoque de optimización robusta para CVaR (por
ejemplo, Chen, Sim, Sol, y Teo, 2010 ) También han sido mencionados.
Figura 2. VaR, CVaR, y la pérdida máxima ( Rockafellar y Uryasev, 2000 ).
704 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712

tabla 1
Los índices, variables de decisión y parámetros de tecnologías, marcas y diferentes escenarios de precios del carbono y del combustible, millaje recorrido, y el consumo de combustible.

i = 1, 2 índice de combustibles fósiles y las tecnologías eléctricas, respectivamente

b = 1, 2, segundo Índice de marcas para segundo 1, segundo 2, y la marca de referencia ( segundo SEGUNDO), respectivamente

t = 1, 2,. . . , T índice para el número de períodos en el año desde el inicio de 2012 a 2016
s = 1, 2, S índice para el estado de los precios del carbono para baja, media y alta, respectivamente
u = 1, 2,. . . , T índice para los escenarios de precios de combustible pronosticados a partir de 2012 a 2016

m = 1, 2,. . . , METRO Índice para los escenarios de la distribución de kilometraje mensual impulsado por un coche
v = 1,. . . , V Índice para los escenarios de la distribución del consumo de combustible de un coche
W: coef conversión deficiente de kilometraje hasta el kilómetro
X: Parámetro de compensación de riesgo y el coste de la función objetivo
segundo: nivel de confianza con el cálculo de VaR y CVaR
X IB: El coche con la tecnología yo y la marca segundo que ha sido arrendada
z ibusmv: variables estocásticas auxiliares para la función de pérdida

un segundo
IB: Valor en riesgo a nivel de con fi anza segundo para un coche con la tecnología yo y la marca segundo

/ segundo
IB: valor en riesgo condicional al nivel de con fi anza segundo para un coche con la tecnología yo y la marca b B segundo: El coste anual de arrendamiento para las baterías de los

vehículos eléctricos con la marca pb segundo: Relación de la capacidad de la batería de los vehículos eléctricos con la marca segundo a la marca de referencia (22 kilovatios)

do sp: El esperado CO 2 precios de cada estado Carolina del Sur mi: El co 2 emisiones (gramo) por kilómetro

para la tecnología eléctrica

do gramo: El co 2 emisiones (gramo) por litro para la tecnología de combustible fósil
l IB: El costo mensual de arrendamiento para cada tecnología yo con la marca b D metro: El kilometraje mensual impulsado por

un coche para cada escenario mes BV: El consumo de combustible por cada 100 kilómetros para la marca segundo y cada

escenario v

F Utah: precios de los combustibles previstos para cada escenario u en el año tf u: Los precios promedio de combustible para cada

escenario u durante el horizonte de planificación

mi BU: el costo promedio de carga de las baterías EV de 100 millas con la marca segundo para cada escenario ur ibusv: El coste de funcionamiento por cada 100 kilómetros para la tecnología yo con la marca segundo para cada escenario u, cada estado del precio del carbono s, y

cada escenario para el consumo de combustible v

y ibusmv: El coste total de ejecución por la tecnología yo con la marca segundo para el escenario u, cada estado del precio del carbono s, cada escenario para el kilometraje mensual impulsada por los coches metro, y cada

escenario para el consumo de combustible v

l IB: El costo total fijo por la tecnología yo con la marca segundo

!,
A continuación, la Ec. (3) calcula el coste de funcionamiento para cada marca de la tecnología de X segundo XT
X segundo XS XV
X METRO

combustibles fósiles por cada 100 kilómetros en diferentes escenarios. Además, el coste de
mi re costo Þ ¼ X 2 l ib X ib þ X 2 y ibusm v X ib USMV
yo ¼ 1 segundo ¼ 1 yo ¼ 1 segundo u
¼¼1 1 s ¼ 1 metro ¼ 1v ¼ 1
funcionamiento para los vehículos eléctricos (EVs) por cada 100 kilómetros se calcula usando la Ec. (4)
re 9 Þ
. En la Ec. (3) , o bv denota el consumo de combustible para vehículos de combustibles fósiles por cada
100 kilómetros. El costo de CO 2 las emisiones de diferentes tecnologías en (3) y (4) se tiene en cuenta
mediante la inclusión de parámetro do sp, el cual muestra los precios del carbono en diferentes estados
del mundo. Otros parámetros en (3) y (4) se describen en tabla 1 . XS XV
X METRO
/ segundo z ibusm v Para todos yo y segundo
ib ¼ un segundo
ib þ 1 = re USMV re 1 segundo thth X T

u ¼ 1 s ¼ 1 metro ¼ 1v ¼ 1

re 10 Þ

r ibus v ¼ o segundo v re F u þ do sp do g = 10 6 Þ Para todos segundo; u; s; v; y yo ¼ 1 re 3 Þ

r ibus v ¼ mi bu = W þ 100 re do e = 10 6 Þ do sp Para todos segundo; u; s; v; y yo ¼ 2 re 4 Þ z ibusm v PAG re l ib þ y ibusm v Þ X ib un segundo ib Para todos yo; segundo; u; s; m; y v
re 11 Þ

En consecuencia, la ecuación. (5) , Basado en las ecuaciones. (3) y (4) , Calcula la

coste de funcionamiento total sobre el horizonte de planificación. En la Ec. (5) , re metro representa el
X2 X segundo
kilometraje mensual impulsado por un vehículo. X ib ¼ 1 re 12 Þ
yo ¼ 1 segundo ¼ 1
y ibusm v ¼ 48 re r ibus v = 100 Þ WD metro Para todos yo; segundo; u; s; v; y metro re 5 Þ

Por último, las ecuaciones. (6) y (7) el cálculo de la inversión total (fijo) el costo de tecnologías de combustibles

fósiles (6) y para los vehículos eléctricos (7) . El costo de alquiler mensual, que se muestra por l IB, se utiliza para X ib 2 f 0; 1 gramo re 13 Þ

obtener los costos totales fijos en el horizonte de planificación. Por otra parte, para los vehículos eléctricos, hay un
coste de inversión adicional, que es el costo anual de arrendamiento de baterías, segundo segundo.
l ib ¼ 48 l ib Para todos segundo y yo ¼ 1
l ib ¼ 48 l ib þ 4 segundo segundo Para todos segundo y yo ¼ 2
El objetivo es reducir al mínimo el promedio ponderado de CVaR y el costo total esperado. La
variable de decisión es X IB, que denota un vehículo con la tecnología yo y la marca segundo. Mediante
la combinación de las fórmulas y los parámetros presentados en las secciones anteriores, el
problema de programación entera mixta estocástico está representado por las ecuaciones. (8) - (13) .
Debido a que el objetivo de este programa estocástico es minimizar el costo y el riesgo al mismo
tiempo, la Ec. (8) minimiza el promedio ponderado del costo total esperado, MI( coste), y CVaR. Es
decir, cambiando el valor del parámetro X a diferentes combinaciones de costo total era de esperar,
re 6 Þ los riesgos en el horizonte de planificación se reducen al mínimo, dependiendo de si la atención se
centra más en el precio o en riesgo. Eq. (9) calcula el coste total previsto, que incluye el costo fijo y
gastos de funcionamiento. El coste de funcionamiento se calcula en base a la realización de todos
re 7 Þ
los procesos estocásticos para cada marca y la tecnología. Por otra parte, las Ecs. (10) y (11) calcular
el valor de CVaR a nivel de con fi anza b ( Rockafellar y Uryasev, 2000 ). en la desigualdad (11) , El
primer término en el lado derecho denota la función de pérdida ( Rockafellar y Uryasev, 2000 ), Y que
está relacionado con el costo total esperado para diferentes escenarios. Por último, las ecuaciones. (12)
y (13) son las limitaciones de la variable de decisión. Resolviendo

min ¼ X mi re costo Þ þ ð 1 X TH / segundo

ib
re 8 Þ
X 2f 0; 1 gramo; z 2 R; un segundo
ib 2R
(8) - (13) , Dependiendo del valor de X, produce el vector óptimo
X /, correspondiente valor en riesgo /, óptima CVaR /, y el total de costo esperado.
 AH A E O R

m m M m m

M C D E
m m

Dividiendo ambos lados de la desigualdad (19) por 0,48 WD, resulta que / segundo re F u Th? / segundo re mi bu Þ = D o segundo
W Þ PAG do sp re do g = 10 6
do e = re o segundo 10 4 Thth. Entonces, conjunto-

ting k 0 = do gramo/ 10 6 do mi/( o segundo 10 4) rendimientos (20) .

m m m m
/ segundo re F u Th? / segundo re mi bu Þ = D o segundo W Þ PAG do sp: k 0 re 20 Þ
m m m m

m
El lado derecho de la desigualdad (20) es un número positivo. El lado izquierdo es una variable
estocástica porque su valor depende de las diversas realizaciones de los precios del combustible en
diferentes escenarios. Para ilustrar, la figura representa la desigualdad (20) . Como puede verse en Fig.
m m
3 , Hay cuatro áreas en las que la relación

m m
m m
4. Los resultados analíticos sobre la comparación de la CVaR de diferentes tecnologías
En esta sección se presentan los resultados de los análisis que comparan la CVaR de diferentes
tecnologías. Dejar y ibus denotar el coste de funcionamiento total de estocástico para la tecnología yo con la
marca segundo, teniendo en cuenta u
escenarios de precios de los combustibles y s Unidos por los precios del carbono.
tionship entre diferentes valores de / segundo( ) para los diferentes procesos estocásticos se presenta.
Específicamente, el área solución factible que se muestra por ( re 1) y ( re 2) es el área en la que la
condición (20) sostiene. Sin embargo, en las partes que se muestran mediante ( re 3) y ( re 4), no hay
ninguna solución factible para la desigualdad (20) . Lo interesante de la zona ( re 2) es que el valor / segundo(
) de precios de los combustibles fósiles es menor que la de los precios de la electricidad, pero es
mayor para el coste total de ejecución estocástica. La razón es que los diferentes pendientes y
número positivo ( k 0 do sp), que se muestran en Fig. 3 . Como resultado, en estas zonas, el valor de k sería
positivo, y / segundo( y 2 autobús) para los vehículos eléctricos es menor que el / segundo( y 1 autobús) para
vehículos de combustibles fósiles.
Dejar y IBSM denotar el coste de funcionamiento total de estocástico para la tecnología

yo con la marca segundo, teniendo en cuenta metro escenarios para el kilometraje y conducidos s Unidos por los
Propuesta 1. Los / segundo( y 2 autobús) para los vehículos eléctricos es menor que el / segundo( y 1 autobús) para vehículos de combustibles fósiles
precios del carbono, y dejar F denotar el precio medio del combustible durante el horizonte de planificación.
si y sólo si se cumple esta condición: / segundo re F u Th? / segundo re mi bu Þ = D Wo segundo Þ PAG do sp re do g = 10 6 do e = re o segundo 10 4 Þ.

Propuesta 2. Los / segundo( y 2 autobús) para los vehículos eléctricos es menor que el / segundo( y 1 BSM) de fósiles

vehículos de combustible si y solo si esta condición se cumple:

Prueba. Como / segundo( ) es una medida de riesgo coherente ( Artzner et al., 1999 ):
mi segundo Wo segundo f <c sp Wo segundo re do g = 10 6 do e = re o segundo 10 4 Thth.

/ segundo re hx Þ ¼ h / segundo re X Þ re 14 Þ

/ segundo re X þ h Þ ¼ / segundo re X Th? h re 15 Þ Prueba. El coste total de ejecución estocástico en el que existen parámetros estocásticos se utiliza para

comparar / segundo( ) para los vehículos eléctricos y para los combustibles fósiles. Por lo tanto, basado en las

/ segundo re X þ Y Þ 6 / segundo re X Th th / segundo re Y Þ re dieciséis Þ

ecuaciones. (3) - (5) y la propiedad (14) , Se deduce que, para todos segundo, Sra:

En las ecuaciones. (14) - (16) , h es una constante arbitraria y X y Y denotar variables

estocásticas. Por otra parte, estas ecuaciones se conocen como la homogeneidad positiva, / segundo re y 1 BSM Þ ¼ / segundo re doce y cuarenta y ocho r 1 Bs WD metro Þ ¼ doce y cuarenta y ocho wr 1 B / segundo re re metro Þ

Traducción invariancia, y las propiedades subaditividad de medidas de riesgo coherentes,

¼ doce y cuarenta y ocho W / segundo re re metro Þ o segundo F þ o segundo do sp do g = 10 6 re 21 Þ
respectivamente ( Artzner et al., 1997 ). La comparación de la / segundo( ) para vehículos eléctricos con
vehículos de combustibles fósiles se basa en el coste total de ejecución estocástica. Basado en las
Ecs. (3) - (5) y (14) y (15) , La ecuación. (17) puede ser derivado. Específicamente, la Ec. (21) se cumple para vehículos de combustibles fósiles, teniendo en cuenta el

kilometraje conducido como un proceso estocástico. Por otra parte, para el caso de los vehículos eléctricos, el

valor de / segundo( ) se obtiene mediante la propiedad (14) y representada por la ecuación. (22) , Por comparación (22)
/ segundo re y 1 autobús Þ ¼ doce y cuarenta y ocho wNo segundo/ segundo re F u Þ y (21) , Derivamos la desigualdad (23) . Para todos b; m; s

doce y cuarenta y ocho o segundo WDC sp do g = 10 6 Para todos segundo; u; s re 17 Þ

re 22 Þ

Específicamente, la Ec. (17) es para el caso teniendo en cuenta los precios del combustible fósil
como procesos estocásticos. En la Ec. (17) , re denota el kilometraje expectedmonthly impulsado por un / segundo re y 2 BSM Þ ¼ / segundo re doce y cuarenta y ocho r 2 Bs WD metro Þ ¼ doce y cuarenta y ocho wr 2 B / segundo re re metro Þ

coche y es un parámetro constante ( Tabla 4 ). Por otra parte, para el caso de los vehículos eléctricos
¼ doce y cuarenta y ocho W / segundo re re metro THD mi b = W þ 100 do sp do e = 10 6 Þ
en la Ec. (18) utilizando las propiedades (14) y (15) , El valor de / segundo( ) es calculado. restando (18) de (17)
, Que se indica por k, la relación de (19) es obtenido.
/ segundo re y 2 BSM Þ </ segundo re y 1 BSM Th () mi segundo Wo segundo f <c sp Wo segundo k 0 : re 23 Þ

/ segundo re y 2 autobús Þ ¼ doce y cuarenta y ocho RE/ segundo re mi bu Th? 48 WDC sp do e = 10 6 Para todos segundo;re
u; 18
s Þ

en la desigualdad (23) , Ambos lados son números reales, dependiendo de

diferentes
doce y cuarenta y ocho wNo segundo/ segundo re F u Th? doce y cuarenta y ocho RE/ segundo re mi bu Th? doce y cuarenta y ocho o segundo valores
WDC sp do g = 10 6 de parámetros y los valores de F y mi segundo, los cuales son los valores esperados de

los precios del combustible y los precios de m A m

þ 48 WDC sp do e = 10 6 PAG 0 re 19 Þ
F
706 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712

Fig. 3. La solución factible para Propuesta 1 , Que se muestra por ( re 1) y ( re 2).

áreas de soluciones factibles están representados por ( re 1) y ( re 2). De hecho, en estas áreas, la
condición en la proposición (2) es cierto, y / segundo( y 2 BSM)
para los vehículos eléctricos es menor que el / segundo( y 1 BSM) para vehículos de combustibles fósiles.
Dejar y ibsv denotar el coste de funcionamiento total de estocástico para la tecnología yo
con la marca segundo, teniendo en cuenta v escenarios de consumo de combustible y s Unidos por los precios
del carbono.
álgebra, la desigualdad (26) es derivado. El lado derecho de la desigualdad (26) es un número
positivo, entre uno y dos, dependiendo de los diferentes valores de los parámetros y los valores de F y
mi segundo, que son los valores de los precios del combustible y los precios de la electricidad era de
esperar, respectivamente. Sin embargo, el lado izquierdo es una variable estocástica en función de la
realización de diferentes escenarios para el consumo de combustible de tecnologías de combustibles
fósiles por cada 100 kilómetros. Desigualdad

Propuesta 3. Los / segundo( y 2 BSV) para los vehículos eléctricos es menor que el / segundo( y 1 BSV) de combustibles fósiles (26) se ilustra en la Fig. 5 .
vehículos Si y solo Si esta condición:
/ segundo re y 2 Bs v Þ ¼ doce y cuarenta y ocho WD re mi b = W þ 100 do sp do e = 10 6 Þ Para todos segundo; v; s re 25 Þ
/ segundo re o segundo v th> re mi b = W þ do sp do e = 10 4 Þ
re F þ do sp do g = 10 6 Þ.

Prueba. El coste total de ejecución estocástico se utiliza para comparar la / segundo re o segundo v Þ> D mi b = W þ do sp do e = 10 4 Þ re 26 Þ
re F þ do sp do g = 10 6 Þ
/ segundo( ) de los vehículos eléctricos con el / segundo( ) de los vehículos eléctricos de vehículos de combustible fósil. Basado en

las Ecs. (3) - (5) y propiedades (14) y (16) , la desigualdad (24) es obtenido.
Porque F y mi segundo están correlacionados, / segundo( o bv) se representa como una función de F. Como
se representa en Fig. 5 , La gráfica es una función homográfica decreciente con una asíntota
horizontal k 00 igual a
re 24v;
/ segundo re y 1 Bs v Þ 6 doce y cuarenta y ocho WD / segundo re o segundo v THD F þ do sp do g = 10 6 Þ Para todos segundo; Þs
mi segundo/( WF). La intuición detrás de este patrón es que mediante el aumento de los precios de los
Desigualdad (24) se obtiene en base a la propiedad subaditividad combustibles esperados, el / segundo( o bv) disminuirá debido a un menor consumo de combustible.
(dieciséis) Y que tiene para los vehículos de combustible fósil al considerar el consumo de combustible Específicamente, el área solución factible, que está representado por ( re 1) y ( re 2), es el área en la que
la condición (26)
como el proceso estocástico. Además, para el caso de los vehículos eléctricos, el valor de / segundo( ), representado
por la ecuación. (25) , Se obtiene de propiedad (14) . Así, comparando (24) y (25) , Después de algunos sostiene. Por lo tanto, se deduce que el / segundo( y 2 BSV) para los vehículos eléctricos es menor que el / segundo( y 1 BSV) para

básicos vehículos de combustibles fósiles.

Fig. 4. La solución factible para Propuesta 2 , Que se muestra por ( re 1) y ( re 2).

 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712
Fig. 5. La solución factible para Propuesta 3 , Que se representa por ( re 1) y ( re 2).
5. Un estudio de caso sobre la gestión de flota sostenible
Una cuestión importante en el desarrollo de un modelo consiste en determinar si se trata de una
representación exacta del sistema estudiado,
es decir, si es válido (por ejemplo, Landry, Malouin, y Oral, 1983; Landry y Oral, 1993; Ley y Kelton,
1991 ). El término '' representación precisa '' se utiliza para significar la medida en que el modelo de fi
ts el sistema real, ya sea en términos de estructura y mecanismo o en términos de producción,
dependiendo del contexto del problema. En este artículo, la validez del modelo se aseguró en el uso
de los siguientes pasos. El caso presentado en esta sección se basa en: (1) datos reales de la flota
analizaron, incluyendo el kilometraje y el consumo por vehículo; (2) los datos reales sobre los costos
de arrendamiento para diferentes tipos de vehículos y marcas; (3) Las previsiones para los precios
de los combustibles para el horizonte de planificación considerado, basado en datos reales; y (4) un
modelo para CO 2 precios estimados a partir de datos reales. Por otra parte, la validez del modelo
también se prueba mediante la comparación de las decisiones recomendadas por el modelo con la
flota actual utilizada por la empresa. Esto se informa en la sección 6 para el caso en el que se
utilizaron sólo valores esperados: en este caso, como es actualmente el caso, la decisión óptima es
arrendar solamente los vehículos diesel.
El objetivo es obtener la política óptima para la sustitución de vehículos, el uso de leasing,
considerando un horizonte de planificación de cuatro años (2012 a comienzos de 2016). Tres
tecnologías de combustible (gasolina, diesel y electricidad) y tres marcas ( segundo 1, segundo 2, y segundo predicción de series de tiempo relacionadas entre sí para analizar el impacto dinámico de las
SEGUNDO) son considerados; segundo segundo es el punto de referencia. A pesar de que se basan en
vehículos reales, con el fin de mantener el anonimato, las marcas se indican como tales. El consumo
típico de la marca de referencia es de 7,6 litros por cada 100 kilómetros para diesel y 9,3 litros por
cada 100 kilómetros para la gasolina. A precio de la gasolina corriente de aproximadamente £ 1,37
por litro y el precio diesel de 1,41 £ por litro se supone. El costo de arrendamiento de la batería del
vehículo eléctrico, para la marca de referencia, es de 950 £ por año en el Reino Unido, y el costo de
carga es de 2,5 £ por carga (para 100 millas de autonomía). (En este estudio, los precios de la
electricidad y de la electricidad de carga se utilizan indistintamente. Sin embargo, de hecho, el precio
de la electricidad es el precio de cada carga para los 22 kilovatios por hora de la batería de la marca
de referencia.)
Por lo tanto, para obtener la carga de electricidad para otras marcas, la relación entre la potencia
de la batería con respecto a la batería de la marca de referencia ( Tabla 2 ) puede ser usado. Se
estima que las emisiones en el Reino Unido para ser de aproximadamente 81 gramos por kilómetro
(estimación del punto de referencia), y para la gasolina y el diesel, las emisiones se estiman en
aproximadamente 2310 y 2680 gramos por litro, respectivamente. Por otra parte, para los precios del
carbono, porque no hay una clara tendencia histórica, tres estados de precios (precios bajos, £ 5,
precios de nivel medio, £ 10, y los altos precios, £ 20) se utilizan. Los otros parámetros para otras
marcas, incluyendo la marca de referencia se presentan en Las tablas 2 y 3 .
707
Teniendo en cuenta todas las suposiciones acerca de la versión eléctrica de la marca de
referencia, se deduce que son menos competitivos en comparación con la versión diesel y de
gasolina de la misma cuando el kilometraje anual esperada impulsado es menos de 19,526 millas por
año, con los últimos supuestos y costes de arrendamiento mensuales de £ 220, £ 230, y 380 £ para
gasolina, diesel y los vehículos eléctricos, respectivamente.
Como se representa en Fig. 6 , Los costos totales, incluyendo la gestión
y el costo de inversión para los vehículos eléctricos, con últimos supuestos sobre los parámetros de
la marca de referencia, son menos que otras tecnologías cuando el kilometraje total anual está por
encima de la intersección del diesel y líneas eléctricas. Por otra parte, los vehículos de gasolina son
más competitivos en comparación con las otras dos tecnologías cuando el kilometraje medio anual
impulsado es menos de 2843 millas por año. Para vehículos con motor diesel, es económico utilizar
themwhen el kilometraje medio anual se sitúa entre 2843 y 19,526 millas. Estos umbrales dependen
de los precios del combustible y de carbono y los costes mensuales de arrendamiento.
5.1. Vector Auto Regresión de los precios del combustible de previsión
Los datos históricos utilizados por los precios del combustible se basa en una serie de tiempo
desde enero de 2000 hasta diciembre de 2011. Debido a que los precios de los combustibles están
correlacionados ( Tabla 4 ), El método utilizado en este artículo para pronosticar los precios del
combustible es vectorial Auto Regresión. El vector auto regresión se utiliza en los sistemas de
perturbaciones aleatorias en el sistema de variables. El enfoque automático vector de regresión trata
a cada variable endógena en función de los valores rezagados de todas las variables endógenas en
el sistema. La representación matemática de vector auto regresión es la siguiente:
Y t ¼ UN 1 Y t 1 þ? ? ? þ APY tp þ BX t þ mi t
dónde Y t es un vector de variables endógenas, X t es un vector de variables exógenas, UN 1, UN 2, . . . , UN pag
y segundo son matrices de coeficientes a estimar, y mi t es un vector de ruido blanco que pueden ser
correlacionados contemporáneamente, pero no están correlacionados con sus propios valores
rezagados y sin correlación con todas las variables del lado derecho.
Debido a que los precios del combustible no son estacionarias, la diferenciación de primer orden se
utiliza para convertirlos a un proceso estacionario (por ejemplo, Akaike, 1977; Fuller, 1976; Lütkepohl,
1991; Schwarz, 1978 ). por favor refiérase a
Apéndice línea para los detalles de la estimación de las ecuaciones. (27) - (29) , en el cual pag t, re t, y mi
t denotar la gasolina, el diesel y precios de la electricidad en el momento t. En estas ecuaciones el
precio del combustible es descrito como una función de la signi fi cativa valores de otras dos precios
del combustible y su propio ruido blanco rezagada ( mi t) que no están correlacionados con sus propios
valores rezagados y todas las variables del lado derecho. Por otra parte, estas ecuaciones muestran
que considerando dos precios de los combustibles adicionales como variables endógenas en la
ecuación principal para el pronóstico
708 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712

Fig. 7. distribución real de kilometraje mensual impulsado por coches basados ​en los datos.

Fig. 6. El costo total (costes de funcionamiento de inversión más) frente a la media de kilometraje conducido en un año para
diferentes tecnologías.
Tabla 5
La estadística descriptiva para el kilometraje mensual impulsada por los coches.

cada uno de ellos, la correlación entre los precios del combustible se tiene en cuenta ( Tabla 4 ). Estas Millaje recorrido por mes Miles

ecuaciones se utilizan en la predicción del precio del combustible en el horizonte de planificación. Media 834,27
Modo 500.00
Mediana 750.00
pag t ¼ 0: 004 þ pag t 1 0: 211 re mi t 1 mi t 2 th th mi tp re 27 Þ Std. desviación 510,17

re t ¼ 0: 003 þ 1: 506 re t 1 0: 506 re t 2 doce y doce re mi t 1 mi t 2 th th mi td re 28 Þ

mi t ¼ 0: 006 þ 1: 354 mi t 1 0: 354 mi t 2 þ mi Te re 29 Þ

mi tp ¼ norte re 0; r pag Þ; mi td ¼ norte re 0; r re Þ; mi Te ¼ norte re 0; r mi Þ

5.2. Modelado de la incertidumbre sobre el millaje recorrido

Como se presenta en Fig. 7 , En el conjunto de datos de aproximadamente 2789

vehículos, el kilometraje mensual impulsado sigue una distribución logarítmica normal con el modo
en aproximadamente 500 millas por mes. En este ejemplo, 9,2% de los vehículos tenía el kilometraje
cero durante el período analizado.

Como se vio en Tabla 5 el kilometraje promedio es de aproximadamente 834 millas por mes, y el
promedio es de 750 millas por mes. Este resultado implica que el 50% de los vehículos se utilizan
Fig. 8. distribución real de consumo de combustible en automóviles por cada 100 kilómetros sobre la base de los datos.
menos de 750 millas por mes. Para considerar el kilometraje impulsado por un coche, los escenarios
se generan mediante una distribución logarítmica normal con sus parámetros estimados para encajar
los datos ( Evans, Hastings, y el pavo real, 2000 ).

Tabla 6
La estadística descriptiva para el consumo de combustible por cada 100 kilómetros por un coche.
5.3. Modelado de la incertidumbre sobre el consumo de combustible

El consumo por 100 kilómetros mes Litro

Otro parámetro estocástico que se considera en el análisis es el consumo de combustible por
cada 100 kilómetros, tanto por los coches diesel y de gasolina. Debido a que el consumo de Media 6.9
Modo 5.00
combustible depende de las diferentes condiciones en las que los vehículos se utilizan (por ejemplo,
Mediana 6.22
autopistas vs. zonas urbanas) y la habilidad del conductor, es esencial que se considere como un
Std. desviación 2.3
proceso estocástico. Como se muestra en Fig. 8 , El consumo de combustible por cada 100
kilómetros, basándose en los datos reales utilizados en el presente estudio, sigue una distribución
lognormal. En este caso, nuestros datos incluyen 2789 vehículos diesel con un modo de consumo de
aproximadamente 5 litros por cada 100 kilómetros; en el período de análisis, 13,6% de los vehículos
tenía un consumo medio de aproximadamente 4 litros por cada 100 kilómetros. 6. Resultados del estudio de caso

En esta sección se presentan los resultados del estudio de caso, en primer lugar, teniendo en
cuenta cada proceso estocástico por separado y luego analizando su efecto conjunto sobre el costo y

Como se vio en Tabla 6 , La media de consumo de combustible es aproximado el riesgo asociado con cada tipo diferente de vehículo.

madamente 6,9 ​litros por cada 100 kilómetros, y la mediana es de 6.22 litros. Este resultado implica
que el 50% de los vehículos tienen menos de 6,22 consumo litros por cada 100 kilómetros. Por lo La generación de los escenarios de precios de combustible para cada tecnología se hace con la

tanto, para considerar el consumo de combustible de un coche, los escenarios pueden ser generados Ec. (1) . Como un problema de dos etapas se considera y las decisiones se toman en la primera etapa,

usando una distribución logarítmica normal con sus parámetros estimados para encajar los datos ( Evans se obtiene el promedio de los precios del combustible para cada escenario durante el horizonte de

et al., 2000 ). planificación. Por otra parte, para los otros dos procesos estocásticos, que son el kilometraje
impulsado
 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712 709

Tabla 7
Resultados para considerar los precios de los combustibles, en 000 £, como un proceso estocástico en el modelo.

X 0 0.1 0.3 0.5 0.7 0.9 1

Ponderada costo (K £) 27.22 26.82 26.02 25.20 24.40 19.88 17.27

Espera costo (K £) 23.18 23.18 23.18 23.18 23.18 17.27 17.27
CVaR (K £) 27.23 27.23 27.23 27.23 27.23 43.29 51.00
Var (K £) 27.06 27.06 27.06 27.06 27.06 43.29 51.00
marca de la tecnología Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Diesel segundo 2 Diesel segundo 2

Tabla 8
los precios esperados de combustible (£) desde 2012 hasta el comienzo de 2016.

2012 2013 2014 2015 Media (cuatro años)

Gasolina (£) 1.37 1.40 1.42 1.45 1.41

Diesel (£) 1.41 1.45 1.50 1.55 1.48
Eléctrica (£) 2.54 2.65 2.76 2.87 2.70

y el consumo de combustible, los escenarios se genera en base a una fi TTED distribución, que es
Fig. 9. La comparación de los conductores de riesgo en términos de valor de CVaR, en 000 £, 2012-2016 para la
una lognormal con los parámetros coincidentes con los datos, como se explica en las Secciones 5.2
tecnología diesel con la marca b 2.
y 5.3 . En cada conjunto de simulaciones, al considerar cada proceso estocástico por separado, se
utilizan un total de 12.000 escenarios (4000 escenarios para cada uno de ellos y 3 estados para los
precios de carbono). Por otra parte, cuando se considera todos los procesos estocásticos
simultáneamente, debido a la mayor complejidad del modelo, 24.000 escenarios (20 escenarios para
los precios del combustible, 20 escenarios para el kilometraje impulsados, 20 escenarios de
consumo de combustible, y 3 estados para los precios del carbono) son utilizados.

se obtiene el número de escenarios basados ​en prueba y error para la convergencia del modelo.
(Se ha determinado que si el número de escenarios aumenta, los resultados serán no puede
cambiar. También ha sido ed veri fi que si se disminuyen, habrá un problema de incompatibilidad.)
Fig. 10. La comparación de los conductores de riesgo en términos del valor de CVaR, en 000 £, durante cuatro años entre 2012 y 2016 para la
Además, el nivel de confianza fi con segundo es igual a 0,9. El horizonte de planificación se supone marca de referencia ( segundo SEGUNDO).

que es de cuatro años a partir de principios de 2012 a principios del año 2016, que es la duración
estándar de arrendamiento de los vehículos.

En cuanto a la interpretación de la CVaR en las siguientes tablas, hay que señalar que no existe
una mala o buena CVaR. De hecho, el propio CVaR representa la pérdida esperada se enfrenta la
sociedad con una probabilidad dada. Una manera de interpretar mejor la CVaR es tener en cuenta la
diferencia entre el costo previsto y CVaR como una medida de riesgo. Cuanto menor sea esta
diferencia, menor es el riesgo. Por otra parte, el valor de CVaR también depende del nivel de
confianza ( segundo). Cuanto más cerca del valor de segundo es 1, la más alta de los valores de
CVaR: en este caso, el pesebre flota es más conservadora.
En primer lugar, se analiza el impacto de los precios del combustible en la elección del vehículo
para ser alquilado. Si los valores esperados para el kilometraje impulsado presentan en Tabla 5 y el
consumo de combustible representado en la Tabla 3 se tienen en cuenta, a continuación, la elección
óptima de vehículo, como una función de los pesos de la costo esperado y de la CVaR, se resume
en Tabla 7 . En Tabla 7 , cuando X cambia de 0 a 0,7, es decir, la atención se centra en minimizar el
riesgo en lugar de minimizar el costo era de esperar, la política óptima es elegir un vehículo eléctrico
de la marca de referencia ( segundo SEGUNDO). Por el contrario, al aumentar el peso del costo
esperado, es decir,

Tabla 9
Resultados para considerar el millaje recorrido en coche, en 000 £, ya que el proceso estocástico en el modelo de cuatro años.

X 0 0.1 0.3 0.5 0.7 0.9 1

Ponderada costo (K £) 33.06 32.08 30.10 28.13 26.16 23.15 17.36

Espera costo (K £) 23.20 23.20 23.20 23.20 23.20 17.36 17.36
CVaR (K £) 33.07 33.07 33.07 33.07 33.07 75.20 167.00
Var (K £) 30.16 30.16 30.16 30.16 30.16 58.38 167.00
marca de la tecnología Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Diesel segundo 2 Diesel segundo 2

Tabla 10
Resultados para considerar el consumo de combustible de gasolina y diesel, en 000 £, ya que el proceso estocástico en el modelo de cuatro años.

X 0 0.1 0.3 0.5 0.7 0.9 1

Ponderada costo (K £) 26.79 26.43 25.71 24.99 24.27 20.97 17.10

Espera costo (K £) 23.18 23.18 23.18 23.18 23.18 17.10 17.10
CVaR (K £) 26.79 26.79 26.79 26.79 26.79 55.87 96.00
Var (K £) 26.79 26.79 26.79 26.79 26.79 48.38 96.00
marca de la tecnología Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo b diesel 2 b diesel 2
710 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712

Tabla 11
Resultados para la valoración de los precios del combustible, millaje recorrido, y el consumo de combustible, en 000 £, como procesos estocásticos en el modelo de cuatro años.

X 0 0.1 0.3 0.5 0.7 0.9 1

Ponderada costo (K £) 29.61 28.96 27.65 26.35 25.04 21.55 16.82

Espera costo (K £) 23.08 23.08 23.08 23.08 23.08 16.82 16.82
CVaR (K £) 29.61 29.61 29.61 29.61 29.61 64.13 98.00
Var (K £) 28.96 28.96 28.96 28.96 28.96 55.00 98.00
marca de la tecnología Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Eléctrico segundo segundo Diesel segundo 2 Diesel segundo 2

X rangos de 0,7 a 1, la mejor opción es alquilar el vehículo diesel, y segundo 2 es la marca elegida
debido a su mejor capital y gastos de funcionamiento. Por otra parte, por la elección de un vehículo
diesel, hay una reducción en el costo esperado de aproximadamente K 5,91 £ (25,49%) y un
aumento en el CVaR asociado por K £ 16,06 (59%). Es decir, por la elección de un vehículo diesel,
existe un aumento en el riesgo de aproximadamente £ 0,4 por milla para el kilometraje esperada a lo
tecnologías y marcas en términos de riesgo o minimización de costes. Es por esto que sólo los
controladores de riesgo de diesel y vehículos eléctricos con marcas óptimas asociadas se consideran
en Higos. 9 y 10 , Respectivamente.
Como se ve desde Fig. 9 , El conductor de riesgo más importante cuando un troquel

largo del horizonte de planificación debido a la volatilidad de los precios de los combustibles.
Por otra parte, el valor esperado del kilometraje mensual impulsada por los coches, que es 834
millas por mes ( Tabla 5 ), es tomado en cuenta. Como se mencionó en la Sección 5 , Si este valor
disminuye hasta aproximadamente 250 millas por mes, a continuación, en lugar de un vehículo
diesel, un vehículo de gasolina será la elección óptima para minimizar el coste. Por el contrario, si
sel vehículo se utiliza con la marca segundo 2 es el kilometraje conducido, que tiene el valor más alto
de CVaR, seguido por el consumo de combustible, y fi nalmente por los precios del combustible.
Este sorprendente resultado es muy específico a los datos, y es fi justificado por la gran volatilidad
en la distribución del consumo de combustible se presenta en Fig. 8 . Además, en La Fig. 10 , El valor
de CVaR para diferentes riesgos
los conductores se representa cuando se utilizan vehículos eléctricos de la marca de referencia. En este caso, el

este valor aumenta a aproximadamente 1700 millas por mes, entonces el vehículo eléctrico será precio del combustible clasificado como el segundo factor de riesgo más importante para los vehículos eléctricos

elegido en lugar del vehículo diesel ( Fig. 6 ). Sin embargo, para minimizar el riesgo, el vehículo en términos del valor de CVaR. Además, cuando

eléctrico es siempre la elección óptima, independientemente del valor esperado del kilometraje Higos. 9 y 10 se comparan en términos del valor de CVaR, como se mencionó antes en 1-3
mensual impulsado en el modelo ( Propuesta 1 ). proposiciones , El valor de CVaR para vehículos diesel es mayor que para los vehículos eléctricos
para cada proceso estocástico correspondiente.

A continuación, se considera el impacto de la incertidumbre kilometraje en la elección óptima de
vehículo. Suponiendo que los valores esperados para los precios del combustible en Tabla 8 los
riesgos asociados (debido a la incertidumbre del precio del combustible) y los costos de un vehículo se
calculan para el horizonte de planificación. Los resultados se representan en Tabla 9 . Cuando el valor
de X está dentro del intervalo 0-0,7 el vehículo eléctrico es la elección óptima. Sin embargo, para
valores de X por encima de 0,7 se elige el vehículo diesel en su lugar. Por otra parte, mediante la
elección del vehículo diesel como la elección óptima tenemos una reducción en el coste total que es
aproximadamente K 5,84 £ (25,15%) y el aumento de la CVaR asociado por K 42,13 £ (127,4%). Por
lo tanto, el arrendamiento de un coche eléctrico durante cuatro años puede reducir el riesgo debido a
la incertidumbre en el millaje recorrido. Una prueba formal se proporciona en
Ahora, el modelo estocástico completa cuando hay incertidumbre debido a los precios del
combustible, millaje recorrido, y se considera el consumo de combustible. Los resultados para el
modelo completo se presentan en Tabla 11 . Como se ve por el cambio de valores de X 0 a 0,7, la
decisión óptima es para alquilar un vehículo eléctrico. Sin embargo, si el valor de X aumenta más de
0,7 hasta 1, a continuación, el vehículo diesel es la mejor opción. Por otra parte, mediante la elección
del vehículo diesel como la elección óptima, hay una reducción en el costo total, que es
aproximadamente K 6,26 £ (27,12%), y un aumento en la CVaR asociado por K 34,52 £ (116,58%).
Por lo tanto, como conclusión general, parece que el arrendamiento de un vehículo eléctrico puede
signi fi cativamente el riesgo de exposición a mitigar a un costo adicional esperada.

Una conclusión importante, al comparar la CVaR considerando todos los procesos estocásticos
Propuesta 2 . en el modelo con el caso cuando sólo un proceso estocástico se considera por separado es que el
A continuación, se considera el impacto del consumo de combustible en la elección del vehículo. CVaR cuando todos los procesos estocásticos se consideran es menor que la suma de los cvars
El consumo de combustible de referencia para cada tecnología y su marca ( Tabla 3 ) Y la fi TTED para los procesos estocásticos por separado. Este resultado es apoyado por la propiedad
desviación estándar para cada marca se utilizan para generar los escenarios. Los valores esperados subaditividad de medidas coherentes, tal como se presenta en la ecuación. (30) , Artzner et al. (1997) .
para los precios del combustible ( Tabla 8 ) Y el kilometraje impulsado ( Tabla 5 ) se asumen. Los Por lo tanto, teniendo en cuenta la desigualdad (30) y (31) , Se puede concluir que los resultados
resultados se resumen en la Tabla 10 . Como se ve cambiando los valores de X 0 a 0,7, es óptimo analíticos son apoyados por los resultados computacionales en Tablas 7 y 9-11 .
para elegir el vehículo eléctrico para minimizar el riesgo y el coste al mismo tiempo. Sin embargo, si
el valor de X aumenta más de 0,7 hasta 1, a continuación, el vehículo diesel es la elección óptima
para reducir al mínimo costo. Por otra parte, mediante la elección del vehículo diesel, hay una
reducción en el costo total de aproximadamente K 6,08 £ (26,24%) y un aumento en el CVaR
/ re X þ Y þ Z Þ 6 / re X Th th / ð Y Th th / ð Z Þ re 30 Þ
asociado de aproximadamente K £ 29,08 (108,55%). Como resultado, el arrendamiento de un
vehículo eléctrico significativamente disminuye el riesgo debido a la volatilidad del consumo de
/ segundo re 31 Þ
ib re F iu; re metro; o segundo v Þ 6 / segundo
ib re F iu Th th / segundo
ib re re metro Th th / segundo
ib re o segundo v Þ
combustible fósil. Una prueba formal para este problema se proporciona en Propuesta 3 .

Otra cuestión importante es la clasificación de los conductores de riesgo en el modelo. Como se
ve comparando Tablas 7, 9 y 10 , El vehículo diesel (marca segundo 2) y el vehículo eléctrico (marca segundo
por mes ( Tabla 5 ), Hay una diferencia de aproximadamente £ 0.15 por mes entre las dos opciones.
SEGUNDO) son las opciones óptimas basadas en diferentes valores de X. De hecho, si son más reacios
al riesgo, se elige la tecnología eléctrica, y si son más neutrales al riesgo, se elige la tecnología
diesel con las marcas correspondientes como las decisiones óptimas. Sin embargo, el vehículo de
gasolina y la marca segundo 1 y no son competitivos con el ya mencionado
Por último, el costo total por milla para cada escenario el kilometraje (por mes), para el segundo 2
vehículo Diesel y segundo segundo EV se consideran. Como se ve desde La Fig. 11 , El costo total por
milla tiene una tendencia decreciente a medida que aumenta el kilometraje promedio impulsados ​por
mes en cada escenario. De hecho, para los vehículos de alto kilometraje, ambas tendencias
convergen a £ 0.34 por milla. Sin embargo, para el kilometraje normal esperado, que es 834 millas
Por lo tanto, se deduce que si el caso alto kilometraje es considerado (Sección 5 , Fig. 6 ) Y otros
procesos estocásticos se incluyen en el modelo de ayuda a la decisión (es decir, los precios del
combustible y consumo de combustible), el EV es la elección óptima.
 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712
Fig. 11. costo total de £ por kilometraje para la tecnología diesel con marca segundo 2 y la tecnología eléctrica con la
marca de referencia para cada escenario de kilometraje conducido en cada mes.
7. Conclusiones
gestión de flotas es una herramienta importante para la reducción de CO 2
las emisiones y los costos del combustible y la mejora de la sostenibilidad del transporte. En este
artículo se propone un modelo de programación lineal entera mixta estocástico que incorpora las
preocupaciones de riesgo (CVaR) para analizar la elección de la tecnología por un fi rmar que apunta
a reemplazar algunos de sus vehículos. La fi rma minimiza el costo y riesgo al mismo tiempo,
teniendo en cuenta las incertidumbres que existen en la situación real: los precios del carbono, los
precios del combustible, kilometraje conducido, y consumo de combustible.
Específicamente, los resultados analíticos muestran que para cada proceso estocástico de los precios
del combustible, el kilometraje impulsado, y el consumo de combustible, el valor de CVaR para vehículos
eléctricos es menor que para los vehículos de combustible fósiles bajo ciertas condiciones. Por ejemplo,
para el caso que involucra los precios del combustible tratados como un proceso estocástico, leasing un
vehículo diesel en lugar de un vehículo eléctrico aumenta el valor de CVaR por 59%. Este valor para el
kilometraje impulsado y el consumo de combustible es 127,4% y 108,6%, respectivamente. Además, los
resultados muestran que si cada proceso estocástico se considera por separado, el conductor de riesgo
más importante para un vehículo diesel es el kilometraje conducido, seguido por el consumo de
combustible, y por último, los precios del combustible. Para el caso de los vehículos eléctricos, el factor de
riesgo importante primera es el kilometraje, seguido de los precios del combustible y luego CO 2 precios.
Además, cuando todos los procesos estocásticos se consideran en conjunto, el arrendamiento
de un vehículo diesel en lugar de un vehículo eléctrico durante cuatro años (2012-2016) disminuye el
costo total esperado en aproximadamente K £ 6,26 (27,13%) y aumenta el riesgo asociado por K
34.52 £ (116,6%), debido a la incertidumbre en los precios del carbono, los precios del combustible,
millaje recorrido, y el consumo de combustible. Por otra parte, teniendo en cuenta todos los procesos
estocásticos en conjunto, se puede observar que el riesgo de todo el modelo es menor que la suma
de los riesgos de cada proceso estocástico.
Por último, al comparar el costo total por milla para cada escenario el kilometraje (por mes) y
que incluye otros factores de incertidumbre en el modelo de ayuda a la decisión, se puede concluir
que para los vehículos highmileage, el EV es la opción óptima.
Apéndice A. El material suplementario
Los datos complementarios asociados a este artículo se pueden encontrar, en la versión en
línea, en http://dx.doi.org/10.1016/j.ejor.2014.02.006 .
711
referencias
Akaike, H. (1977). En principio, la maximización de la entropía. En PR Krishnaiah (Ed.),
Aplicaciones de la estadística ( pp. 27-41). Amsterdam: North-Holland .
Artzner, P., Delbaen, F., Eber, JM, & Heath, D. (1997). Pensar coherentemente. Riesgo,
10 ( 11), 68-71 .
Artzner, P., Delbaen, F., Eber, JM, & Heath, D. (1999). medidas coherentes de riesgo.
Matemática Financiera, 9 ( 3), 203-228 .
Atasu, A., Sarvary, M., & Van Wassenhove, LN (2008). Remanufactura como
estrategia de mercadeo. Gestión de la Ciencia, 54 ( 10), 1731-1746 .
Bean, JC, Lohmann, JR, y Smith, RL (1984). Una dinámica en fi horizonte nite
reemplazo de modelo de decisión economía. The Economist Engineering, 30 ( 2), 99-120 .
Bellman, R. (1955). política de reemplazo de equipos. Revista de la Sociedad para
Industrial and Applied Mathematics, 3 ( 3), 133-136 .
Bethuyne, G. (1998). sustitución óptima bajo intensidad variable de la utilización
y el progreso tecnológico. The Economist Engineering, 43 ( 2), 85-105 .
Chand, S., McClurg, T., & Ward, J. (2000). Un modelo para el reemplazo de máquina paralela
con la expansión de la capacidad. European Journal of Operational Research, 121 ( 3), 519-531 .
Chen, W., Sim, M., Sun, J., y Teo, CP (2010). De CVaR al conjunto de la incertidumbre:
Implicaciones en la optimización conjunta oportunidad limitados. La investigación de operaciones, 58 ( 2), 470 .
Couillard, J. (1993). Un sistema de soporte de decisiones para la planificación fl ota de vehículos. Decisión
Support Systems, 9 ( 2), 149-159 .
Debo, LG, Toktay, LB, y Van Wassenhove, LN (2005). La segmentación del mercado y
selección de la tecnología de productos para los productos remanufacturable. Gestión de la Ciencia, 51 ( 8),
1193-1205 .
Evans, M., Hastings, N., y el pavo real, B. (2000). distribuciones estadísticas. Hoboken, NJ:
Wiley-Interscience, pp. 102-105 .
Figliozzi, MA, Boudart, JA, y Feng, W. (2011). Económica y ambiental
optimización de flotas de vehículos: Un caso de estudio de los impactos de la política, el mercado, la utilización y
los factores tecnológicos. Transportation Research Record, 2252, 1-6 .
De la aleta, SDP, Van Nunen, J., & Van Wassenhove, LN (2005). cerrado la gestión
las cadenas de suministro de bucle. Saltador .
Fuller, WA (1976). Introducción a la estadística de series de tiempo. Nueva York: John Wiley .
Ghiani, G., Laporte, G., y Musmanno, R. (2004). Introducción a los sistemas de logística
planificación y control ( Vol. 13). Wiley .
Goh, J., Lim, KG, Sim, M., y Zhang, W. (2012). Cartera de valor en riesgo la optimización
para rendimientos de los activos asimétricamente distribuidos. European Journal of Operational Research, 221 ( 2),
397-406 .
Hartman, JC (1999). Un procedimiento general para la incorporación de la utilización de activos
decisiones en el análisis de reemplazo. The Economist Engineering, 44 ( 3), 217-238 .
Hartman, JC (2000). El problema de reemplazo paralelo con la demanda y el capital
las limitaciones presupuestarias. Investigación Naval de Logística (NRL), 47 ( 1), 40-56 .
Hartman, JC (2001). Un modelo de sustitución de activos económica con probabilístico
utilización. Transacciones IIE, 33 ( 9), 717-727 .
Hartman, JC (2004). análisis sustitución de activos múltiple bajo utilización variable de
y la demanda estocástica. European Journal of Operational Research, 159 ( 1), 145-165 .
Hartman, JC, y Lohmann, JR (1997). Múltiples opciones en reemplazo paralelo
Análisis: comprar, arrendar o reconstruir. The Economist Engineering, 42 ( 3), 223-247 .
Hartman, JC, y Murphy, A. (2006). análisis reemplazo de equipo Finite-horizonte.
Transacciones IIE, 38 ( 5), 409-419 .
Hoyland, K., Kaut, M., y Wallace, S. (2003). Una heurística para momento de coincidencia
generación de escenarios. Optimización Computacional y Aplicaciones, 23, 169-185 .
Hritonenko, N., y Yatsenko, Y. (2012). reemplazo de flota bajo tecnológica
choques. Anales de la Investigación de Operaciones, 1-21 .
Jones, PC, Zydiak, JL, y Hopp, WJ (1991). reemplazo de máquina paralela. Naval
Investigación Logística (NRL), 38 ( 3), 351-365 .
Karabakal, N., James, C., y Lohmann, JR (2000). Resolver problemas de gran reemplazo
problemas con las limitaciones presupuestarias. The Economist Engineering, 45 ( 4), 290-308 .
Karabakal, N., Lohmann, JR, y Bean, JC (1994). reemplazo paralelo bajo el capital
restricciones de racionamiento. Gestión de la Ciencia, 305-319 .
Keles, P., y Hartman, J. (2004). Estudio de caso: Bus fl ota de reemplazo. la Ingeniería
The Economist, 49 ( 3), 253-278 .
Kleindorfer, PR, Singhal, K., y Wassenhove, LN (2005). operaciones sostenibles
administración. Producción y gestión de operaciones, 14 ( 4), 482-492 .
Landry, M., Malouin, JL, y Oral, M. (1983). La validación del modelo en la investigación de operaciones.
European Journal of Operational Research, 14 ( 3), 207-220 .
Landry, M., y Oral, M. (1993). En busca de una visión válida de validación del modelo de
la investigación de operaciones. European Journal of Operational Research, 66 ( 2), 161-167 .
Lau, HC, Sim, M., y Teo, KM (2003). Vehículo de enrutamiento problemwith ventanas de tiempo
y un número limitado de vehículos. European Journal of Operational Research, 148 ( 3), 559-569 .
Ley, AM, y Kelton, WD (1991). Los modelos de simulación y el análisis ( Segunda ed.).
McGraw-Hill .
Lütkepohl, H. (1991). Introducción al análisis de múltiples series de tiempo. Berlín: Springer
Verlag .
Oakford, RV, Lohmann, J. r., Y Salazar, A. (1984). Una economía dinámica de reemplazo
modelo de decisión. Transacciones IIE, 16 ( 1), 65-72 .
Quaranta, AG, y Zaffaroni, A. (2008). optimización robusta de valor condicional en
riesgos y selección de la cartera. Diario de Banca y Finanzas, 32 ( 10), 2046-2056 .
Rockafellar, RT, y Uryasev, S. (2000). Optimización de valor en riesgo condicional.
Diario de Riesgo, 2, 21-42 .
712 AH Ansaripoor et al. / European Journal of Operational Research 237 (2014) 701-712

Rockafellar, RT, y Uryasev, S. (2002). valor en riesgo condicional para pérdida general
distribuciones. Diario de Banca y Finanzas, 26 ( 7), 1443-1471 .
Ruiz, R., Maroto, C., y Alcaraz, J. (2004). Un sistema de soporte de decisiones para un vehículo real,
problema de enrutamiento. European Journal of Operational Research, 153 ( 3), 593-606 .
Savaskan, RC, Bhattacharya, S., & Van Wassenhove, LN (2004). Bucle cerrado
modelos de cadena de suministro con refabricación producto. Gestión de la Ciencia, 50 ( 2), 239-252 .
Schwarz, GE (1978). Estimación de la dimensión de un modelo. Anales de Estadística, 6 ( 2), 461-464 .
Sharma, M., Ammons, JC, y Hartman, JC (2007). La gestión de activos con marcha atrás
producto de los flujos y las consideraciones ambientales. Las computadoras y la investigación de operaciones, 34 ( 2),
464-486 .
Simms, BW, Lamarre, BG, Jardine, AKS, y Boudreau, A. (1984). Comprar óptima,
operar y vender pólizas de flotas de vehículos. European Journal of Operational Research, 15 ( 2), 183-195 .
Comisión Mundial sobre Medio Ambiente y Desarrollo (WCED) (1987). nuestro común
futuro. Oxford: Oxford University Press (Pág. 43) .