Machine Translated by Google

Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Listas de contenidos disponibles en ScienceDirect

Ciencias de la Planificación Socioeconómica

página de inicio de la revista: www.elsevier.com/locate/seps

Un modelo de toma de decisiones de grupo difuso para medir la resiliencia en una cadena de
suministro de alimentos: un estudio de caso en España

Morteza Yazdani a , Ali Ebadi Torkayesh, b,*

Prasenjit Chatterjee
C
, Alireza Fallahpour d ,
María José Montero-Simo Rafael
y
, A. Araque-Padilla y
, Kuan Yew Wong d
a ´
Universidad Aut´ onoma de Madrid, Calle Francisco Tomas y Valiente 5, 28049, Madrid, Spain
b
Escuela de Negocios y Economía, RWTH Aachen University, 52072, Aachen, Alemania
C
Departamento de Ingeniería Mecánica, Instituto de Ingeniería MCKV, Howrah, 711204, Bengala Occidental, India
d
Escuela de Ingeniería Mecánica, Universiti Teknologi Malaysia, 81310, Skudai, Malasia
y
Universidad Loyola Andalucía, Management Department, Campus Cordoba, Spain

INFORMACIÓN DEL ARTÍCULO RESUMEN

Palabras clave: El concepto de gestión de la cadena de suministro (SCM) se ha transformado y evolucionado más allá de la simple racionalidad de los
Cadena de suministro de alimentos puntos de vista económicos y de beneficios. Con los requisitos sociales cambiantes en términos de la economía global basada en el
Resistencia riesgo, los SCM deben ser resistentes y flexibles para manejar el riesgo y responder rápidamente a las interrupciones. Una cadena de
Lógica difusa suministro de alimentos (FSC, por sus siglas en inglés) es una red de cadena de suministro global crítica debido a su papel crucial para
BWM
satisfacer la creciente demanda de productos comestibles por parte de los consumidores. Cualquier interrupción y riesgo en la gestión
MARCOS
FSC (FSCM) puede tener consecuencias irrecuperables y costosas; por lo tanto, la resiliencia de los actores clave en la SCM alimentaria
es muy importante. En este sentido, este artículo desarrolla un modelo de toma de decisiones utilizando el mejor método (BWM) y la
medición difusa de alternativas y clasificación según la solución de compromiso (fuzzy MARCOS) para medir la resiliencia de los
jugadores clave en el FSCM con respecto a diferentes resiliencias. y factores de riesgo. Se realizan pruebas de análisis de sensibilidad
para examinar la fiabilidad del modelo. Se utiliza un estudio de caso del FSCM agrícola de la provincia de Andalucía de España para
investigar la viabilidad del modelo propuesto. Los resultados indican que los desastres naturales y las fallas en los sistemas de agua son
dos factores de riesgo importantes con los coeficientes de peso más altos, y se determinó que el inventario excesivo es el factor de riesgo
menos importante. Además, los supermercados y mayoristas están decididos a ser los actores más resistentes en la FSCM de Andalucía
Provincia de España.

1. Introducción
En la sociedad moderna actual con un inmenso antagonismo global, la complejidad
de SCM ha aumentado debido a muchos factores, como la eficiencia del sistema, el
tiempo de entrega, la tasa de deterioro y la incertidumbre de la demanda, que contribuyen
en gran medida a la falla de las cadenas de suministro (CS) durante la entrega del
producto. proceso a los lugares o mercados determinados. Las interrupciones en la vida
real, que en su mayoría son series de eventos desconocidos e imprevistos, son otros
factores importantes que pueden ocurrir en diferentes partes de las redes SC y afectan
notablemente el proceso de trabajo de un sistema [1,2]. Un ejemplo bien conocido de
tales interrupciones es el problema de la resiliencia SC (SCR) durante el brote de
COVID-19. Tales interrupciones afectaron diferentes aspectos de los procesos de SC
debido a las limitaciones del transporte.
instalaciones, las limitaciones del movimiento de la mano de obra, los aumentos en la
demanda de productos, los cambios en los patrones de consumo y las presiones
financieras [3]. Por lo tanto, es inevitable que los gobiernos adopten políticas adecuadas
para mejorar la SCR y aliviar los efectos indeseables de tales brotes pandémicos [4].
Debido a la consideración de demasiadas interrupciones y riesgos en la vida real que
pueden amenazar las operaciones y funciones eficientes de los SC para mantenerse
competitivos en los mercados, las organizaciones han comenzado a adoptar tecnologías
para desarrollar sus políticas y estrategias de SC con más resiliencia.
Las organizaciones con SCM multifacético no tienen estrategias adecuadas para manejar
tales crisis [5]. Las empresas y las industrias invierten cantidades notables de recursos
financieros en el desarrollo de SC resistentes para seguir funcionando de manera
eficiente cuando se enfrentan a interrupciones, riesgos y fluctuaciones económicas,
ambientales y sociales [6,7]. En otras palabras,

* Autor correspondiente.
Direcciones de correo electrónico: morteza.yazdani@uam.es (M. Yazdani), ali.torkayesh@socecon.rwth-aachen.de (AE Torkayesh), prasenjit2007@gmail.com (P. Chatterjee), fallahpour.a@gmail.com
(A. Fallahpour), jmontero@uloyola.es (MJ Montero-Simo), raraque@uloyola.es (RA Araque-Padilla), wongky@mail.fkm.utm.my (KY Wong).

https://doi.org/10.1016/j.seps.2022.101257 Recibido el
22 de septiembre de 2021; Recibido en forma revisada el 25 de enero de 2022; Aceptado el 1 de febrero de 2022 Disponible
en Internet el 25 de febrero de 2022
0038-0121/© 2022 Elsevier Ltd. Todos los derechos reservados.
Machine Translated by Google
M. Yazdani et al.
las empresas tienen como objetivo desarrollar planes, estrategias y herramientas que les permitan
actuar contra interrupciones y riesgos imprevistos y recuperar sus capacidades de SC después de
que ocurran las interrupciones. La acción adecuada contra las interrupciones y el proceso de
recuperación después de la ocurrencia de las interrupciones se basa en la selección de los recursos
adecuados y necesarios teniendo en cuenta los factores de riesgo y las características naturales de
los productos [8–10].
Un FSC es una red global importante y vital de SC que opera para entregar productos agrícolas
y comestibles de los agricultores a los consumidores finales a través de diferentes intermediarios y
procesos. Los FSC esencialmente contienen una amplia variedad de organizaciones en diferentes
mercados para entregar una variedad de alimentos. Las FSC se ven muy afectadas por las
características naturales de los productos; mercados; los gustos de los consumidores y las crisis
ambientales, sociales y económicas. Los productos alimenticios empeoran principalmente debido a
la contaminación cruzada, demasiado transporte, prácticas de mantenimiento inadecuadas y
mecanismos de control de temperatura inadecuados. Las pérdidas de transmisión innecesarias
aumentan los costos y comprometen la seguridad y la cantidad de productos en un FSC [11]. Los
actores clave en las FSC son importantes debido a la perecebilidad de los productos alimenticios;
por lo tanto, cualquier pequeño y menor cambio negativo o falla en cualquiera de los jugadores clave
puede tener consecuencias negativas [12]. La implementación de FSC considerando la resiliencia y
los factores de riesgo se ha vuelto muy importante para los gerentes de la industria alimentaria. Leat
y Revoredo-Giha [13] destacaron cuatro características que necesita un sistema alimentario:
resiliencia, sostenibilidad, competitividad y satisfacción del cliente. Este asunto se abordaría e
incorporaría en la estrategia a largo plazo de un productor de alimentos. Otro problema en una
cadena de suministro de alimentos es que los gobiernos, los formuladores de políticas y los
empresarios están preocupados por el riesgo, la seguridad y las crisis (guerra, pandemia, terrorismo
y pobreza) que son responsabilidades enormes para ellos. En general, el término resiliencia de una
cadena de suministro es un componente importante de la prosperidad empresarial e implica
aprovechar su sostenibilidad, especialmente en la industria alimentaria [14]. Una cadena de
suministro resiliente en el sector alimentario brinda plataformas para el desarrollo socioeconómico y
enfatiza la reducción de riesgos y el desarrollo de relaciones entre productores y consumidores.
Durante la interrupción, los consumidores deben reconocer la confiabilidad de la calidad, la seguridad,
la producción, el empaque, la higiene y otros estándares de adquisición cuando compran un producto
[15].
Las FSC resilientes empoderarían a las empresas para que desarrollen sus planes y estrategias en
función de eventos y disrupciones futuros posibles pero imprevistos a fin de estar preparadas para
desarrollar estrategias sólidas contra tales problemas y recuperarse de inmediato para evitar perder
oportunidades de mercado. Antes de diseñar FSC resilientes, las organizaciones de la industria
alimentaria deben estudiar, identificar, evaluar y determinar la importancia de los factores de riesgo
más importantes que contribuyen a la ocurrencia de interrupciones a través de diferentes niveles de
SC [16,17].
Los métodos de toma de decisiones multicriterio (MCDM) están diseñados para abordar
problemas complicados en los que se debe evaluar el número de alternativas con respecto a varios
criterios [18,19]. Debido a la alta eficiencia y confiabilidad de los métodos de MCDM en problemas
de la vida real, los investigadores han implementado diferentes versiones de métodos de MCDM en
varias aplicaciones de la vida real, como la gestión de la cadena de suministro [14,20], la gestión de
tecnología [21], la salud . gestión del cuidado [22,23], gestión de la energía [24] y sostenibilidad
social [25]. Los métodos MCDM permiten a los encargados de la toma de decisiones y a los gerentes
reflejar fácilmente la incertidumbre de los parámetros de toma de decisiones y las opiniones de los
expertos utilizando lógica difusa, números de intervalo gris y números aproximados [26].
A pesar de las ventajas de los métodos MCDM, como se discutió anteriormente, existen estudios
relevantes muy limitados sobre la cuantificación y evaluación de la resiliencia en un FSC, y estos
estudios no se enfocan específicamente en el uso de modelos de análisis de decisiones para mejorar
la resiliencia de un FSC. . Debido a la alta complejidad del comercio global y las interrupciones
desconocidas e imprevistas en casos de la vida real, los tomadores de decisiones (DM) deben estar
dispuestos a evaluar la resiliencia de sus redes SC correspondientes frente a posibles factores de
riesgo. Un FSC resiliente ayuda a las organizaciones a desarrollar capacidades para rediseñar,
recuperar y controlar las turbulencias e interrupciones en la inocuidad de los alimentos de una
manera más eficaz. Para cerrar esta brecha de investigación, el documento actual tiene como
objetivo proporcionar un enfoque de solución claro para resiliencia.
2
Ciencias de la Planificación Socioeconómica 82 (2022) 101257
FSC al proporcionar un modelo de análisis de decisiones para evaluar, cuantificar y mejorar el
desempeño de FSC resilientes al identificar los factores de riesgo potenciales y los actores clave.
Este documento desarrolla un modelo integrado de toma de decisiones grupales basado en el
método jerárquico de lo mejor y lo peor (BWM) y la medición de alternativas y clasificación de
acuerdo con la solución de compromiso (MARCOS) para evaluar la resiliencia de los actores clave
en los FSC bajo interrupciones con respecto a varios factores de riesgo.
La motivación para utilizar el BWM se basa en sus características que requieren comparaciones por
pares más bajas en comparación con otros métodos tradicionales, como el proceso de jerarquía
analítica (AHP); y generar resultados con un mayor índice de consistencia. De la misma manera, el
método MARCOS es un método de clasificación desarrollado recientemente que se basa en
funciones de utilidad y genera resultados más confiables que los métodos de clasificación
tradicionales de MCDM. El método MARCOS se implementa en un entorno incierto utilizando
números triangulares borrosos para incorporar la vaguedad y las incertidumbres de las opiniones de
los expertos sobre la evaluación de los actores clave en un FSC. Existen varios enfoques para
superar la incertidumbre, como el uso de modelos probabilísticos y de riesgo, teorías grises,
conjuntos aproximados, simulaciones y herramientas informáticas integradas. Dado que todas estas
pueden ser soluciones potenciales, cabe señalar que en un entorno de toma de decisiones bajo
múltiples variables (nuestro estudio), los conjuntos borrosos pueden ofrecer soluciones más fiables.
Además, con el conocimiento existente sobre cómo extender los métodos MCDM con valores difusos,
los investigadores pueden aplicar y utilizar estos métodos de manera mucho más conveniente. Por
ejemplo, Mohamadghasemi et al. [27] indicaron que los conjuntos borrosos nos ofrecen varias
posibilidades y flexibilidad para alcanzar soluciones óptimas en aplicaciones muy diferentes y
permiten que otros investigadores las comparen y modelen con menos esfuerzo; por lo tanto, esto
atrae a los científicos a utilizar sistemas de evaluación con variables complejas utilizando herramientas
difusas. Para mostrar la aplicabilidad y viabilidad del enfoque de toma de decisiones propuesto en
las FSC, se considera para la investigación un estudio de caso de la vida real de Andalucía en
España.
En el primer paso, se utiliza el método BWM para determinar la importancia de los factores de riesgo
de SC en un entorno de toma de decisiones grupal. En el siguiente paso, se aplica el método difuso
MARCOS para evaluar los actores clave en un FSC de Andalucía y priorizarlos según los factores
de riesgo.
El resto del documento está organizado de la siguiente manera. En la Sección 2 se presenta
una revisión exhaustiva de la literatura sobre las aplicaciones de los modelos de toma de decisiones
a las cadenas de suministro resilientes. La Sección 3 presenta el enfoque de toma de decisiones
propuesto. En la Sección 4 se brindan detalles sobre el estudio de caso y los factores de riesgo de
la cadena de suministro. La Sección 5 ilustra los resultados del enfoque de toma de decisiones
propuesto, el análisis de sensibilidad y las discusiones. Finalmente, concluimos en la Sección 6.
2. Revisión de la literatura
Esta sección presenta una revisión exhaustiva de la literatura sobre SCM resistente, FSCM,
FSC resistentes y la aplicación de métodos de toma de decisiones a diferentes problemas de SC. El
objetivo principal de esta sección es presentar un trasfondo completo para SCM a través de un
marco de revisión de literatura para facilitar el proceso de desarrollo de un sistema SC resiliente en
la industria alimentaria.
2.1. Cadena de suministro resistente
SCM consta de una serie de funciones y operaciones, como la fabricación, la planificación de la
demanda, la distribución y el marketing, que se utilizan para gestionar el flujo de productos y servicios
desde el proveedor hasta los fabricantes, distribuidores y el cliente final [2]. Las redes SC incluyen
una parte notable de las operaciones comerciales globales, lo que les otorga un papel crítico y crucial
en el desempeño comercial de todas las empresas.
Por lo tanto, los investigadores han estudiado ampliamente los problemas de SC con diferentes
enfoques [1]. La gran importancia de los SC y sus operaciones relacionadas ha dado lugar a nuevos
conceptos debido al peligro de las interrupciones naturales o provocadas por el hombre que pueden
ocurrir durante cada proceso. La resiliencia es un concepto relativamente nuevo que se ha integrado
dentro de los marcos tradicionales de SC para abordar los problemas que pueden ocurrir durante las
interrupciones. SCR tiene
Machine Translated by Google
M. Yazdani et al.
Tabla 1
Factores de riesgo de SC.
Factores de riesgo subfactores
Nivel macro 1. Desastre natural 2.
riesgos Enfermedades 3. Gobierno
regulación 4. Huelgas
laborales 5. Conflictos
políticos 6. Ataques
terroristas 7. Falla en el sistema
de agua
Riesgos 1. Demanda volátil 2.
operativos Cambios en los gustos
de los clientes, 3. Riesgo de
calidad del suministro, 4. Retraso en
la entrega del proveedor, 5.
Desglose de
producción y
fabricación, 6.
Falla de transporte y
logística, 7.
Riesgo ambiental
Riesgos internos 1. Riesgo de operaciones
internas 2. Inventario
excesivo 3. Riesgo de
sistemas y TI 4.
Fallos de comunicación con un
proveedor y quiebra de un
proveedor, 5. Proveedores de
respaldo
convertirse en un campo importante y crítico estudiado por los investigadores
debido a la alta probabilidad de interrupciones. Los investigadores han propuesto
diferentes definiciones de resiliencia en una cadena de suministro [28]. Gaonkar y
Viswa nadham [29] definieron SCR como la capacidad de mantener, reanudar y
restaurar las operaciones después de una interrupción. Kamalahmadi y Parast [28]
también notaron la capacidad de adaptación de un SC para reducir la probabilidad de enfrentar
Ciencias de la Planificación Socioeconómica 82 (2022) 101257
Tabla 2
Soluciones para SCR.
Definiciones Referencias Método Solicitud Referencia
1. Los riesgos de desastres [16,28, MIP fuzzy multiobjetivo planificación SC Mitra et al. [39]
naturales incluyen pérdida de 30–37] Modelo de simulación Diseño de red SC Carvalho et al.
energía e inundaciones; 2. [40]
Enfermedades como la gripe Laboratorio de ensayo y evaluación de Evaluación de indicadores Torabi et al. [41]
aviar; 3. Cambios en las normas toma de decisiones difusas SCR
de seguridad alimentaria; 4. Una (DEMATEL) y proceso analítico
huelga de camioneros; 5. de red (ANP)
Conflictos políticos y sanciones Despliegue de la función de calidad Selección de proveedores Haldar et al.
entre gobiernos; 6. (QFD), AHP y técnica de orden de resilientes [42]
Ataques terroristas que preferencia por similitud a solución ideal
pueden interrumpir las operaciones (TOPSIS)
de la cadena de suministro; 7. Modelo de optimización matemática Asignación de costos Wang et al. [43]
Falla en sistemas de agua para fincas. BNM Propagación de riesgos en la Garvey et al.
1. La incertidumbre y la red de suministro [44]
volatilidad de la demanda Análisis relacional gris (GRA), Selección resiliente de Rajesh y Ravi [45]
pueden generar información AHP y ANP proveedores en electrónica
engañosa sobre la demanda fabricación
que, a su vez, podría causar un Fuzzy AHP y TOPSIS Identificación de conductores Kabra y
efecto de látigo; 2. Cambios en y barreras Ramesh [46]
el gusto del cliente, especialmente MIP estocástico multiobjetivo Evaluación del Dixit et al. [47]
en productos alimenticios; 3. rendimiento del SCR
Mala calidad de los productos FREGAR Asignación de capital para Mizgier et al. [48]
suministrados; 4. La imposibilidad el desarrollo de proveedores
de entregar los alimentos a BWM Evaluación del riesgo de SC Mohaghar et al. [49]
tiempo causa muchos problemas, factores
especialmente debido a la BNM Mitigación del riesgo de la Qazi et al. [50]
caducidad de los alimentos red de suministro
frescos; 5. Cantidad de avería Modelo de simulación Diseño de red SC Ivánov [33]
por día, su probabilidad y su Fuzzy AHP y TOPSIS Selección de proveedores Mohamed et al.
intensidad; 6. Retrasos, resilientes (2018)
accidentes, daños y averías del PMI Enrutamiento de ubicación Elluru et al.
sistema de transporte; 7. Riesgo humanitaria [51]
´
de incumplimiento de las normas Mapas cognitivos borrosos híbridos SCR de la ubicación de López y
ambientales en el procesamiento (FCM) y AHP subcontratación en el extranjero Ishizaka [52]
o conservación de alimentos. Fuzzy DEMATEL y AHP Evaluación de riesgos SC Mzougui et al. [53]
perturbaciones repentinas, resistir la propagación de perturbaciones manteniendo
1. Las interrupciones el control sobre las estructuras y funciones, y recuperarse y responder utilizando
en los activos internos,
planes reactivos inmediatos y efectivos para trascender la perturbación y restaurar
la confiabilidad de las
comunicaciones y las el SC a un sólido estado de operaciones. Para más información, consultar el SCR
infraestructuras de apoyo anterior [28].
pueden causar problemas en la SCM resiliente persigue varios objetivos importantes, el más importante de los
calidad de los alimentos; 2. Un
cuales es la identificación de posibles fuentes de riesgo de interrupción con respecto
inventario excesivo debido a
a la naturaleza de los productos y las operaciones de SC. Identificar los factores de
una planificación inadecuada
podría dar lugar a productos no riesgo potenciales beneficiaría a los gerentes y tomadores de decisiones (DM) en
vendidos y caducados; 3. las organizaciones al preparar los planes y políticas requeridos para las posibles
desconexiones de TI e
interrupciones que puedan ocurrir. La Tabla 1 presenta una lista completa de los
infraestructura, redes, ERP y factores y subfactores de riesgo que se consideran en la mayoría de los estudios
fallas de intranet; 4.
recientes en la literatura SCR con sus correspondientes definiciones. Estos factores
Las fallas de comunicación con se clasifican en tres grupos principales: riesgos de nivel macro, riesgos operativos
el proveedor pueden dar lugar y riesgos internos. Cada categoría consta de varios subfactores. El objetivo principal
a retrasos en los pagos.
de utilizar los factores de riesgo mencionados en SCR es identificar y abordar áreas
Además, los proveedores
potenciales que están expuestas a fallas durante una interrupción. Los gerentes y
pueden fallar debido a varios
problemas, incluida la DM pueden utilizar los factores de riesgo identificados para proponer estrategias y
bancarrota; 5. Si una empresa recomendaciones para minimizar los costos causados por una interrupción y
tiene proveedores de respaldo maximizar el proceso de recuperación después de una interrupción.
para situaciones en las que un
Como se mencionó anteriormente, el desarrollo de métodos de toma de
proveedor actual no puede
suministrar un producto.
decisiones adecuados y precisos es un paso crucial y crítico en la RCS. Modelos
matemáticos como la programación lineal (LP), la programación entera mixta (MIP),
la programación multiobjetivo (MOP), la programación dinámica (DP), la
programación por objetivos (GP), el modelado de redes bayesianas (BNM), los
procesos de cadena de Markov ( MCP) y MCDM se encuentran entre los modelos
ampliamente aplicados que se utilizan para abordar diferentes tipos de problemas
de SCR [38]. La Tabla 2 presenta una breve revisión de las soluciones para los
problemas de SCR.
3
Machine Translated by Google
M. Yazdani et al.
2.2. Resiliencia en la gestión de la cadena de suministro de alimentos
Una de las aplicaciones importantes de las operaciones SC son los productos perecederos como
los alimentos. Un FSC se define como una serie de operaciones desde fincas de producción hasta
fabricantes y centros de distribución que entregan productos agrícolas a los clientes finales (Allaoui et
al., 2018). En otras palabras, un FSC incluye una serie de operaciones que tienen posiciones importantes
en las redes globales de SC porque los productos alimenticios se cuentan como la principal demanda
de los seres humanos. Los FSC no solo tienen como objetivo satisfacer las demandas de alimentos de
los seres humanos, sino que también se cuentan como una industria potencial para la creación de
empleo, el crecimiento económico, los efectos ambientales y los efectos sociales (Govindan 2018). El
sector alimentario mundial siempre aborda los requisitos fundamentales (seguridad, calidad e higiene)
de la sociedad y varios desafíos, como la crisis de COVID-19, cuando el sistema básico de suministro
de alimentos en muchos países en desarrollo carece de operadores, fallan los sistemas operativos,
logística y el transporte se restringe y la producción se descompone [54]. Además, los suministros de
alimentos locales y provinciales han contribuido considerablemente a la seguridad alimentaria, la
demanda de trazabilidad adicional, el aumento de la pobreza alimentaria y las complicaciones políticas
y ambientales en las cadenas de suministro mundiales. Una vez que los agricultores, los agentes
cooperativos, los minoristas, los distribuidores y los propietarios logísticos interactúen de manera
efectiva para ofrecer productos de mayor calidad (o mejores precios), reducir los riesgos y establecer la
excelencia práctica y operativa, tales FSC pueden apoyar a las comunidades rurales y lograr un sistema
más sostenible [ 55]. Por lo tanto, las operaciones y funciones de las FSC son muy importantes y deben
abordarse cuidadosamente para maximizar la satisfacción de los clientes y las ganancias de las
empresas de alimentos.
Como un tipo de red de SC importante y crítica en el mundo, los FSC se han enfrentado a muchos
desafíos y son muy sensibles a las vulnerabilidades y riesgos naturales o provocados por el hombre.
Para reducir las pérdidas, los daños y la vulnerabilidad, la SCR ha sido una de las áreas de interés a
considerar por los FSC. En el primer paso, el FSCR tiene como objetivo estudiar las operaciones de SC
e identificar los posibles factores de riesgo que pueden tener un efecto negativo en el desempeño del
FSC. FSCR incluye riesgos generales que se describen en la Tabla 1 y algunos riesgos específicos que
pueden ocurrir solo en FSC, que se describen a continuación.
2.3. Aplicaciones de los métodos de toma de decisiones en SCR
Los métodos MCDM se encuentran entre los enfoques de solución ampliamente desarrollados
para mejorar la capacidad de toma de decisiones de los DM en organizaciones que abordan los riesgos
y la resiliencia en las redes de la cadena de suministro.
Los métodos MCDM se aplican a los problemas de SCR de dos maneras. Para determinar la importancia
de los factores de riesgo se utilizan métodos MCDM como el BWM, el análisis de la relación de
evaluación del peso paso a paso (SWARA), AHP, DEMATEL, la entropía y la importancia de los criterios
a través de la correlación entre criterios (CRITIC) [56]. Además, los métodos de clasificación como la
evaluación basada en la distancia desde la solución promedio (EDAS), la solución de compromiso
combinado (CoCoSo), la evaluación del producto de suma agregada ponderada (WASPAS), TOPSIS,
MARCOS y otros pueden usarse para priorizar las alternativas en un MCDM. problema con los factores
de riesgo y resiliencia [22,57,58].
Haldar et al. [42] construyó un marco de toma de decisiones utilizando QFD, AHP y TOPSIS para
el problema de selección de proveedores resilientes. Se utilizaron los métodos AHP y QFD para
identificar la importancia de los factores de decisión y las relaciones entre los factores de decisión.
TOPSIS se utilizó para priorizar a los proveedores con respecto a los factores de decisión definidos.
Datta y Mahapatra [59] propusieron un método TOPSIS de base difusa para el problema de selección
de proveedores resilientes. Rajesh y Ravi [45] desarrollaron un modelo de análisis racional gris para el
problema de selección de proveedores resilientes en un estudio de caso real de fabricación electrónica.
Los resultados obtenidos se compararon con los de los métodos AHP y ANP para ilustrar la eficiencia
del modelo propuesto. Ramezankhani et al. [60] desarrolló un modelo de toma de decisiones utilizando
el despliegue de funciones de calidad y DEMA TEL para evaluar el desempeño de una cadena de
suministro en presencia de factores de riesgo. El modelo de toma de decisiones propuesto se aplica
para un
4
Ciencias de la Planificación Socioeconómica 82 (2022) 101257
industria automotriz para seleccionar los mejores y más efectivos factores de sustentabilidad y resiliencia.
Mohamed et al. (2018) integraron los métodos DEMA TEL, TOPSIS y eliminación et choix traduisant la
realit´e (ELECTRE) para el problema de selección de proveedores en una red de cadena de suministro
resiliente. Haghighi y Torabi [61] utilizaron métodos BWM y DEA basados en fortalezas, debilidades,
oportunidades y amenazas (FODA) para la evaluación de la sostenibilidad y la resiliencia de los sistemas
de información hospitalarios.
Khan et al. [62] utilizó el método AHP en un entorno confuso para evaluar y priorizar los riesgos en una
cadena de suministro de alimentos halal. Los hallazgos muestran que los factores de riesgo relacionados
con los proveedores, específicamente los del suministro de materias primas, son los factores de riesgo
más importantes en la cadena de suministro.
Mohamed et al. [6] desarrolló un enfoque híbrido de toma de decisiones utilizando métodos de
programación multiobjetivo, AHP y TOPSIS en un entorno difuso para un problema de red SCR verde.
Se utiliza el método fuzzy AHP para determinar la importancia de los factores de riesgo, y luego se
utiliza un modelo de optimización matemática con fuzzy TOPSIS para seleccionar la solución óptima.
Yazdani et al. [58] propusieron un modelo de toma de decisiones utilizando los métodos SWARA y
EDAS para la gestión de riesgos en un FSC considerando un contexto de economía circular. Realizan
un estudio de caso para un proyecto real en la UE para mostrar la aplicabilidad y viabilidad de la
metodología propuesta. Se utilizó el método SWARA para determinar la importancia de los impulsores
del riesgo de inundaciones y luego se utilizó el método EDAS para seleccionar la mejor alternativa de
ubicación de las zonas de cultivo. Gan et al. [63] integró los métodos BWM y TOPSIS en un entorno
difuso para abordar el problema de selección de proveedores en cadenas de suministro resilientes. Se
utilizaron BWM y TOPSIS para determinar la importancia de los factores de riesgo y resiliencia, y luego
se priorizaron los proveedores en consecuencia. Pamúcar et al. [64] desarrolló un modelo MCDM
neutrosófico para abordar el problema de la selección de proveedores resilientes utilizando el método
de comparación de área de aproximación de borde de múltiples atributos (MABAC). Los resultados
muestran que los modelos MCDM pueden empoderar a los DM y gerentes para abordar problemas
complicados y de múltiples aspectos. La implementación de conjuntos inciertos, como la teoría de
conjuntos borrosos y sus extensiones, los números grises de intervalo y la teoría de conjuntos
aproximados, puede aumentar la confiabilidad y solidez de los modelos de toma de decisiones.
2.4. Brecha de investigación, novedad y objetivos
Debido a la alta complejidad del comercio global y las interrupciones desconocidas e imprevistas
en casos de la vida real, los DM están dispuestos a evaluar la resiliencia de sus redes SC
correspondientes frente a posibles factores de riesgo. La idea de evaluar a los jugadores clave de SC
frente a varios factores de riesgo hace que este sea un problema de toma de decisiones complicado.
Por lo tanto, este artículo presenta un novedoso modelo MCDM difuso basado en los métodos BWM y
MARCOS difuso para identificar y priorizar la SCR en la industria alimentaria.
El método MARCOS se implementa en un entorno incierto a través de números triangulares borrosos
para permitir que los DM expresen sus opiniones y juicios de acuerdo con las incertidumbres de los
parámetros en casos de la vida real y para garantizar soluciones de decisión confiables para abordar la
resiliencia y los factores de riesgo en una red SC. . En la primera fase, se identificaron a partir de la
literatura los factores de resiliencia y riesgo más importantes y de uso frecuente para las redes de SC.
Luego, se determinaron los coeficientes de peso de cada factor utilizando el grupo BWM. En la segunda
fase, se identificaron los actores clave de las redes SC y se aplicó el método difuso MARCOS para
evaluarlos comparativamente y establecer un orden de clasificación de los actores clave para representar
qué actores clave se ven más afectados en función de la resiliencia y los factores de riesgo. Para
mostrar la aplicabilidad del modelo difuso de toma de decisiones propuesto en escenarios de la vida
real, se investiga un caso de estudio real del sector agroalimentario de la región de Andalucía en
España. Se invitó a siete expertos a participar en este estudio de caso para determinar la importancia
de la resiliencia y los factores de riesgo y evaluar a los actores clave en la SC de alimentos y agricultura.
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

revisión de Mi et al. [56].

Los pasos procesales del BWM se enumeran a continuación:

Paso 1 Una lista de criterios basada en opiniones de expertos y una literatura re

se deriva la vista.

Paso 2 Se identifican el mejor criterio y el peor criterio.

Paso 3 Se realizan comparaciones por pares de todos los criterios incluidos. Un DM(s) establece sus preferencias por el

mejor criterio en comparación con otros utilizando una escala del 1 al 9. El resultado de la comparación se usa

para construir un vector, etiquetado como el mejor vector para los demás: xB = (xB1,

xB2, …, xBn), donde xBj representa la preferencia por el mejor criterio frente al criterio j.

Paso 4 Los DM realizan una acción similar utilizando comparaciones por pares entre otros criterios y el peor criterio. Los

resultados se construyen como un vector, etiquetado como el vector del otro al peor: XW = (x1W, x2W, …,

xnW), donde xjW representa la preferencia por el criterio j en comparación con el peor criterio W y xww = (1, 1,

1).

Fig. 1. Representación de un TMF.

3. Metodología Paso 5 Los pesos óptimos de los criterios se determinan como (W* 1,W* 2, …,

y Wj
W* n). Por cada par de WB Wj WW, el peso óptimo tiene que cumplir
En esta sección se incorporan los métodos para la evaluación de los criterios de resiliencia y los elementos de la WB
Wj = aBj y Wj WW = ajW. Para satisfacer estas ecuaciones, la re
cadena de suministro. El BWM se utiliza para determinar los pesos de los factores y subfactores, y el método fuzzy
ÿ

WB
MARCOS se utiliza para identificar los mejores elementos SC en el sector alimentario según los objetivos del caso. buscadores minimizan las diferencias absolutas máximas de ÿ ÿ ÿ

Wj
ÿ

ÿ ÿ ÿ

Wj
ÿ

y aBj ÿ ÿ

para todos los criterios. Teniendo en cuenta las condiciones anteriores

ÿ ÿ
WW - ajW ÿ

ÿ ÿ ÿ

ciones, el modelo BWM se puede modelar en función de la característica de no negatividad y la suma de los
3.1. Números borrosos triangulares
pesos.

Un tipo importante de modelo borroso es un conjunto borroso triangular, que considera la vaguedad y la incertidumbre WB ÿ ÿ

Wj ÿ

ÿ ÿ ÿ

- aBj - ajW
en los datos/información recopilados; y se utilizan diferentes funciones de pertenencia (MF) para cuantificar las minmaxj {ÿ ÿ
ÿ

ÿ
Wj
ÿ

ÿ,
ÿ

ÿ
WW ÿ

ÿ }

incertidumbres asociadas. Una función de pertenencia triangular se especifica mediante tres parámetros {G, S, T}, donde st :
G, S y T representan las coordenadas x de los tres vértices de ÿAÿ (x) en un conjunto borroso A, como se muestra en la (2)

Fig. 1, basado en Zadeh [65]. En esta figura, el parámetro G representa el límite inferior; T representa el límite superior, ÿ Wj = 1
j
donde el grado de pertenencia es cero; y el parámetro S representa el centro, donde el grado de pertenencia es 1.

Wj ÿ 0 para todo j

El modelo inicial se puede reformular como

mín x

ÿ x-g st :
GRAMO ÿ X ÿ S
S - G, ÿ
WB ÿ

ÿ ÿ

T-x (1) - aBj ÿÿ , para todos j

µAÿ (x) = ÿ

Wj
ÿ

ÿÿÿÿÿÿ
, SÿXÿT ÿ ÿ

TÿS
(3)
0 , de lo contrario
ÿ

ÿ
Wj ÿ

ÿÿÿÿÿÿ

- ajW ÿ ÿforallj
ÿ

ÿ
WW ÿ

3.2. BWM ÿ Wj = 1
j

Rezaei [66] desarrolló el BWM basado en comparaciones por pares para determinar el peso de los factores de Wj ÿ 0 para todos j

decisión para problemas de MCDM. Más tarde, Guo y Zhao [67] propusieron una nueva forma del modelo BWM basado en
EN*
Resolviendo el problema (3), obtenemos los coeficientes de peso como (W* 1, 2,
términos lingüísticos triangulares borrosos para empoderar a los tomadores de decisiones para incluir la incertidumbre en
…, W* n) y ÿ* . Posteriormente, se calculó el índice de consistencia en base a la
los parámetros del problema y sus propias opiniones usando términos inciertos. Mou et al. [68] desarrolló una forma

extendida del modelo BWM basada en relaciones de preferencia multiplicativas difusas intuitivas utilizando varios modelos índice de consistencia (Cuadro 3) y ÿ* .

de programación máximo-mínimo para determinar el peso de los criterios en un entorno incierto. Torkayesh et al. [69]

sugirió una nueva extensión del BWM bajo un entorno de estratificación para considerar los impactos de fenómenos futuros 3.3. MARCOS borrosos

dentro del proceso de toma de decisiones. Se remite a los lectores interesados en el modelo BWM a una literatura

Stevi´c et al. [22] desarrollaron el método MARCOS como un nuevo método de evaluación y clasificación. Por

primera vez, Stankovi´c et al. [70] propusieron una extensión difusa del método MARCOS. Usando el método difuso

MARCOS, los DM están facultados para reflejar sus opiniones usando un

Tabla 3
Índice de consistencia para BWM.

aBW 1 2 3 4 5 6 7 8 9

ALLÁ 0.00 0.44 1.00 1.63 2.30 3.00 3.73 4.47 5.23

5
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

mejor rango debido a la incertidumbre de los parámetros. En otro problema dentro de la

donde ÿSi indica la suma difusa de la matriz ponderada para cada
industria de la logística y el transporte, Stevi´c y Brkovi´c (2020) utilizaron el método
alternativa i.
MARCOS con el método de consistencia total para evaluar los departamentos de recursos
humanos. Badi y Pamucar [71] integraron el método MARCOS con un sistema de
Paso 6 El grado de utilidad de cada alternativa se calcula utilizando las siguientes ecuaciones.
ponderación basado en grises para seleccionar al mejor proveedor de la industria siderúrgica.
ÿali´c et al. [72] aplicaron el método MARCOS para el análisis de decisiones estratégicas en
el sector del transporte. Boral y Chakraborty [73] desarrollaron un enfoque novedoso para la si
Kÿi ÿ = (10)
toma de decisiones basado en DEMATEL y MARCOS utilizando conjuntos difusos tipo 2 de ÿSaai
intervalo para el análisis de fallas de máquinas CNC. Celik y Gul [74] integraron BWM y
MARCOS en conjuntos difusos tipo 2 de intervalo para identificar y evaluar los riesgos para si
la seguridad en la construcción de presas. Ecer y Pamucar [75] utilizaron el método Kÿi + = (11)
ÿSai
MARCOS en un entorno intuicionista difuso para clasificar las compañías de seguros.
Torkayesh et al. [76] integró BWM y MARCOS para evaluar la contaminación atmosférica
de los principales contaminantes atmosféricos en 22 países europeos. Büyükozkan et al.
[77] combinó los métodos AHP, SWOT y MARCOS para analizar las estrategias de Paso 7 En este paso, la función de utilidad se calcula en base a las soluciones anti-ideal e
¨
transformación digital en la industria de las aerolíneas. idea de la siguiente manera.

Ki +
F(Ki ÿ ) = (12)
El método MARCOS se implementa en base a los siguientes pasos. Kÿi + + Kÿi ÿ

Paso 1 Se construye la matriz de decisión difusa inicial para un problema MCDM con m Kÿi ÿ
F(Kÿi + ) = (13)
alternativas y n criterios. Kÿi + + Kÿi ÿ

x11 x12 . x1n

ÿ x21 x2n ÿ donde F(Kÿi ÿ ) y F(Kÿi + ) representan las funciones de utilidad para cada alternativa
ÿ ÿ

Xÿ = ÿ
. ÿ . ÿ
basada en soluciones anti-ideal e idea, respectivamente.
ÿ ÿ

ÿ
. . ÿ

ÿ xm1 xmn_ _ ÿ Paso 8 Se calcula la función de utilidad final de cada alternativa en base a
en la siguiente ecuación.

Kÿi + + Kÿi ÿ
F(Ki) = (14)
1ÿ F( ÿ Ki + ) 1ÿ F( ÿ Ki ÿ )
Paso 2 La matriz de decisión difusa inicial se amplía añadiendo soluciones de idea difusa 1++
F( ÿ Ki + ) F( ÿ Ki ÿ )
(AI) y anti-idea difusa (AAI). Estos valores borrosos se determinan en base a las
siguientes ecuaciones.
ÿ
donde F(Kÿi) es el valor final de la función de utilidad para cada alternativa.
CIUDAD (4)
= mini ÿxij si jÿ B, maxi ÿxij si j ÿ C
Paso 9 Para determinar el orden de clasificación de las alternativas, defuzzifica

(5) ción se realiza en base a la siguiente ecuación:

Aÿ = maxi ÿxij si j ÿB, mini ÿxij si j ÿ C
l + 4m + tu
Defusificación = (15)
donde B denota el criterio de beneficio y C denota el criterio de costo. 6

Paso 3 La matriz de decisión inicial construida se normaliza en función de la naturaleza de 4. Estudio de caso
los criterios utilizando las siguientes ecuaciones:
Para mostrar la aplicabilidad del modelo de toma de decisiones propuesto, se considera
ÿnij
=xai si j ÿ C (6) un estudio de caso para los sectores de agricultura y FSC de Andalucía en España para
ÿxij
medir la resiliencia de los actores clave con respecto a diferentes factores de resiliencia y
riesgo.
xij
ÿnij = si j ÿ B (7)
ÿxai

4.1. Agricultura y cadena alimentaria en Andalucía, España

donde ÿnij denota el valor difuso normalizado de la alternativa i en comparación con el
criterio j.
Paso 4 En este paso, construimos una matriz de decisión normalizada ponderada difusa
utilizando pesos globales que se obtuvieron del modelo BWM.
ij = nij wÿij
donde ÿij representa el valor normalizado ponderado difuso de la alternativa i en comparación
con el criterio j.
Andalucía es la comunidad autónoma más poblada de España y la segunda región más
grande. Su clima, belleza paisajística, riqueza histórica y patrimonial son recursos importantes
para su actividad productiva. El sector agroalimentario es el principal contribuyente a la
economía y sociedad andaluza. El medio rural está formado por territorios con menos de
30.000 habitantes y una densidad inferior a 100 hab/km2
, cubre
(8)
el 80% de su territorio y el 32% de su población, y genera más de 180.000 empleos directos.
El sector genera una facturación de más de 11.000 millones de euros, el 25% del total
nacional. Las exportaciones contribuyen en gran medida a la facturación del sector, siendo
Andalucía la líder, con el 22,9% de las exportaciones agroalimentarias españolas [78].

Paso 5 La suma de la matriz ponderada difusa se calcula con base en la siguiente ecuación.
Andalucía tiene una enorme y variada producción de frutas y hortalizas. Este subsector
es el más importante dentro del sector agroalimentario andaluz y uno de los principales
pilares para su desarrollo. Andalucía exporta más de la mitad de su producción y es el
ÿSi = ÿn yo (9)
j=1 principal proveedor de frutas y hortalizas de la Unión Europea, destino del 96% de la

6
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Tabla 4 Tabla 5
Criterios y subcriterios para evaluar la resiliencia del SC en la industria alimentaria. Escala de intervalo difuso para evaluación de alternativas [81].

Escala difusa de intervalo escala lingüística

Criterios de riesgo subcriterios Definición Referencias
(1,2,3) Muy pobre (VP)
Nivel macro Desastre natural Riesgos de desastres naturales Ivanov [33]; Liu et al. (2,3,4) pobre (P)

riesgo (C1) (C11) incluyen pérdida de energía [34]; Li and Zobel [37] (3,4,5) Moderado (M)

e inundaciones (4,5,6) Buen g)

Enfermedades (C12) Enfermedades como la gripe aviar (5,6,7) Muy bien (VG)
Regulación Cambio de las normas de (6,7,8) excelente (e)

gubernamental (C13) seguridad alimentaria por

parte de los gobiernos
Fallo del sistema falla del agua años de experiencia en el sector. Dos de ellos trabajan en empresas
de agua (C14) sistemas de granjas mayoristas, y ambos son hombres mayores de 50 años y sin título
Riesgos Demanda volátil Incertidumbre y volatilidad Pettit y Croxton [16];
universitario. También había dos productores-comercializadores que eran
operacionales (C2) (C21) de la demanda Golgeci¨ y Kuivalainen,
[35];
Cambios en la Riesgo de cambios en los Goldbeck et al. [36]
hombres de 40 a 49 años con maestrías especializadas. Además,
demanda de calidad (C22) criterios de calidad exigidos participaron dos productores-transformadores, hombres mayores de 50
años y con estudios universitarios.
Fallo de Retraso, accidentes,
Finalmente, había un director de un gran minorista que tenía entre 40 y 49
transporte y logística daños y fallas en el
sistema de transporte
años y un título universitario. Se contactó a los expertos para concertar
(C23)
varias reuniones presenciales y virtuales.
Escasez de Dificultades para encontrar
mano de obra calificada (C24) una mano de obra adecuada El objetivo de este estudio es medir la resiliencia de las operaciones agrícolas y
Proveedores de respaldo Si una empresa tiene
el suministro básico de alimentos a través de un modelo analítico de decisión.
(C25) proveedores de respaldo
para situaciones en las que Para ello, se deben identificar factores (criterios), subfactores (subcriterios) y actores
el proveedor actual no puede clave del SC (alternativas). Para medir el desempeño de los factores SCR, se realizó
suministrar el producto una preselección de 13 subcriterios bajo tres criterios principales de riesgo en base
Riesgos internos Inventario Un inventario excesivo Elluru et al. [51];
a la información provista en la Tabla 1. La Tabla 4 presenta los criterios y subcriterios
(C3) excesivo (C31) debido a una planificación Mzougui et al. [53]
preseleccionados para evaluar la resiliencia del SC en los alimentos. industria.
inadecuada podría dar lugar
a productos no vendidos y
caducados Las diferentes alternativas consideradas actores clave son las siguientes: A1)
TI e infraestructura
Riesgo de sistemas y TI agricultores (producción primaria de alimentos), que incluyen una amplia gama de
(C32) desconexiones,
actores que van desde grandes empresas agrícolas hasta pequeños agricultores y
redes, ERPs y fallas de
intranet desde propietarios de tierras hasta agricultores arrendatarios y operaciones de
Desglose de Cantidad de avería por día, empresas sociales en áreas urbanas, periurbanas y periurbanas. -áreas urbanas y
producción y su probabilidad y su intensidad rurales de la región de la ciudad; A2) procesadores, que incluyen fabricantes de
fabricación (C33)
alimentos que combinan la producción de los agricultores con una variedad de
Riesgo operativo interno Interrupciones de los activos
internos y la fiabilidad de las
aditivos químicos y nutricionales para crear productos alimenticios envasados; A3)
(C34)
comunicaciones y las
distribuidores, que recolectan productos de agricultores y procesadores de alimentos,
infraestructuras de apoyo los almacenan en almacenes y luego los transportan a compradores mayoristas y
minoristas; A4) plataformas logísticas, que cuentan con áreas definidas dentro de
las cuales todas las actividades relacionadas con el transporte, la logística y la
distribución de mercancías, tanto en tránsito nacional como internacional, son
las ventas del territorio. Los cinco principales mercados de destino (Alemania, realizadas por diversos operadores e incluyen diferentes tipos de actores, como los
Francia, Países Bajos, Reino Unido e Italia) concentran el 76% de las exportaciones centros de distribución unimodal, áreas logísticas y plataformas multimodales; y A5)
andaluzas de frutas y hortalizas. Los tomates, pimientos, fresas, pepinos y mayoristas, que compran productos a granel de agricultores, procesadores y
calabacines son los más populares [79]. distribuidores y luego venden los productos a minoristas o proveedores de servicios
El sector agroalimentario andaluz ha padecido problemas estructurales aprovechando las economías de escala para generar ganancias en el camino.
específicos, como la rigidez de la demanda, la estacionalidad y atomización de la Adicionalmente, los mayoristas incluyen mercados mayoristas que representan los
oferta, la dispersión territorial, la generación de empleo, la existencia de asimetrías lugares que permiten la reunión de un gran número de compradores y vendedores
en el poder de negociación entre los distintos sujetos que actúan en la cadena en un solo lugar en el comercio al por mayor de productos agrícolas. Además, A6
alimentaria, falta de transparencia en la formación de precios o prácticas comerciales son supermercados y, finalmente, A7 son pequeños minoristas. Los pequeños
potencialmente desleales o anticompetitivas, que distorsionan el mercado y tienen minoristas abarcan una amplia gama de negocios que van desde grandes
efectos negativos en la competitividad de las industrias alimentarias [80]. supermercados internacionales de múltiples minoristas hasta pequeñas tiendas
En este estudio, se presta especial atención al desempeño de SC en alimentos independientes, desde mercados informales hasta vendedores ambulantes de
y agricultura y su resiliencia bajo riesgos. Este estudio también determina una red alimentos y desde entrega a domicilio hasta grupos comunitarios de compra a granel.
de productores de materias primas (empresas agrícolas y agricultores), distribuidores
(empresas de sistemas de transporte y logística) y minoristas en supermercados. Paso 2 Determine el cuestionario requerido según los requisitos del estudio.

Paso 1 Se formaron grupos de expertos para desarrollar el problema. Luego se
definió el problema de la toma de decisiones y se estudiaron sus diversos
aspectos y dimensiones. El equipo decisorio estuvo compuesto por
investigadores y expertos de productores y transformadores del sector
agrícola de Andalucía. En concreto, participaron 7 expertos, profesionales
del sector agroalimentario. Todos eran altos directivos de sus empresas y
tenían más de 15
El cuestionario contiene varias secciones. Una sección pidió a los expertos que
dieran su opinión sobre el valor y la importancia de cada factor y subfactor. Estas
evaluaciones luego se dirigen para ser utilizadas en un método de análisis de
decisiones llamado BWM. Se pidió a los expertos que encontraran el criterio (y el
subcriterio) más importante y el menos importante y proporcionaran preferencias por
el mejor criterio en comparación con otros y otros en comparación con el peor criterio.

7
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Tabla 6
Resultados de BWM para los criterios de nivel.

Panel de expertos Mejor criterio peor criterio Tipo de vector C1 C2 C3 *

X

Experto 1 C1 C3 BTO 5 7 0.103

OtW 17 3 1
Peso 0.740 0.169 0.091
Experto 2 C1 C3 BTO 1 3 7 0.036
OtW 7 4 1
Peso 0.673 0.236 0.091
Experto 3 C1 C3 BTO 1 3 7 0.083
OtW
Peso 8 0.673 3 0.236 1 0.091
Experto 4 C1 C3 BTO 1 4 8 0.055
OtW 7 6 1
Peso 0.722 0.194 0.083
Experto 5 C1 C3 BTO 1 5 7 0.023
OtW 7 6 1
Peso 0.735 0.194 0.071
Experto 6 C1 C3 BTO 1 5 7 0.060
OtW 7 4 1
Peso 0.735 0.194 0.071
Experto 7 C1 C3 BTO 1 3 7 0.1
OtW 7 3 1
Peso 0.673 0.236 0.091
Peso medio local 0.707 0.209 0.084 0.065

Paso 3 Usando la escala cualitativa de la Tabla 5, se pidió a un grupo de
expertos que evaluara el desempeño de los actores clave importantes
en la cadena de suministro de alimentos del estudio de caso con
respecto a la resiliencia definida y los factores de riesgo. Para ello se
utilizó el método fuzzy MARCOS para reflejar las opiniones y juicios del
grupo de expertos en entornos inciertos para determinar qué actores
clave se ven más afectados.
5. Resultados y discusiones
En esta sección se presentan los resultados del modelo de toma de
decisiones propuesto para medir la resiliencia en la industria alimentaria. Se
presentan los resultados del modelo propuesto para el proceso de determinación
del peso. En el siguiente paso, se aplicó el MARCOS borroso para clasificar las
alternativas con respecto a los factores de resiliencia. Se realizaron pruebas de
análisis de sensibilidad para verificar la confiabilidad del modelo de toma de
decisiones propuesto.
5.1. Resultados de la BWM
En esta sección se computa el grado de importancia de cada aspecto y
criterio. Con este fin, primero seleccionamos a siete expertos como panel de
investigación. Luego, se desarrollaron y distribuyeron cuestionarios entre los
expertos del panel. Se les solicitó completar el formulario de acuerdo a las
explicaciones que se les presentaron en las diferentes reuniones. En primer
lugar, expresaron sus opiniones sobre los indicadores. Como usamos el BWM
para determinar los pesos, se les pidió que expresaran sus pensamientos una
vez para medir la importancia del mejor criterio con respecto a otros criterios y
otra vez para medir el grado de importancia de los otros criterios con respecto al
peor criterio. . Cabe mencionar que antes de distribuir los cuestionarios, tuvimos
una reunión; y en la reunión determinamos los mejores y peores atributos de los
indicadores y sus correspondientes criterios. Por ejemplo, para los indicadores,
el mejor criterio fueron los riesgos a nivel macro y el peor criterio fueron los
riesgos internos.
En la tabla 6 se muestran los datos recogidos del grupo de expertos para los
criterios principales. El mejor criterio, el peor criterio, mejor para los demás
(BtO), otros para el peor (OtW) y el peso de los criterios para cada experto son

Tabla 7
Resultados de BWM para riesgos de nivel macro.

Experto Mejor criterio peor criterio Tipo de vector C11 C12 C13 C14 *
X

Experto 1 C11 C13 BTO 1 5 1 3 0.356

OtW 3 5 1 4
Peso 0.460 0.163 0.104 0.272
Experto 2 C11 C13 BTO 1 5 7 3 0.150
OtW 7 5
Peso 0.561 0.142 1 0.058 4 0.237
Experto 3 C11 C13 BTO 1 5 7 3 0.150
OtW 7 5 1 4
Peso 0.561 0.142 0.058 0.237
Experto 4 C11 C13 BTO 1 4 8 2 0.100
OtW 8 5 1 4
Peso 0.500 0.150 0.050 0.300
Experto 5 C11 C13 BTO 1 6 9 6 0.151
OtW 9 5 1 3
Peso 0.700 0.136 0.057 0.137
Experto 6 C11 C13 BTO 1 7 9 5 0.135
OtW 9 4 1 5
Peso 0.666 0.114 0.060 0.160
Experto 7 C11 C13 BTO 5 7 3 0.150
OtW 17 5 1 4

Peso 0.561 0.142 0.058 0.237

Pesos globales 0.404 0.100 0.045 0.160 0.170

8
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Tabla 8

Resultados de BWM para riesgos operacionales.

Expertos Mejor criterio peor criterio Tipo de vector C21 C22 C23 C24 C25 *
X

Experto 1 C23 C21 BTO 6 7 5 0.133

OtW 1 2 dieciséis 14 5
Peso 0.049 0.080 0.428 0.330 0.112
Experto 2 C23 C21 BTO 5 4 1 3 4 0.100
OtW 1 2 5 4 3
Peso 0.072 0.140 0.460 0.187 0.140
Experto 3 C23 C21 BTO 5 4 1 3 4 0.107
OtW 5
Peso 1 0.072 2 0.140 0.460 4 0.187 3 0.140
Experto 4 C23 C21 BTO 8 3 1 5 4 0.087
OtW 1 2 8 4 3
Peso 0.051 0.190 0.496 0.117 0.146
Experto 5 C23 C21 BTO 9 2 1 3 5 0.069
OtW 1 3 9 5 3
Peso 0.047 0.203 0.467 0.176 0.106
Experto 6 C23 C21 BTO 9 2 1 3 5 0.069
OtW 1 3 9 5 3
Peso 0.047 0.203 0.467 0.176 0.106
Experto 7 C23 C21 BTO 5 4 1 3 4 0.102
OtW 1 2 5 4 3
Peso 0.072 0.140 0.460 0.187 0.140
Pesos globales 0.012 0.033 0.097 0.041 0.027 0.095

Tabla 9
Resultados BWM para riesgos internos.

Experto Mejor criterio peor criterio Tipo de vector C31 C32 C33 C34 *
X

Experto 1 C33 C31 BTO 7 5 1 5 0.088

OtW 1 3 7 3
Peso 0.078 0.144 0.633 0.144
Experto 2 C33 C31 BTO 7 3 1 3 0.066
OtW 1 4 7 4
Peso 0.066 0.200 0.533 0.200
Experto 3 C33 C31 BTO 7 3 1 3 0.029
OtW 1 3 7 3
Peso 0.073 0.191 0.544 0.191
Experto 4 C33 C31 BTO 8 4 1 4 0.145
OtW 1 6 8 6
Peso 0.045 0.181 0.581 0.181
Experto 5 C33 C31 BTO 7 5 7 0.230
OtW 1 6 17 6
Peso 0.059 0.174 0.642 0.124
Experto 6 C33 C31 BTO 7 5 1 7 0.162
OtW 1 4 7 4
Peso 0.069 0.162 0.651 0.116
Experto 7 C33 C31 BTO 7 3 1 7 0.108
OtW 1 3 7 3
Peso 0.070 0.234 0.595 0.100
Pesos globales 0.005 0.015 0.050 0.012 0.118

presentados en la Tabla 6. Finalmente, se calculó el peso local promedio de cada
criterio en consecuencia. Los resultados muestran que los riesgos de nivel macro
tienen la mayor importancia, seguidos de los riesgos de nivel operativo y los riesgos
internos.
Después de calcular los pesos de los criterios de nivel principal en el paso
anterior, recopilamos datos del grupo de expertos para determinar la importancia
de los subfactores de riesgos de nivel macro. El mejor criterio, el peor criterio, mejor
para otros (BtO), otros para peor (OtW) y el peso del subfactor para el macronivel
para cada experto se presentan en la Tabla 7.
Luego, calculamos el peso global de cada subfactor en el grupo de nivel macro
multiplicando el peso local promedio de cada subfactor por el peso del grupo de
nivel macro. Todos los expertos coincidieron en la selección de C11 como mejor
criterio y C13 como peor criterio. La Tabla 7 muestra los pesos globales de los
riesgos a nivel macro en la parte inferior, donde C11, C12, C13 y C14 obtuvieron
valores de 0.404, 0.100, 0.045 y 0.160, respectivamente.
Asimismo, se calcularon los pesos globales de los riesgos operacionales. El
mejor criterio, el peor criterio, los vectores BtO, los vectores OtW y el peso del
subfactor para cada experto se presentan en
Tabla 8. Todos los expertos seleccionaron C23 como mejor criterio y C21 como
peor criterio. Los pesos locales de los subfactores en la categoría de riesgos
operativos se calcularon con base en los cuestionarios y entrevistas de los siete
expertos. Finalmente, los pesos globales de los subfactores en la categoría de
riesgo operacional se calcularon utilizando el peso local promedio de los factores y
el peso correspondiente de la categoría de riesgo operacional, que se calcula en la
Tabla 6. La Tabla 8 muestra que C23 tiene la mayor importancia entre todos los
riesgos operativos. La importancia de todos los riesgos operacionales es C23 > C24
> C22 > C25 > C21.
La información sobre los subfactores en la categoría de riesgo interno con
respecto a las opiniones de los expertos se da en la Tabla 9. Con respecto al mejor
criterio, todos los expertos seleccionaron C33; y en cuanto al peor criterio, todos los
expertos seleccionaron C31. A partir de los diferentes vectores BtO y OtW de cada
experto, se calcula en consecuencia el peso local de cada criterio.
Utilizando las ponderaciones locales de la categoría de riesgo interno de la Tabla 6
y la ponderación local promedio de los criterios, se calcularon las ponderaciones
globales de los factores de riesgo en la categoría de riesgo interno y se presentan
en la Tabla 9. De acuerdo con la Tabla 9, C33 y C31 obtener mayor y menor peso

9
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Tabla 10
Matriz de decisión difusa inicial.

Expertos Alternativa C11 C12 C13 C14 C21 C22 C23 C24 C25 C31 C32 C33 C34

E1 A1 (1,2,3) (5,6,7) (3,4,5) (1,2,3) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (3,4,5) (3,4,5) (4,5,6) (3,4,5) (3,4,5)
A2 (2,3,4) (4,5,6) (3,4,5) (1,2,3) (3,4,5) (4,5,6) (3,4,5) (5,6,7) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (4,5,6)
A3 (4,5,6) (3,4,5) (3,4,5) (2,3,4) (2,3,4) (5,6,7) (2,3,4) (3,4,5) (5,6,7) (5,6,7) (5,6,7) (4,5,6) (4,5,6)
A4 (2,3,4) (2,3,4) (2,3,4) (3,4,5) (2,3,4) (3,4,5) (6,7,8) (5,6,7) (4,5,6) (3,4,5) (5,6,7) (3,4,5) (3,4,5)
A5 (3,4,5) (4,5,6) (2,3,4) (3,4,5) (2,3,4) (3,4,5) (4,5,6) (5,6,7) (5,6,7) (5,6,7) (4,5,6) (4,5,6) (5,6,7)
A6 (5,6,7) (6,7,8) (4,5,6) (4,5,6) (5,6,7) (5,6,7) (4,5,6) (5,6,7) (6,7,8) (6,7,8) (4,5,6) (4,5,6) (5,6,7)
A7 (4,5,6) (2,3,4) (2,3,4) (2,3,4) (2,3,4) (2,3,4) (2,3,4) (3,4,5) (2,3,4) (2,3,4) (4,5,6) (2,3,4) (1,2,3)
E2 A1 ( 3,4,5) ( 2,3,4) ( 4,5,6) ( 1,2,3) ( 2,3,4) ( 3,4,5) ( 4,5,6) ( 3,4,5) ( 4,5,6) ( 4,5,6) ( 4,5,6) ( 4,5,6) ( 4,5,6)
A2 (3,4,5) (3,4,5) (3,4,5) (2,3,4) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (3,4,5) (3,4,5) (4,5,6) (3,4,5) (5,6,7)
A3 (5,6,7) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (5,6,7) (5,6,7) (5,6,7) (5,6,7) (5,6,7) (3,4,5) (5,6,7)
A4 (3,4,5) (2,3,4) (3,4,5) (1,2,3) (1,2,3) (2,3,4) (4,5,6) (3,4,5) (2,3,4) (4,5,6) (4,5,6) (3,4,5) (4,5,6)
A5 (4,5,6) (4,5,6) (3,4,5) (2,3,4) (2,3,4) (3,4,5) (5,6,7) (4,5,6) (5,6,7) (4,5,6) (4,5,6) (4,5,6) (5,6,7)
A6 (3,4,5) (3,4,5) (2,3,4) (3,4,5) (4,5,6) (3,4,5) (6,7,8) (5,6,7) (5,6,7) (5,6,7) (5,6,7) (5,6,7) (5,6,7)
A7 (4,5,6) (4,5,6) (2,3,4) (2,3,4) (2,3,4) (4,5,6) (3,4,5) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (4,5,6) (4,5,6)
E3 A1 (1 ,2,3) (4 ,5,6) (3 ,4,5) (1 ,2,3) (3 ,4,5) (3 ,4,5) (4 ,5,6) (5 ,6,7) (5 ,6,7) (3 ,4,5) (3 ,4,5) (3 ,4,5) (4 ,5,6)
A2 (3,4,5) (3,4,5) (2,3,4) (4,5,6) (2,3,4) (3,4,5) (3,4,5) (4,5,6) (3,4,5) (3,4,5) (4,5,6) (3,4,5) (4,5,6)
A3 (3,4,5) (3,4,5) (2,3,4) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (5,6,7)
A4 (2,3,4) (2,3,4) (2,3,4) (1,2,3) (1,2,3) (4,5,6) (3,4,5) (3,4,5) (2,3,4) (4,5,6) (4,5,6) (3,4,5) (3,4,5)
A5 (2,3,4) (1,2,3) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (2,3,4) (4,5,6) (5,6,7) (4,5,6) (4,5,6) (4,5,6) (3,4,5)
A6 (4,5,6) (4,5,6) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (3,4,5) (5,6,7) (5,6,7) (5,6,7) (4,5,6) (4,5,6) (4,5,6)
A7 (2,3,4) (2,3,4) (1,2,3) (2,3,4) (3,4,5) (4,5,6) (3,4,5) (4,5,6) (5,6,7) (3,4,5) (4,5,6) (4,5,6) (4,5,6)
E4 A1 (1, 2,3) (1, 2,3) (3, 4,5) (2, 3,4) (1, 2,3) (3, 4,5) (1, 2,3) (3, 4,5) (2, 3,4) (4, 5,6) (5, 6,7) (4, 5,6) (4, 5,6)
A2 (3,4,5) (2,3,4) (3,4,5) (4,5,6) (1,2,3) (4,5,6) (1,2,3) (3,4,5) (3,4,5) (4,5,6) (5,6,7) (1,2,3) (4,5,6)
A3 (5,6,7) (3,4,5) (3,4,5) (6,7,8) (2,3,4) (3,4,5) (1,2,3) (4,5,6) (5,6,7) (4,5,6) (3,4,5) (3,4,5) (4,5,6)
A4 (5,6,7) (5,6,7) (3,4,5) (6,7,8) (3,4,5) (6,7,8) (1,2,3) (2,3,4) (5,6,7) (3,4,5) (3,4,5) (4,5,6) (2,3,4)
A5 (5,6,7) (5,6,7) (3,4,5) (6,7,8) (6,7,8) (4,5,6) (2,3,4) (5,6,7) (6,7,8) (2,3,4) (2,3,4) (5,6,7) (3,4,5)
A6 (4,5,6) (6,7,8) (3,4,5) (6,7,8) (6,7,8) (6,7,8) (4,5,6) (5,6,7) (6,7,8) (2,3,4) (2,3,4) (5,6,7) (3,4,5)
A7 (4,5,6) (6,7,8) (3,4,5) (6,7,8) (6,7,8) (4,5,6) (2,3,4) (5,6,7) (6,7,8) (2,3,4) (2,3,4) (5,6,7) (3,4,5)
E5 A1 (3,4 ,5) (4,5 ,6) (3,4 ,5) (3,4 ,5) (2,3 ,4) (3,4 ,5) (4,5 ,6) (3,4 ,5) (4,5 ,6) (4,5 ,6) (4,5 ,6) (4,5 ,6) (5,6 ,7)
A2 (3,4,5) (5,6,7) (3,4,5) (5,6,7) (3,4,5) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (4,5,6)
A3 (3,4,5) (5,6,7) (3,4,5) (5,6,7) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (5,6,7)
A4 (2,3,4) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (5,6,7) (4,5,6) (4,5,6) (3,4,5) (5,6,7) (3,4,5) (4,5,6)
A5 (5,6,7) (4,5,6) (5,6,7) (4,5,6) (3,4,5) (3,4,5) (6,7,8) (3,4,5) (5,6,7) (3,4,5) (4,5,6) (3,4,5) (5,6,7)
A6 (4,5,6) (3,4,5) (4,5,6) (5,6,7) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (3,4,5) (6,7,8) (3,4,5) (4,5,6)
A7 (3,4,5) (3,4,5) (4,5,6) (4,5,6) (3,4,5) (3,4,5) (3,4,5) (5,6,7) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (3,4,5)
E6 A1 (2,3, 4) (4,5, 6) (4,5, 6) (2,3, 4) (3,4, 5) (3,4, 5) (3,4, 5) (4,5, 6) (3,4, 5) (3,4, 5) (3,4, 5) (3,4, 5) (3,4, 5)
A2 (5,6,7) (4,5,6) (3,4,5) (5,6,7) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (4,5,6)
A3 (3,4,5) (4,5,6) (4,5,6) (5,6,7) (2,3,4) (3,4,5) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (3,4,5) (4,5,6) (4,5,6)
A4 (2,3,4) (4,5,6) (4,5,6) (5,6,7) (2,3,4) (3,4,5) (5,6,7) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (4,5,6) (3,4,5)
A5 (4,5,6) (4,5,6) (4,5,6) (5,6,7) (2,3,4) (3,4,5) (4,5,6) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (4,5,6)
A6 (3,4,5) (4,5,6) (4,5,6) (5,6,7) (2,3,4) (3,4,5) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (4,5,6) (4,5,6) (4,5,6)
A7 (3,4,5) (4,5,6) (4,5,6) (5,6,7) (2,3,4) (3,4,5) (4,5,6) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (4,5,6)
E7 A1 (1,2,3 ) (2,3,4 ) (3,4,5 ) (3,4,5 ) (3,4,5 ) (4,5,6 ) (3,4,5 ) (2,3,4 ) (3,4,5 ) (2,3,4 ) (4,5,6) ) (4,5,6) ) (3,4,5 )
A2 (1,2,3) (2,3,4) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (3,4,5) (2,3,4) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (3,4,5)
A3 (1,2,3) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (3,4,5) (2,3,4) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (3,4,5)
A4 (1,2,3) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (4,5,6) (3,4,5) (3,4,5)
A5 (2,3,4) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (3,4,5) (4,5,6) (5,6,7) (4,5,6) (4,5,6) (3,4,5) (3,4,5)
A6 (2,3,4) (3,4,5) (3,4,5) (4,5,6) (4,5,6) (5,6,7) (3,4,5) (4,5,6) (5,6,7) (4,5,6) (4,5,6) (3,4,5) (3,4,5)
A7 (2,3,4) (3,4,5) (3,4,5) (3,4,5) (4,5,6) (5,6,7) (3,4,5) (4,5,6) (4,5,6) (4,5,6) (4,5,6) (3,4,5) (3,4,5)

coeficientes entre factores de riesgo internos. La utilidad de cada alternativa se calculó utilizando las Ecs. 10 y 11 considerando la suma
de los parámetros de la matriz difusa ponderada. Considerando soluciones ideales y anti-
ideales, las funciones de utilidad difusa se calcularon utilizando las Ecs. 12 y 13. Para
5.2. Resultados de MARCOS borrosos
obtener la función de utilidad final de cada alternativa, Eq. (14) se utiliza. Los resultados
borrosos de estos parámetros se presentan en la Tabla 14. Para calcular las puntuaciones
En esta parte, se presentan los cálculos del método difuso MARCOS para evaluar a
finales de compromiso y las clasificaciones relacionadas, se realiza la desborrosificación
los actores clave incluidos en el FSC para evaluar sus medidas de resiliencia. Para construir
de los parámetros MARCOS borrosos usando la ecuación. (15). (Cuadro 15).
la matriz de decisión inicial, se pidió a siete expertos que calificaran a cada jugador clave
con respecto a los factores de riesgo utilizando una escala difusa, como se muestra en la
La Tabla 15 ilustra los valores defusificados de los parámetros MARCOS. Para
Tabla 5. La Tabla 10 presenta la matriz de decisión inicial completa, que incluye las
analizar los resultados de la clasificación, debemos recordar que debido a que todos los
opiniones y juicios de los expertos utilizados. evaluar los actores clave en el FSC para el
criterios se basan en el riesgo (los valores más bajos indican una mejor elección), la
caso de estudio considerado en España. Luego se construyó una matriz de decisión difusa
clasificación se interpreta de la misma manera. Los resultados indican que A1 es la
agregada combinando las opiniones de los expertos (Tabla 11) y se normalizó usando las
alternativa menos resiliente. En otras palabras, los agricultores son los actores más
Ecs. (6) y (7). La matriz de decisión agregada normalizada calculada se presenta en la
sensibles y se ven afectados por las condiciones. Del mismo modo, A6 o los supermercados
Tabla 12. Las soluciones ideal difusa y antiideal difusa se determinaron utilizando las Ecs.
son los mejores actores en circunstancias de riesgo y se reconocen como las opciones
(4) y (5), como se muestra en la Tabla 12. La matriz de decisión agregada normalizada
más resilientes. Los mayoristas (A5) están clasificados como los segundos jugadores clave
ponderada se muestra en la Tabla 13, que se construye con base en la Eq. (8) usando los
más resilientes; y con una diferencia muy pequeña en los puntajes de compromiso, los
vectores de peso obtenidos del BWM. Con base en la matriz de decisión ponderada, la
distribuidores (A3) se clasifican como el tercer elemento más resistente en la cadena de
suma de la matriz ponderada difusa (ÿSi) se calculó utilizando la ecuación. (9). Los grados
suministro de alimentos. Los pequeños minoristas ocupan el cuarto lugar, seguidos de los
borrosos de
procesadores y las plataformas logísticas, según nuestra evidencia.

10
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Tabla 11
Matriz de decisión difusa agregada.

C11 C12 C13 C14 C21 C22 C23

CIUDAD (3.57,4.57,5.57) (4.14,5.14,6.14) (3.42,4.42,5.42) (4.42,5.42,6.42) (4,5,6) (4.28,5.28,6.28) (4,5,6)

AI (1.71,2.71,3.71) (3,4,5) (2.71,3.71,4.71) (1.85,2.85,3.85) (2.42,3.42,4.42) (3.14,4.14,5.14) (2.85,3.85,4.85)
A1 (1.71,2.71,3.71) (3.14,4.14,5.14) (3.28,4.28,5.28) (1.85,2.85,3.85) (2.42,3.42,4.42) (3.14,4.14,5.14) (3.14,4.14,5.14)
A2 (2.85,3.85,4.85) (3.28,4.28,5.28) (2.85,3.85,4.85) (3.42,4.42,5.42 (2.57,3.57,4.57) (3.71,4.71,5.71) (3.14,4.14,5.14)
A3 (3.42,4.42,5.42) (3.42,4.42,5.42) (3.14,4.14,5.14) (4,5,6) (2.85,3.85,4.85) (3.85,4.85,5.85) (3.28,4.28,5.28)
A4 (2.42,3.42,4.42) (3,4,5) (2.85,3.85,4.85) (3.14,4.14,5.14) (2.42,3.42,4.42) (3.71,4.71,5.71) (4,5,6)
A5 (3.57,4.57,5.57) (3.57,4.57,5.57) (3.42,4.42,5.42) (3.85,4.85,5.85) (3.14,4.14,5.14) (3.42,4.42,5.42) (3.71,4.71,5.71)
A6 ( 3.57,4.57,5.57) ( 4.14,5.14,6.14) ( 3.28,4.28,5.28) (4.42 ,5.42,6.42) ( 4,5,6) ( 4.28,5.28,6.28) ( 4,5,6)
A7 (3.14,4.14,5.14) (3.42,4.42,5.42) (2.71,3.71,4.71) (3.42,4.42,5.42) (3.14,4.14,5.14) (3.57,4.57,5.57) (2.85,3.85,4.85)

C24 C25 C31 C32 C33 C34

CIUDAD (4.420,5.420,6.420) (5,6,7) (4,5,6) (4.140,5.140,6.140) (4,5,6) (4.280,5.280,6.280)

AI (3.420,4.420,5.420) (3.420,4.420,5.420) (2.850,3.850,4.850) (3.710,4.710,5.710) (3,4,5) (3.140,4.140,5.140)
A1 (3.420,4.420,5.420 (3.420,4.420,5.420 (3.280,4.280,5.280) (3.850,4.850,5.850) (3.570,4.570,5.570 (3.710,4.710,5.710)
A2 (3.570,4.570,5.570) (3.420,4.420,5.420) (3.280,4.280,5.280) (4.140,5.140,6.140) (3,4,5) (4,5,6) (4.280,5.280,6.280)
A3 (3.570,4.570,5.570) (4.420,5.420,6.420) (4,5,6) (3.280,4.280,5.280) (3.850,4.850,5.850) (3.570,4.570,5.570 (3.140,4.140,5.140)
A4 (3.420,4.420,5.420) (3.570,4.570,5.570) (3.570,4.570,5.570) (4.140,5.140,6.140) (3.280,4.280,5.280) (4,5,6) ( 4,5,6)
A5 (4,5,6) (4.420 (4.850,5.850,6.850) (5 ( 4,5,6) (2.850,3.850,4.850) (3.710,4.710) (3.850,4.850,5.850 (3.140,4.140,5.140)
A6 ,5.420,6.420) (4,5,6) ,6,7) (4,5,6) 4.140,5.140,6.140) (4,5) ,6)
A7 (3.710,4.710,5.710) (3.570,4.570,5.570)

Tabla 12
Matriz de decisión difusa normalizada.

C11 C12 C13 C14 C21 C22 C23

CIUDAD (0.307,0.592,1.039) (0.488,0.778,1.207) (0.500,0.839,1.377) (0.288,0.525,0.871) (0.403,0.684,1.105) (0,500,0,784,1,200) (0.475,0.77,1.212)

A1 (0.460,1.000,2.169) (0.583,0.966,1.592) (0.513,0.866,1.435) (0.480,1.000,2.081) (0.547,1.000,1.826) (0,610,1,000,1,636) (0.554,0.929,1.544)
A2 (0.352,0.703,1.301) (0.568,0.934,1.524) (0.558,0.963,1.652) (0.341,0.644,1.125) (0.529,0.957,1.719) (0,549,0,878,1,385) (0.554,0.929,1.544)
A3 (0.315,0.613,1.084) (0.553,0.904,1.461) (0.527,0.896,1.500) (0.308,0.570,0.962) (0.498,0.888,1.550) (0,536,0,853,1,335) (0.539,0.899,1.478)
A4 (0.386,0.792,1.533) (0.600,1.000,1.666) (0.558,0.963,1.652) (0.359,0.688,1.226) (0.547,1.000,1.826) (0,549,0,878,1,385) (0.475,0.770,1.212)
A5 (0.307,0.592,1.039) (0.538,0.875,1.400) (0.500,0.839,1.377) (0.316,0.587,1.000) (0.470,0.826,1.407) (0,579,0,936,1,502) (0.499,0.817,1.307)
A6 (0.307,0.592,1.039) (0.488,0.078), (1.078) (0.513,0.4365), (1.4365) (0.288,0.8725), (0.8725) (0.403,0.684), (1.054) (0,500,1,0804), (0,7804) (0.475,0.7120),
A7 (0.360) (0.4851,0.1851) 0.553,0.904,1.461) 0.575,1.000,1.738) 0.341,0.644,1.125) 0.470,0.826,1.407) 0.563,0.905,1.439) 0.587,1.000,1.701)
AI ,0.630,1.000) (0.600,0.750,1.000) (0.575,0.730,1.000) (0.480,0.649,1.000) (0.547,0.707,1.000) (0.610,0.758,1.000) (0.587,0.740,1.000)

C24 C25 C31 C32 C33 C34

CIUDAD (0.532,0.815,1.226) (0.488,0.736,1.084) (0.475,0.770,1.212) (0.604,0.916,1.379) (0.500, 0.800, 1.250) (0.500,0.784,1.200)

A1 (0.630,1.000,1.584) (0.630,1.000,1.584) (0.539,0.899,1.478) (0.634,0.971,1.483) (0.538, 0.875, 1.400) (0.549,0.878,1.385)
A2 (0.614,0.967,1.518) (0.630,1.000,1.584) (0.539,0.899,1.478) (0.604,0.916,1.379) (0.600, 1.000, 1.666) (0.523,0.828,1.285)
A3 (0.614,0.967,1.518) (0.532,0.815,1.226) (0.475,0.770,1.212) (0.634,0.971,1.483) (0.538, 0.875, 1.400) (0.500,0.784,1.200)
A4 (0.630,1.000,1.584) (0.614,0.967,1.518) (0.539,0.899,1.478) (0.604,0.916,1.379) (0.568, 0.934, 1.524) (0.610,1.000,1.636)
A5 (0.570,0.884,1.355) (0.499,0.755,1.117) (0.511,0.842,1.358) (0.649,1.000,1.539) (0.512, 0.824, 1.298) (0.523,0.828,1.285)
A6 (0.532,0.265), (1.265) (0.488,0.846), (0.846) (0.475,1.720), (0.720) (0.604,0.3716), (1.3796) (0.500, 1.200), (0.800) (0.523,0.828), (1.828)
A7 0.570,0.884,1.355) 0.570,0.884,1.355) 0.587,1.000,1.701) 0.649,1.000,1.539) 0.538,0.875,1.400) 0.610,1.000,1.636)
AI (0.630,0.773,1.000) (0.630,0.773,1.000) (0.587,0.740,1.000) (0.649,0.787,1.000) (0.600,0.750,1.000) (0.610,0.758,1.000)

Tabla 13
Matriz de decisión difusa ponderada.

C11 C12 C13 C14 C21 C22 C23

CIUDAD (0.059,0.115,0.202) (0.066,0.106,0.164) (0.089,0.15,0.247) (0.056,0.103,0.17) (0,004,0,008,0,013) (0.016,0.025,0.039) (0.045,0.074,0.117)

A1 (0.089,0.195,0.423) (0.079,0.131,0.217) (0.092,0.155,0.257) (0.094,0.195,0.407) (0,006,0,012,0,022) (0.019,0.032,0.053) (0.053,0.089,0.149)
A2 (0.068,0.137,0.254) (0.077,0.127,0.208) (0.1,0.172,0.296) (0.066,0.126,0.22) (0,006,0,011,0,021) (0.017,0.028,0.045) (0.053,0.089,0.149)
A3 (0.061,0.119,0.211) (0.075,0.123,0.199) (0.094,0.16,0.269) (0.06,0.111,0.188) (0,006,0,01,0,018) (0.017,0.027,0.043) (0.052,0.086,0.142)
A4 (0.075,0.154,0.299) (0.081,0.136,0.227) (0.1,0.172,0.296) (0.07,0.134,0.24) (0,006,0,012,0,022) (0.017,0.028,0.045) (0.045,0.074,0.117)
A5 (0.059,0.115,0.202) (0.073,0.119,0.191) (0.089,0.15,0.247) (0.061,0.115,0.195) (0,005,0,01,0,017) (0.018,0.03,0.049) (0.048,0.078,0.126)
A6 (0.059,0.115,0.202) (0.066,0.106), (0.106) (0.092,0.155,0.257) (0.056,0.103,0.17) (0,004,0,013) (0.016,0.0395), (0.045,0.174), (0.174)
A7 (0.074,0.183) 0.075,0.123,0.199) 0.103,0.179,0.311) 0.066,0.126,0.22) (0,004,0,0108,0,018) 0.018,0.029,0.047) 0.056,0.096,0.164)
AI ,0.123,0.195) (0.081,0.102,0.136) (0.103,0.131,0.179) (0.094,0.127,0.195) 0.005,0.01,0.017) (0.006,0.008,0.012)
(0.019,0.024,0.032) (0.056,0.071,0.096)

C24 C25 C31 C32 C33 C34

CIUDAD (0.021,0.033,0.049) (0.012,0.019,0.028) (0.011,0.017,0.028) (0,012,0,019,0,029) (0.008,0.013,0.02) (0.011,0.018,0.028)

A1 (0.025,0.04,0.064) (0.016,0.026,0.042) (0.012,0.02,0.034) (0,013,0,02,0,031) (0.008,0.014,0.022) (0.012,0.02,0.032)
A2 (0.024,0.039,0.061) (0.016,0.026,0.042) (0.012,0.02,0.034) (0,012,0,019,0,029) (0.009,0.016,0.027) (0.012,0.019,0.03)
A3 (0.024,0.039,0.061) (0.014,0.021,0.032) (0.011,0.017,0.028) (0,013,0,02,0,031) (0.008,0.014,0.022) (0.011,0.018,0.028)
A4 (0.025,0.04,0.064) (0.016,0.025,0.04) (0.012,0.02,0.034) (0,012,0,019,0,029) (0.009,0.015,0.024) (0.014,0.023,0.038)
A5 (0.023,0.035,0.054) (0.013,0.02,0.029) (0.011,0.019,0.031) (0,013,0,021,0,032) (0.008,0.013,0.021) (0.012,0.019,0.03)
A6 (0.021,0.033), (0.012,0.089), (0.011,0.028) (0,012,0,029) (0.008,0.02)3 (,0.021)3 (0.012,0.03) (,0.019)
A7 0.023,0.035,0.054) 0.015,0.023,0.035) (0.011,0.028) (0,012,0,029,0,029) 0.008,0.014,0.022) 0.014,0.023,0.038)
AI (0.025,0.031,0.04) (0.016,0.02,0.026) (0.011,0.017,0.028) 0.013,0.023,0.039)
0.013,0.021,0.032)
(0.013,0.017,0.023)
(0.013,0.016,0.021)
(0.009,0.012,0.016) (0.014,0.017,0.023)

11
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Tabla 14
Valores MARCOS difusos.
ÿ

Y Kÿi ÿ Ki + F(Ki ÿ ) F(Ki + )

CIUDAD (0.361,0.617,1.005) (0.359,1.000,2.779) (0.406,0.995,2.101)

A1 (0.461,0.853,1.595) (0.459,1.383,4.413) (0.519,1.376,3.336) (0.059,0.178,0.569) (0.067,0.177,0.430)
A2 (0.416,0.733,1.256) (0.414,1.189,3.474) (0.468,1.183,2.626) (0.053,0.153,0.448) (0.060,0.152,0.338)
A3 (0.392,0.680,1.136) (0.390,1.102,3.142) (0.441,1.097,2.375) (0.050,0.142,0.405) (0.057,0.141,0.306)
A4 (0.424,0.754,1.312) (0.422,1.223,3.630) (0.477,1.217,2.744) (0.054,0.157,0.468) (0.061,0.157,0.354)
A5 (0.381,0.656,1.084) (0.379,1.063,2.999) (0.428,1.058,2.267) (0.048,0.137,0.387) (0.055,0.136,0.292)
A6 (0.363,0.0152), (1.0152) (0.362,1.80097), (0.409,2.1203), (1.002) (0.046,0.130,0.362) (0.052,0.129,0.274)
A7 0.414,0.729,1.246) (1.8009) 0.466,1.175,2.605) (0.053,0.442) (0.060,0.361)
AI (0.478,0.620,0.889) 0.412,1.181,3.446) (0.475,1.004,2.459) (0.537,1.000,1.859)

planes completos de previsión. Esta evidencia se ha reflejado en muchos estudios. Los

Tabla 15
agricultores de muchos países son muy vulnerables a las crisis del suministro de
Valores MARCOS defuzzificados.
alimentos, y las restricciones, como los cambios climáticos y la propagación de la
a- a+ F(Ki ÿ ) F(Ki + ) F(Ki) Rango pandemia de COVID-19, han provocado graves crisis del lado de la oferta en las zonas
A1 1.734 1.560 0.223 0.201 0.390 1 rurales de África, incluido el mercado agrícola [85]. Otro estudio en Irlanda concluye que
A2 1.440 1.304 0.185 0.168 0.266 3 las zonas rurales y los agricultores, especialmente los hogares agrícolas unipersonales,
A3 1.324 1.201 0.170 0.154 0.223 5
las familias y los niños, corren un mayor riesgo [86]. Los investigadores han sugerido
A4 1.490 1.348 0.192 0.174 0.285 2
A5 1.272 1.155 0.164 0.149 0.205 6
algún mecanismo para proteger a esas poblaciones y equilibrar los cambios de
A6 1.200 1.090 0.154 0.140 0.182 7 comportamiento de salud para mejorar su bienestar y establecer una resiliencia de
A7 1.431 1.295 0.184 0.167 0.262 4 apoyo. La evaluación de los actores de la cadena de suministro de alimentos permite a
los inversionistas agrícolas y a los formuladores de políticas comparar las debilidades y
fortalezas de los diferentes actores y abordar las brechas que requieren mejoras. Los
5.3. Análisis comparativo
resultados de este documento pueden ser utilizados por las redes de suministro agrícola-
alimentario en áreas rurales y regionales como una plataforma general.
Para verificar la confiabilidad y robustez de los resultados generados por el método
difuso MARCOS, se realizó un análisis de sensibilidad utilizando cuatro métodos difusos
MCDM para la parte de clasificación. Fuzzy CoCoSo [82], fuzzy EDAS [83], fuzzy 6. Conclusiones
CODAS [84] y fuzzy COPRAS (Yazdani et al., 2011) se utilizaron para evaluar las
alternativas de SC. Los resultados del proceso de clasificación para todos los métodos
En cualquier entorno crítico e inestable, las empresas e industrias enfrentan
MCDM se presentan en la Fig. 2. Como muestra la figura, los resultados del método
condiciones drásticas que generalmente no tienen previsión. Para tomar decisiones una
fuzzy MARCOS son compatibles con los de los otros cuatro métodos MCDM. Esto indica
vez que ocurre un desastre o una pandemia, los científicos de decisiones deben cooperar
que los resultados del método difuso MARCOS son confiables y pueden usarse para
con las empresas y las industrias, analizar la situación y modelar un sistema que
tomar decisiones en la vida real.
contribuya a abordar el problema. En una cadena de suministro tradicional, no se ha
procesos de elaboración y formulación de políticas en la industria FSC.
prestado atención al manejo de tales eventos. Sin embargo, la madurez de las
Los resultados obtenidos y comparativos certifican que el estudio objeto de
organizaciones ha hecho que esto suceda. Las empresas y las pequeñas empresas
evaluación es suficientemente estable y fiable. En general, A1, A3 y A7 mantienen sus
necesitan una plataforma para dirigirlas durante las interrupciones. En otras palabras,
posiciones en la clasificación para los cinco métodos. Primero, las cinco técnicas
las empresas y las pequeñas empresas deben administrar una cadena de suministro
clasifican a A1 como la peor opción, y cuatro métodos clasifican a los supermercados
que sea lo suficientemente resistente para continuar con el flujo de producción, mantener
como el actor más resistente. Como resultado, los supermercados pueden mantener su
a los clientes y satisfacer a las partes interesadas. En los últimos diez años, los
posición y operaciones, incluso si hay interrupciones o incidentes inesperados. Los
investigadores cambiaron parte de los estudios de la cadena de suministro a un enfoque
supermercados como actores al final de la cadena de suministro podrían ser más
resistente, donde el riesgo, la velocidad y la cooperación con los proveedores son componentes esenc
resistentes según las opiniones de los expertos. De hecho, los hallazgos indican que los
En este estudio, un modelo de decisión integrado para guiar al sector agrícola en
agricultores son los más vulnerables, y están incluidos en el FSC como un componente
Andalucía, sur de España, en sus operaciones de distribución de alimentos.
que requiere largo plazo y

Fig. 2. Comparación con otros modelos de MCDM.

12
Machine Translated by Google
M. Yazdani et al.
esta propuesto. Se consideró y evaluó un conjunto de actores que van desde agricultores
hasta pequeños minoristas y supermercados para comprender el proceso de producción
y distribución de frutas y verduras. Se diseñó y distribuyó un cuestionario a expertos con
muchos años de experiencia laboral en el sector agrícola. Se propusieron siete alternativas
(actores), incluidos agricultores (A1), procesadores (A2), distribuidores (A3), plataformas
logísticas (A4), mayoristas (A5), supermercados (A6) y pequeños minoristas (A7); y se
pidió a los expertos que calificaran el desempeño de estos actores en términos de
condiciones de riesgo (o pandemia) en tres niveles de disrupción global o macro, operativa
e interna bajo 13 subfactores (Tabla 4). Para facilitar la opinión de los expertos y el
proceso de comparación, se utilizaron variables lingüísticas difusas. Se utilizaron los
métodos BWM y MARCOS difuso para determinar los pesos de los factores/indicadores y
los puntajes de clasificación de las alternativas, respectivamente. Los resultados mostraron
que los agricultores reciben el puntaje de resiliencia más bajo en términos de enfrentar
las interrupciones, mientras que los supermercados fueron mucho más resistentes.
Nuestro informe brindó comentarios positivos desde la perspectiva de los actores para
mejorar las debilidades e instalar nuevos sistemas como SCM inteligente o establecer la
mecanización inicial de la cadena de suministro.
Se espera que el enfoque adoptado pueda desarrollarse y extenderse a otros tipos
de industrias o negocios donde la medición del desempeño es inevitable. Con algunas
modificaciones y justificaciones, los gerentes podrán aplicar el modelo propuesto en la
gestión de riesgos y disrupciones de manera efectiva. Una limitación del estudio fue el
acceso a socios y actores agrícolas debido a las restricciones de COVID. Otros puntos
limitantes fueron las dificultades en la comprensión del estudio, subestimar el valor y el
enfoque detrás del modelo, completar los formularios de cuestionarios en línea y el bajo
conocimiento de algunos agricultores.
Los conceptos de sostenibilidad pueden integrarse con la resiliencia y pueden
desarrollarse modelos de análisis de decisión apropiados para análisis adicionales de las
compensaciones que puedan surgir. También se pueden adoptar números de intervalo,
números aproximados y números D para cuantificar las incertidumbres; y sus rendimientos
pueden compararse para una mejor evaluación. El método DEMATEL se puede aplicar
para explorar las interrelaciones causales entre diferentes factores de riesgo. Los factores
de capacidad operativa también pueden combinarse para medir la resiliencia en un
entorno FSC.
Declaración del autor
Morteza Yazdani: conceptualización, análisis formal, redacción – borrador original,
redacción – revisión y edición, supervisión y administración del proyecto.
Ali Ebadi Torkayesh: conceptualización, metodología, visualización
ción, redacción – borrador original, redacción – revisión y edición.
Prasenjit Chatterjee: análisis formal, redacción – borrador original,
escritura – revisión y edición.
Alireza Fallahpour: metodología, redacción – borrador original.
María José Montero-Simo: análisis formal, investigación, curación de datos, redacción, revisión y edición.
Rafael A. Araque-Padilla: análisis formal, investigación, curación de datos, redacción – revisión y edición.
Kuan Yew Wong: redacción – revisión y edición, supervisión de proyectos.
Reconocimiento de Financiamiento
Esta investigación no ha recibido ningún tipo de financiación o apoyo económico.
Referencias
[1] Tseng ML, Islam MS, Karia N, Fauzi FA, Afrin S. Una revisión de la literatura sobre la gestión de la cadena de
suministro verde: tendencias y desafíos futuros. Resour Conserv Recycl 2019;141: 145–62.
[2] Koberg E, Longoni A. Una revisión sistemática de la gestión sostenible de la cadena de suministro
en las cadenas de suministro globales. J Clean Prod 2019;207:1084–98.
[3] Jain V, Kumar S, Soni U, Chandra C. Resiliencia de la cadena de suministro: desarrollo de modelos y análisis
empírico. Int J Prod Res 2017;55(22):6779–800.
[4] Wen Z, Liao H. Captura de las características de actitud de los tomadores de decisiones en la toma de decisiones
grupal: aplicación para seleccionar recomendaciones de políticas para mejorar la oferta
13
Ciencias de la Planificación Socioeconómica 82 (2022) 101257
resiliencia de la cadena bajo el brote de COVID-19. oper. Administrar Res. 2021. https://doi. org/10.1007/
s12063-020-00170-z.
[5] Pavlov A, Ivanov D, Pavlov D, Slinko A. Optimización de la redundancia de la red y la planificación de contingencias
en la gestión de recursos de la cadena de suministro sostenible y resiliente en condiciones de dinámica estructural.
Ann Oper Res 2019: 1–30.
[6] Mohammed A, Harris I, Soroka A, Nujoom R. Un híbrido MCDM-fuzzy multi
enfoque de programación objetivo para un diseño de red de cadena de suministro G-Resilient.
Comput Ind Eng 2019;127:297–312.
[7] Stone J, Rahimifard S. Resiliencia en las cadenas de suministro agroalimentarias: un análisis crítico de la literatura y
síntesis de un marco novedoso. Gestión de la cadena de suministro: Int J 2018; 23(3):207–38.
[8] Zhao G, Liu S, Lopez C. Una revisión de la literatura sobre fuentes de riesgo y factores de resiliencia en las cadenas
de suministro agroalimentarias. En: Jornada de trabajo sobre empresas virtuales. Cham: Springer; 2017,
septiembre. pags. 739–52.
[9] Zhao G, Liu S, Lu H, Lopez C, Elgueta S. Construcción de la teoría de la resiliencia de la cadena de suministro
agroalimentaria utilizando modelos estructurales interpretativos totales y análisis MICMAC. En t.
J. Sostener. El agrícola. gerente Informado. 2018;4(3–4):235–57.
[10] Bottani E, Murino T, Schiavo M, Akkerman R. Diseño resistente de la cadena de suministro de alimentos: marco de
modelado y enfoque de solución metaheurística. Computación Ing. Ind. 2019;
135:177–98.
[11] Yan B, Fan J, Cai C, Fang J. Coordinación de la cadena de suministro de productos agrícolas frescos basada en la
pérdida de valor. oper. Administrar Res. 2020;13:185–96.
[12] Zhu Q, Krikke H. Gestión de una cadena de suministro de alimentos perecederos (PFSC) sostenible y resiliente
después de un brote. Sostenibilidad 2020;12(12):5004.
[13] Leat P, Revoredo-Giha C. Riesgo y resiliencia en las cadenas de suministro agroalimentarias: el caso de la cadena de
suministro ASDA PorkLink en Escocia. Gestión de la cadena de suministro: Int J 2013.
ÿ
[14] Yazdani M, Torkayesh AE, Stevi´c Z, Chatterjee P, Ahari SA, Hernandez VD. Una estructura de toma de decisiones
neutrosófica valorada por intervalos para la selección sostenible de proveedores. Aplicación de sistema experto
2021: 115354.
[15] Khan SAR, Razzaq A, Yu Z, Shah A, Sharif A, Janjua L. Interrupción en la cadena de suministro de alimentos y
desafíos de la desnutrición: un estudio empírico en el contexto de los países asiáticos. Ciencias de la Planificación
Socioeconómica; 2021. pág. 101033.
[16] Pettit TJ, Croxton KL, Fiksel J. La evolución de la resiliencia en la cadena de suministro
gestión: una retrospectiva sobre cómo garantizar la resiliencia de la cadena de suministro. Logística de
autobuses J 2019;40(1):56–65.
[17] Sabahi S., Parast MM. Innovación empresarial y resiliencia de la cadena de suministro: una dinámica
perspectiva de la capacidad. En t. J. Logista. Res. aplicación 2020;23(3):254–69.
ÿ
[18] Stojÿci´c M, Zavadskas EK, Pamuÿcar D, Stevi´c Z, Mardani A. Aplicación de métodos MCDM en ingeniería de
sostenibilidad: una revisión de la literatura 2008–2018. Simetría 2019;11(3):350.
[19] Torkayesh AE, Deveci M. UNA EVALUACIÓN DE MÚLTIPLES DISTANCIAS DE NORMALIZACIÓN MÚLTIPLE
(CONFIANZA) para ubicar una estación de intercambio de baterías para scooters eléctricos.
Sustain Cities Soc 2021;74:103243.
[20] Yazdani M, Pamucar D, Chatterjee P, Torkayesh AE. Un modelo de selección de proveedores de alimentos sostenibles
de varios niveles bajo incertidumbre. oper. Administrar Res. 2021: 1–30. https://doi.org/10.1007/s12063-021-00186-
z.
[21] Torkayesh AE, Torkayesh SE. Evaluación de la información y la comunicación
desarrollo tecnológico en los países del G7: un enfoque integrado de MCDM. Technol Soc 2021;66:101670.
ÿ
[22] Stevi´c Z, Pamuÿcar D, Puÿska A, Chatterjee P. Selección de proveedores sostenibles en las industrias de la
salud utilizando un nuevo método MCDM: medición de alternativas y clasificación según la solución de compromiso
(MARCOS). Comput Ind Eng 2020;140: 106231.
[23] Torkayesh AE, Pamucar D, Ecer F, Chatterjee P. Un marco BWM-LBWA-CoCoSo integrado para la evaluación de los
sectores de atención médica en Europa del Este. Ciencias de la Planificación Socioeconómica ; 2021. pág. 101052.
[24] Kumar A, Sah B, Singh AR, Deng Y, He X, Kumar P, Bansal RC. Una revisión de múltiples
criterios de toma de decisiones (MCDM) hacia el desarrollo sostenible de energías renovables .
Renovar Sustain Energy Rev 2017;69:596–609.
[25] Torkayesh AE, Ecer F, Pamucar D, Karamas¸a Ç. Evaluación comparativa del desempeño de la sostenibilidad social:
sistema integrado de ponderación basado en datos y modelo CoCoSo. Sustain Cities Soc 2021;71:102975.
ÿ
[26] Mati´c B, Jovanovi´c S, Das DK, Zavadskas EK, Stevi´c Z, Sremac S, Marinkovi´c M.
Un nuevo modelo híbrido de MCDM: selección de proveedores sostenibles en una empresa constructora.
Simetría 2019;11(3):353.
[27] Mohamadghasemi A, Hadi-Vencheh A, Hosseinzadeh LF, Khalilzadeh M. An
Enfoque de grupo integrado FWA-ELECTRE III basado en conjuntos difusos tipo 2 de intervalo para resolver los
problemas de MCDM utilizando la distancia límite media. compl. Intel. sist. 2020;6(2):355–89.
[28] Kamalahmadi M, Parast MM. Una revisión de la literatura sobre los principios de
resiliencia de la empresa y la cadena de suministro: principales hallazgos y direcciones para
futuras investigaciones. Int J Prod Econ 2016;171:116–33.
[29] Gaonkar RS, Viswanadham N. Marco analítico para la gestión del riesgo en las cadenas de suministro. IEEE Trans
Autom Sci Eng 2007;4(2):265–73.
[30] Pettit TJ, Fiksel J, Croxton KL. Garantizar la resiliencia de la cadena de suministro: desarrollo de un
marco conceptual. J Bus Logist 2010;31(1):1–21.
[31] Gunasekaran A, Subramanian N, Rahman S. Resiliencia de la cadena de suministro: papel de las complejidades
y estrategias. Int J Prod Res 2015;53(22):6809–19.
[32] Lam JSL, Bai X. Un enfoque de implementación de funciones de calidad para mejorar la resiliencia de la cadena
de suministro marítimo. Transport Res E Logist Transport Rev 2016;92:16–27.
[33] Ivanov D. Revelando interfaces de resiliencia y sostenibilidad de la cadena de suministro: un estudio de
simulación. Int J Prod Res 2018;56(10):3507–23.
[34] Liu CL, Shang KC, Lirn TC, Lai KH, Lun YV. Resiliencia de la cadena de suministro, firme
rendimiento y políticas de gestión en la industria del transporte marítimo de línea. Transporte Res Pol Pract
2018;110:202–19.
Machine Translated by Google
M. Yazdani et al.
[35] Golgeci ¨ I, Kuivalainen O. ¿Importa el capital social para la resiliencia de la cadena de suministro?
El papel de la capacidad de absorción y la alineación entre la gestión de la cadena de suministro y la
comercialización . Gerente de Mercado Industrial 2020;84:63–74.
[36] Goldbeck N, Angeloudis P, Ochieng W. Resiliencia óptima de la cadena de suministro con
consideración de la propagación de fallas y la logística de reparación. Transport Res E Logist Transport
Rev 2020;133:101830.
[37] Li Y, Zobel CW. Explorar la resiliencia de la red de la cadena de suministro en presencia de
efecto dominó Int J Prod Econ 2020:107693.
[38] Hosseini S, Ivanov D, Dolgui A. Revisión de métodos cuantitativos para el análisis de resiliencia de la cadena
de suministro. Transport Res E Logist Transport Rev 2019;125:285–307.
[39] Mitra K, Gudi RD, Patwardhan SC, Sardar G. Hacia cadenas de suministro resilientes:
análisis de incertidumbre utilizando programación matemática difusa. Chem Eng Res Des 2009;87(7):967–
81.
[40] Carvalho H, Barroso AP, Machado VH, Azevedo S, Cruz-Machado V. Rediseño de la cadena de suministro
para la resiliencia mediante simulación. Comput Ind Eng 2012;62(1):329–41.
[41] Torabi SA, Aghabegloo M, Meisami A. Un marco para la medición del desempeño de las cadenas de ayuda
humanitaria: un enfoque combinado difuso DEMATEL-ANP. Pinchar.
oper. Administrar Soc. 2012;1(1):1–10.
[42] Haldar A, Ray A, Banerjee D, Ghosh S. Un modelo híbrido de MCDM para un proveedor resiliente
selección. Int J Manag Sci Eng Manag 2012;7(4):284–92.
[43] Wang W, Plante RD, Tang J. Asignación de costos mínimos de los objetivos de mejora de la calidad bajo
la interrupción del proceso del proveedor. Eur J Oper Res 2013;228(2):388–96.
[44] Garvey MD, Carnovale S, Yeniyurt S. Un marco analítico para la propagación del riesgo de la red de
suministro: un enfoque de red bayesiano. Eur J Oper Res 2015;243(2): 618–27.
[45] Rajesh R, Ravi V. Selección de proveedores en cadenas de suministro resilientes: un relacional gris
enfoque de análisis. J Clean Prod ;86:343–59.
[46] Kabra G, Ramesh A. Análisis de impulsores y barreras de coordinación en
gestión de la cadena de suministro humanitario en un entorno borroso. Benchmark Int J 2015;22(4):559–
87.
[47] Dixit V, Seshadrinath N, Tiwari MK. Optimización basada en medidas de rendimiento de la resiliencia de la
red de la cadena de suministro: un enfoque NSGA-II+ Co-Kriging. Comput Ind Eng 2016;93:205–14.
[48] Mizgier KJ, Pasia JM, Talluri S. Asignación de capital multiobjetivo para el desarrollo de proveedores
bajo riesgo. Int J Prod Res 2017;55(18):5243–58.
[49] Mohaghar A, Sahebi IG, Arab A. Evaluación de los riesgos de la cadena de suministro humanitario utilizando
el método mejor-peor. En t. J. Soc. Comportamiento Educar economía Autobús. Ing. Ind. 2017;11(2): 309–
14.
[50] Qazi A, Dickson A, Quigley J, Gaudenzi B. Gestión de la red de riesgos de la cadena de suministro: una red
de creencias bayesianas y un enfoque basado en la utilidad esperada para gestionar los riesgos de la
cadena de suministro. Int J Prod Econ 2018;196:24–42.
[51] Elluru S, Gupta H, Kaur H, Singh SP. Modelos proactivos y reactivos para una cadena de suministro
resistente a desastres. Ann Oper Res 2019;283(1–2):199–224.
´
[52] López C, Ishizaka A. Un enfoque híbrido FCM-AHP para predecir los impactos de las decisiones de
ubicación de subcontratación en el extranjero en la resiliencia de la cadena de suministro. J Bus Res
2019;103: 495–507.
[53] Mzougui I, Carpitella S, Certa A, El Felsoufi Z, Izquierdo J. Evaluación de los riesgos de la cadena de
suministro en la industria automotriz a través de un FMECA basado en MCDM modificado.
Procesos 2020;8(5):579.
[54] Hendry LC, Stevenson M, MacBryde J, Ball P, Sayed M, Liu L. Resistencia de la cadena de suministro local
de alimentos al cambio constitucional: el efecto Brexit. Int J Oper Prod Manag 2019;39(3):429–53. https://
doi.org/10.1108/IJOPM-03-2018-0184.
[55] Shekarian M, Mellat Parast M. Un enfoque integrador para la gestión de la resiliencia y el riesgo de interrupción
de la cadena de suministro: una revisión de la literatura. En t. J. Logista. Res. aplicación 2021; 24(5):427–
55.
[56] Mi X, Tang M, Liao H, Shen W, Lev B. La encuesta de vanguardia sobre integraciones y aplicaciones del
mejor peor método en la toma de decisiones: ¿por qué, qué, para qué y qué sigue? Omega 2019;87:205–
25.
[57] Chakraborty S, Zavadskas EK. Aplicaciones del método WASPAS en la fabricación
Toma de decisiones. Informática 2014;25(1):1–20.
[58] Yazdani M, Gonzalez ED, Chatterjee P. Un marco de toma de decisiones de criterios múltiples para la gestión
de riesgos de la cadena de suministro agrícola en un contexto de economía circular.
Gestión Decis 2019. https://doi.org/10.1108/MD-10-2018-1088.
[59] Datta S, Mahapatra SS. Un sistema de apoyo a la decisión hacia la selección de proveedores en la cadena
de suministro resiliente: exploración de fuzzy-TOPSIS. Int J Manag Int Bus Stud 2014; 4(2):159–68.
[60] Ramezankhani MJ, Torabi SA, Vahidi F. Medición y evaluación del desempeño de la cadena de suministro:
un enfoque mixto de sostenibilidad y resiliencia. Comput Ind Eng 2018;126:531–48.
[61] Haghighi SM, Torabi SA. Un novedoso marco mixto de sostenibilidad y resiliencia para evaluar los sistemas
de información hospitalarios. Int J Med Inf 2018;118:16–28.
[62] Khan S, Khan MI, Haleem A, Jami AR. Priorización de los riesgos en la cadena de suministro de alimentos
Halal: un enfoque de MCDM. J. Mercado Islámico. 2019. https://doi.org/10.1108/JIMA-10-2018-0206 .
[63] Gan J, Zhong S, Liu S, Yang D. Selección de proveedores resilientes basada en BWM difuso y GMo-RTOPSIS
en el entorno de la cadena de suministro. Discreto Dynam Nat Soc 2019; 2019:2456260.
[64] Pamucar D, Yazdani M, Obradovic R, Kumar A, Torres-Jim´enez M. Un nuevo enfoque de toma de decisiones
neutrosófico híbrido difuso para el problema de selección de proveedores resilientes. Int J Intell Syst
2020;35(12):1934–86.
[65] Zadeh LA. Conjuntos borrosos. Inf. Control 1965; 8:338–53.
[66] Rezaei J. Mejor-peor método de toma de decisiones multicriterio. Omega 2015;53:
49–57.
[67] Guo S, Zhao H. Fuzzy mejor-peor método de toma de decisiones multicriterio y sus aplicaciones. Sistema
de base de conocimiento 2017;121:23–31.
14
Ciencias de la Planificación Socioeconómica 82 (2022) 101257
[68] Mou Q, Xu Z, Liao H. Un método mejor-peor multiplicativo difuso intuicionista para la toma de decisiones
grupales de criterios múltiples. Inf Sci 2016;374:224–39.
[69] Torkayesh AE, Malmir B, Asadabadi MR. Selección de tecnología de eliminación de residuos sostenible :
el método estratificado de toma de decisiones de criterios múltiples mejor-peor. Gestión de residuos
2021;122:100–12. ÿ
[70] Stankovi´c M, Stevi´c Z, Das DK, Suboti´c M, Pamuÿcar D. A new fuzzy MARCOS method for road traffic
risk analysis. Matemáticas 2020;8(3):457.
[71] Badi I, Pamucar D. Selección de proveedores para empresa siderúrgica mediante métodos combinados Grey-
MARCOS. Toma de decisiones: aplicación. Administrar Ing. 2020;3(2):37–48. [72] ÿali´c I, Stevi´c Z, Ateljevi
ÿ
´c J, Turskis Z, Zavadskas EK,decisiones
Mardani A.estratégicas
Un nuevo modelo integrado
en empresas MCDM-FODA-TOWS
de transporte. Facta Univ para
– SerelMech
análisis
Engde
2021;19(3):401–22.
[73] Boral S, Chakraborty S. Análisis de fallas de máquinas CNC debido a errores humanos: un enfoque FMEA
integrado basado en IT2F-MCDM. Ing Fail Anal 2021;130:105768.
[74] Celik E, Gul M. Identificación de peligros, evaluación de riesgos y control para la seguridad en la
construcción de presas utilizando un enfoque integrado de BWM y MARCOS en un entorno de
conjuntos difusos tipo 2 de intervalo. Construcción automática 2021;127:103699.
[75] Ecer F, Pamucar D. Técnica MARCOS en un entorno difuso intuicionista para determinar el desempeño de
las compañías de seguros ante la pandemia de COVID-19 en términos de servicios de salud. Software
informático de aplicaciones 2021;104:107199.
[76] Torkayesh AE, Alizadeh R, Soltanisehat L, Torkayesh SE, Lund PD. Una evaluación comparativa de la calidad
del aire en los países europeos utilizando un modelo integrado de apoyo a la toma de decisiones. Ciencias
de la Planificación Socioeconómica; 2021. pág. 101198.
¨ ÿ
[77] Büyükozkan G, Havle CA, Feyzioglu O. Una metodología difusa AHP y MARCOS difusa integrada basada en
DAFO para el análisis de la estrategia de transformación digital en la industria de las aerolíneas. J Gerente
de Transporte Aéreo 2021;97:102142.
´
[78] PwC (PricewaterhouseCoopers). Claves para la transformacion del sector agroalimentario andaluz.
PwC; 2017. https://www.pwc.es/es/home/assets/inf-se ctor-agroalimentario-andalucia-13092017.pdf.
[79] Extenda. Informe sobre el sector hortofrutícola en Andalucía para su internacionalizacion.
´
Extenda; 2018. https://www.extenda.es/wp-content/uplo ads/2018/01/
EXT_Hortofrut%C3%ADcola_2017publicado.pdf.
[80] Junta de Andalucía. https://www.juntadeandalucia.es/organismos/agriculturaga naderiapescaydesarrollosostenible/
actualidad/noticias/detalle/233591.html; 2020.
[81] Boÿzani´c D, Teÿsi´c D, Mili´cevi´c J. Un modelo híbrido difuso AHP-MABAC: aplicación en el ejército serbio:
la selección de la ubicación para el vadeo profundo como técnica para cruzar el río por tanques Toma de
decisiones: aplicación. Administrar Ing. 2018;1(1):143–64.
[82] Peng X, Huang H. Método difuso de toma de decisiones basado en CoCoSo con crítica para la evaluación de
riesgos financieros. Desarrollo Tecnológico y Económico de la Economía; 2020. pág. 1–30.
[83] Kahraman C, Keshavarz Ghorabaee M, Zavadskas EK, Cevik Onar S, Yazdani M,
Oztaysi B. Método EDAS difuso intuicionista: una aplicación a la selección del sitio de eliminación de
desechos sólidos. J Environ Eng Landsc Manag 2017;25(1):1–12.
[84] Ghorabaee MK, Amiri M, Zavadskas EK, Hooshmand R, Antucheviÿciene ÿ J. Fuzzy extension of the
CODAS method for multi-criteria market segment Evaluation.
J Bus Econ Manager 2017;18(1):1–19.
[85] Huss M, Brander M, Kassie M, Ehlert U, Bernauer T. El almacenamiento mejorado mitiga la vulnerabilidad
a las crisis del suministro de alimentos en la agricultura en pequeña escala durante la pandemia de
COVID- 19. Seguridad alimentaria mundial 2021;28:100468.
[86] Meredith D, McNamara J, van Doorn D, Richardson N. Esencial y vulnerable: implicaciones de Covid-19
para los agricultores en Irlanda. J Agromed 2020;25(4):357–61.
Morteza Yazdani trabaja actualmente en la Universidad Autónoma de Madrid, Campus de Cantoblanco. Trabajó
en la Universidad ESIC como Profesor Ayudante, Universidad Loyola Andalucía, campus de Sevilla y Universidad
de Toulouse. Morteza se encarga de la investigación en Gestión y Operaciones, específicamente en teorías de
toma de decisiones, gestión de la cadena de suministro y desarrollo sostenible. El Dr. Yazdani es miembro del
consejo editorial de International Journal of Productivity and Performance Management. Enseña gestión de
operaciones, gestión estratégica, negocios y matemáticas y estadísticas económicas, etc.
Ali Ebadi Torkayesh es investigador asociado y candidato a doctorado en la Escuela de Negocios y Economía de
la Universidad RWTH de Aquisgrán. Tiene M.Sc. en Ingeniería Industrial de la Universidad de Sabanci, Turquía.
Sus principales intereses de investigación incluyen aplicaciones de análisis de decisiones, investigación de
operaciones y análisis de datos en la gestión de la cadena de suministro, la gestión del transporte y la sostenibilidad.
El Dr. Prasenjit Chatterjee es actualmente el Decano (Investigación y Consultoría) del Instituto de Ingeniería
MCKV, Bengala Occidental, India. Tiene más de 100 trabajos de investigación en varias revistas internacionales y
conferencias revisadas por pares. Es autor y editor de más de 15 libros sobre toma de decisiones inteligente,
gestión de la cadena de suministro, técnicas de optimización, modelos de riesgo y sostenibilidad. Ha recibido
numerosos premios, entre ellos, el premio al mejor artículo de seguimiento, el premio al crítico destacado, el premio
al mejor artículo, el premio al investigador destacado y la medalla de oro de la universidad.
Alireza Fallahpour tiene su doctorado en ingeniería mecánica en la Universidad de Malaya. Es experto en
inteligencia artificial, toma de decisiones multicriterio, programación difusa y aprendizaje automático. Ha publicado
más de 20 artículos de investigación en las principales revistas como ESWA, JOCLP, CAIE, etc.
Maria Jose Montero-Simo es Catedrática de Marketing en la Universidad Loyola Andalucía (España). Es jefa del
Departamento de Gestión y coordina el grupo de Investigación en Capacidades Empresariales, Crecimiento
Económico y Desarrollo del Programa de Doctorado en
Machine Translated by Google

M. Yazdani et al. Ciencias de la Planificación Socioeconómica 82 (2022) 101257

Desarrollo Inclusivo y Sostenible. Maneja investigaciones sobre macro marketing, marketing social, Marketing y Marketing Ético. Imparte docencia en pregrado, posgrado y doctorado, en cursos como
marketing crítico y sistemas de marketing de alimentos. Enseña en títulos de pregrado, posgrado y Fundamentos de marketing, Marketing y desarrollo, Marketing social o Distribución comercial.
doctorado, cursos como Fundamentos de marketing, Marketing y desarrollo, Marketing social o
Fundamentos de investigación.

Rafael A. Araque-Padilla es Profesor Asociado de Marketing en la Universidad Loyola Andalucía
(España). Es el actual director del PhD. Programa en Desarrollo Inclusivo y Sostenible. La Dra. Araque-
Padilla maneja investigaciones sobre Macro marketing, Marketing y Desarrollo, Sistemas de Marketing
de Alimentos, Marketing Social, RSE y
Kuan Yew Wong tiene un doctorado de la Universidad de Birmingham, Reino Unido. Es profesor y jefe
del grupo de investigación de ingeniería industrial y de sistemas en la Universiti Teknologi Malaysia
(UTM), Malasia. También es ingeniero colegiado y miembro de la British Computer Society.

15