RESUMEN CONTROL 1 2022 – 1

LECTURA 1: A global meta‑analysis of yield and water productivity responses of vegetables to

deficit irrigation

Se necesitan estrategias que promuevan el uso eficiente del agua y la conservación del agua de riego
para lograr la seguridad hídrica y satisfacer la creciente demanda de alimentos. Este estudio de
metanálisis evaluó el efecto de la estrategia de riego deficitario (DI) en ocho vegetales para
proporcionar una estimación cuantitativa de las respuestas de rendimiento y productividad del agua
(WP) bajo texturas de suelo, climas y sistemas de producción variables (campo abierto e
invernadero). Este estudio analizó 425 comparaciones de rendimiento y 388 WP de diferentes
niveles de DI con riego total (FI), extraídas de 185 estudios publicados que representan a 30 países.
Pasando del nivel de riego más alto (> 80 % FI) al más bajo (< 35 % FI), la disminución general del
rendimiento fue de 6,9 a 51,1 % en comparación con FI, respectivamente. Las ganancias de WP
variaron de 8.1 a 30.1%, con 35–50% FI registrando los beneficios más altos. La textura del suelo
afectó significativamente el rendimiento solo bajo la clase de riego mínimo (< 35% FI), donde la
arcilla arenosa y la marga registraron la mayor (82,1%) y la menor (26,9%) disminución del
rendimiento, respectivamente. Entre los climas, el clima templado fue en general el más ventajoso
con la menor penalización de rendimiento (21,9 %) y la mayor ganancia de WP (21,78 %) en varios
niveles de DI. los

La aplicación DI bajo el invernadero provocó una menor reducción del rendimiento en comparación
con el campo abierto. Las ganancias de WP debidas a DI también fueron más altas para el
invernadero (18,4 %) que para el campo abierto (13,6 %). La consideración de las penalizaciones de
rendimiento y el costo del agua de riego ahorrada es crucial al diseñar las cantidades de riego
reducidas para los cultivos. Las reducciones de rendimiento bajo déficits de agua bajos a moderados
(> 65% FI) acompañadas de ganancias en WP pueden ser justificables a la luz de la restricción de
agua anticipada.

El agua es un factor decisivo para la producción de cultivos debido a su papel crucial en la absorción
y el transporte de nutrientes, la regulación de la temperatura y varios procesos fisiológicos, incluida
la fotosíntesis. A lo largo de los años, la agricultura intensiva en agua ha convertido a este recurso
en un factor limitante para la producción de cultivos, especialmente en áreas áridas y semiáridas
con escasez de agua. Teniendo en cuenta las crecientes demandas alimentarias y nutricionales de
la creciente población, una parte importante de la investigación agrícola se centra en mejorar la
eficiencia del uso del agua (WUE) y conservar el agua sin penalizar el rendimiento. Teniendo en
cuenta la complejidad de aumentar la EUA a través del mejoramiento debido a la compensación
entre la fotosíntesis y la transpiración, se requieren estrategias agronómicas1.

El riego deficitario (DI) es un enfoque directo de conservación del agua que consiste en reducir la
aplicación de agua para mejorar la productividad del agua (WP). El riego deficitario regulado (RDI) y
el secado parcial de la zona radicular (PRD) son dos métodos de programación de DI ampliamente
utilizados junto con el enfoque de DI clásico. En RDI, el riego se suspende por completo o se aplica
una cantidad limitada de agua durante una etapa de crecimiento del cultivo relativamente menos
sensible al agua. El PRD expone alternativamente las raíces de las plantas a ciclos de humectación y
secado en los que la mitad de la zona de la raíz está sujeta a estrés hídrico a la vez. En aras de la
uniformidad, solo se seleccionó para este estudio la estrategia DI clásica, en la que se aplica un
porcentaje del requerimiento total de agua del cultivo al cultivo durante toda la temporada de
crecimiento. El enfoque DI ha sido ampliamente investigado en varias especies de cultivos, incluidas
las hortalizas, al exponer los cultivos a diferentes niveles de estrés por humedad2,3. Debido a los
sistemas de raíces superficiales y la venta de productos vegetales en peso fresco, los cultivos de
hortalizas son relativamente más sensibles al estrés por humedad que los cultivos de campo3–5. En
consecuencia, para la mayoría de los cultivos de hortalizas, DI a menudo se asocia con pérdidas en
el rendimiento y la calidad. Sin embargo, una pequeña cantidad de evidencia indica que las
hortalizas pueden ajustarse a bajos niveles de déficit hídrico produciendo rendimientos
estadísticamente similares a los del riego total (FI)7–9. Por lo tanto, la combinación y el análisis de
los efectos de rendimiento de estos estudios en una sola escala pueden conducir potencialmente a
conclusiones más sólidas. Una revisión sistemática que compare los efectos de DI en el rendimiento
de varios vegetales puede revelar el potencial de diferentes niveles de estrés hídrico en estos
cultivos de vegetales y brindar una imagen completa a los tomadores de decisiones.

A la luz de la disminución de los recursos hídricos en todo el mundo, las restricciones de agua son
inevitables. En tal escenario, se da más énfasis a la producción por unidad de uso de agua
(productividad del agua) que a la producción por unidad de área (rendimiento). Una revisión
preliminar de los estudios de DI reveló que los estudios rara vez se enfocaban en una amplia gama
de niveles de riego, probablemente debido a limitaciones de financiamiento, mano de obra, área y
tiempo. Además, algunos estudios no proporcionaron resultados de WP para los cuales se tuvieron
que calcular estos valores. Por lo tanto, se necesita una combinación estadística de los resultados
de estos estudios para revelar los efectos de WP en una amplia gama de niveles de riego. Un
metanálisis de los estudios de DI que informan WP también puede producir información importante
sobre los niveles de umbral de DI por debajo de los cuales la WP comienza a disminuir.
Anteriormente, los investigadores realizaron metanálisis de WP/WUE afectados por las cantidades
de riego en varios cultivos de cereales, frutas, hortalizas y fibras a escala regional10,11 y mundial12–
16. Francaviglia y Di Bene10 evaluaron los cambios en el rendimiento y WP del procesamiento de
tomates bajo diferentes clases de riego para la región mediterránea. Un metanálisis global reciente
realizado por Cheng, et al.12 comparó las respuestas de rendimiento y WP de frutas, verduras
(tomate y papa) y cultivos de campo bajo diferentes regímenes de riego sin considerar el efecto de
diferentes niveles de riego en cultivos individuales. Estos metanálisis previos de vegetales evaluaron
la respuesta general de los vegetales como grupo o se enfocaron individualmente solo en el tomate
a escala regional10. Falta una comparación global del desempeño de varios otros vegetales
importantes bajo diferentes niveles de riego.

El alcance de los efectos del estrés hídrico en los cultivos varía según la especie, el genotipo, las
características del suelo y las condiciones climáticas. Debido a estos factores, se han informado
discrepancias en las respuestas de rendimiento a DI dentro de la misma especie6. La textura del
suelo es una característica clave del suelo que influye en las relaciones planta-agua debido a su papel
sustancial en la determinación de la infiltración del agua, el drenaje, la conductividad hidráulica, la
capacidad de retención de agua del suelo, el agua disponible para las plantas y la aireación del
suelo17. Dado esto, se espera que las plantas respondan de manera diferente a DI bajo texturas de
suelo contrastantes. Ahmadi et al.18 observaron efectos contrastantes del mismo nivel de DI en el
rendimiento de papas cultivadas en tres lugares con diferentes texturas de suelo. En consecuencia,
la textura del suelo también puede influir en la productividad del agua de los cultivos.
Anteriormente, Martin y Miller19 informaron respuestas de rendimiento similares bajo déficits de
agua bajos pero respuestas diferenciales

bajo estrés hídrico alto para papas cultivadas en suelos arenosos y arcillosos. La demanda de
evapotranspiración del cultivo (ETc) está determinada por factores climáticos, como la temperatura,
la radiación, la humedad y la velocidad del viento20. En regiones áridas y semiáridas (clima seco),
un calor de advección adicional aumenta la pérdida de agua (tanto por evaporación como por
transpiración) del sistema planta-suelo21. Incluso con tasas de riego basadas en ET similares, las
plantas de cultivo pueden experimentar diferentes niveles de estrés hídrico en climas variados. En
un experimento en múltiples ubicaciones realizado por Bang et al.22, la restauración de 50 % de ETc
redujo el rendimiento de la sandía en un 36 %, 30 % y 15 % en tres ubicaciones con características
climáticas y de suelo variables. Por lo tanto, los efectos de DI en el rendimiento de los cultivos y WP
pueden variar con las zonas climáticas. Además, las respuestas de los cultivos a la DI pueden variar
en condiciones de invernadero y de campo abierto debido al control ambiental parcial o total bajo
la producción en invernadero. Algunos estudios han comparado el uso de agua de hortalizas en
invernadero frente a campo abierto23–27, pero rara vez evaluaron diferentes niveles de DI
simultáneamente en dos sistemas de producción28. Dado que la producción en invernadero es de
suma importancia para los cultivos de hortalizas, como el tomate, el pimiento y el pepino, es
necesario cuantificar y comparar el rendimiento y la respuesta de WP de los cultivos de hortalizas
bajo varios niveles de DI en condiciones de invernadero y campo abierto.

El estudio actual empleó el método de metanálisis para estimar el rendimiento vegetal y las
respuestas de WP bajo varios niveles de déficit de agua afectados por variables tales como especies
de cultivo, textura del suelo, clima y sistema de producción (invernadero o campo abierto). Adu et
al.1 realizaron un metanálisis completo para evaluar el tamaño del efecto en el rendimiento para el
riego por secado parcial de la zona radicular (PRDI) y DI en comparación con FI para una amplia
gama de cultivos sin considerar las diferencias entre los niveles de déficit hídrico. Zheng et al.16
demostraron los efectos de varios niveles de DI en el rendimiento y WP del maíz (Zea mays L.). Sin
embargo, la evaluación de los efectos interactivos de los niveles de DI y las variables mencionadas
anteriormente es limitada. Hasta donde sabemos, no existe en la literatura ningún informe que
cuantifique el rendimiento y la variación de WP en cultivos de hortalizas a diferentes niveles de
estrés hídrico. En el presente estudio, realizamos varios metanálisis distintos para ilustrar las
penalizaciones de rendimiento y el cambio en WP asociado con diferentes niveles de estrés hídrico
y la interacción entre los niveles de estrés hídrico y las variables candidatas antes mencionadas para
la producción de hortalizas.
Efectos del riego deficitario por textura del suelo. (Fig. 3). Con un poco más de riego, es decir, con
35-50% FI, aunque el rendimiento disminuyó significativamente (aparte del suelo franco), hubo un
aumento significativo en WP sobre FI para algunas texturas de suelo. El rendimiento estuvo
significativamente influenciado por el tipo de suelo a < 35% FI. En esta clase de riego mínimo, el
suelo franco registró la reducción más baja en el rendimiento (26,9 %), seguido del suelo franco
limoso (38,2 %) y el suelo franco arcilloso (44,1 %), mientras que el suelo arcilloso arenoso tuvo la
mayor penalización de rendimiento con un 82,1 %. Se observó un patrón similar en un nivel de 35–
50 % de FI, donde el suelo franco volvió a sufrir la reducción de rendimiento más baja (28,5 %) (Tabla
complementaria S2). La textura del suelo no mostró una influencia significativa en el rendimiento
en niveles de 50–65 %, 65–80 % y > 80 % de FI, la variación en WP debido a la textura del suelo fue
significativa por debajo del 50–65 % de FI. Con 50–65 % de FI, la arcilla limosa, la arena y la arcilla
informaron el aumento más alto y significativo de 47,2, 28,9 y 26,5 % en WP, respectivamente (Tabla
complementaria S3). A este nivel de riego, solo la marga limosa sufrió una pérdida de WP del 6,7%
en comparación con FI, aunque no fue significativa. En 65–80% FI, WP aumentó significativamente
en suelos franco arenosos, francos, franco arcillosos y arcillosos.

Efectos del riego deficitario por clima. La respuesta del rendimiento a varios niveles de DI varió con
las condiciones climáticas. Excepto en la clase de FI > 80%, las penalizaciones de rendimiento más
bajas se observaron en condiciones templadas (Fig. 4). En

65–80% DI, el clima templado registró una disminución del rendimiento de solo el 6,9%, mientras
que las reducciones del rendimiento en el clima tropical y subtropical fueron del 17,5 y el 16,1%,
respectivamente. Aunque se observaron reducciones severas en el rendimiento en todos los climas
a niveles inferiores al 65 % de FI, la magnitud varió con el clima. Por ejemplo, bajo la clase 50–65%FI,
la penalización de rendimiento fue la más alta en el clima tropical (33,9%), mientras que el clima
templado reportó la reducción de rendimiento más baja (17,5%). El tamaño del efecto negativo
obtenido con 50–65 % de FI en climas tropicales fue comparable al obtenido con riego mínimo (< 35
%) en climas subtropicales y templados.

Efectos de campo abierto vs efecto invernadero. Los efectos en el rendimiento debido a los
diferentes niveles de DI siguieron una tendencia similar en condiciones de campo abierto e
invernadero, con respecto al aumento de las penalizaciones en el rendimiento con el aumento del
déficit de agua (Fig. 5). Bajo ambas condiciones, se observó una disminución dramática en el
rendimiento al pasar de 65–80% FI a

50–65% IF. El tamaño del efecto más negativo para el campo abierto en comparación con las
condiciones de invernadero en todas las clases de DI excepto < 35% FI indicó mayores penalizaciones
de rendimiento bajo la aplicación de DI en campo abierto que en el invernadero. Debajo

35%FI, el invernadero registró una caída del 77,7% en el rendimiento, que fue relativamente mayor
que la caída del 57,2% observada en campo abierto.
Discusión

La magnitud de la reducción del rendimiento aumentó con el aumento del déficit hídrico. El análisis
del tamaño del efecto reveló una

No puede disminuir el rendimiento para todas las clases DI en comparación con FI para todos los
cultivos con algunas excepciones que confirman el

hecho de que la mayoría de las hortalizas son sensibles al estrés hídrico. Sin embargo, reducciones
de rendimiento relativamente menores bajo

Los déficits de agua de bajos a moderados (> 65% FI) pueden ser aceptables en áreas con recursos
hídricos decrecientes, especialmente

para melón y sandía, que produjeron un rendimiento estadísticamente similar al de FI en

condiciones de bajo déficit de agua. Además, las penalizaciones de rendimiento bajo estos niveles
de DI pueden compensarse con un aumento en WP y una reducción en los costos de producción.
Como lo indica el análisis del tamaño del efecto de WP, para > 65 % de FI, WP aumentó
significativamente o estuvo a la par con FI (Fig. 1). La ganancia significativa en WP en todos los
niveles de DI en comparación con FI muestra que la berenjena es comparativamente resistente al
estrés hídrico. Al revisar los efectos de DI en vegetales, Singh et al.3 también informaron un mejor
desempeño de la berenjena entre los cultivos de vegetales en condiciones de déficit de agua. Para
la papa, el tomate y el pimiento, la ganancia más alta en WP al 35-50% FI sugiere que estos niveles
bajos de DI pueden ser ventajosos para áreas con una grave escasez de agua donde se le da más
énfasis a la WP del cultivo que al rendimiento. Sin embargo, dado que las verduras se venden en
peso fresco, la calidad del producto puede verse comprometida con tasas de riego muy bajas. Por
ejemplo, Badr et al.29 informaron una disminución del 36 % en el peso medio de los tubérculos (en
última instancia, el tamaño) para papas sujetas a riego con 40 % de ETc. Del mismo modo, Fabeiro
observaron un aumento sustancial en el porcentaje de tubérculos de tamaño pequeño (< 30 mm de
diámetro) empleando un 40% de riego basado en ETc. En tomate, se ha informado que un riego
deficitario mejora atributos de calidad, como sólidos solubles totales, azúcares, acidez titulable,
ácido ascórbico y color31,32. Recientemente, Darko et al.33 observaron un aumento significativo
en el contenido de carbohidratos en berenjenas que recibieron una restauración de ETc del 70 % en
comparación con ETc del 100 %. Tales ganancias son obviamente ventajosas y pueden contribuir a
la compensación del rendimiento. En tomates, se puede lograr una ganancia significativa en WP con
una reducción de tan solo el 5,5 % en el rendimiento usando riego con bajo déficit de agua (> 80 %
FI). Francaviglia y Di Bene10 concluyeron que la disminución en el rendimiento de los tomates
procesados sería marginal en un 70–80 % de la restauración de ETc. Una ganancia considerable en
WP (11,3 %) con una disminución moderada en el rendimiento (25,6 %) por debajo de los niveles de
FI de 50 a 80 % para la cebolla indica el potencial de ahorro de agua de estos niveles de DI para la
producción de cebolla en regiones con agua limitada (Fig. 2) . Según el análisis, > 80 % FI para pepinos
y > 65 % FI para melones parecen ser las opciones óptimas para conservar agua y mantener la
productividad (Fig. 2). Aunque la sandía registró la mayor ganancia en WP (47,3 %) por debajo del
35 % de FI, las penalizaciones de rendimiento también fueron altas (49,7 %).

Bajo condiciones de bajo déficit de agua (> 80% FI), las diferencias significativas generales para el
rendimiento y WP entre los estudios y las diferencias no significativas entre los estudios dentro de
un cultivo, excepto tomate, pimiento, cebolla y sandía, indican que la especie de cultivo fue la más
importante. determinante principal del rendimiento y WP a esta tasa de riego (Figura
complementaria S1). Las interacciones de otros factores (textura del suelo, clima y sistema de
producción) con la tasa de riego se hicieron más pronunciadas hacia tasas de riego más bajas, como
lo indica el aumento de las diferencias dentro de los cultivos con la tasa de riego decreciente.
Además de las especies de cultivo, los principales factores que pueden influir en el rendimiento del
cultivo y el WP bajo DI incluyen el método de riego, el genotipo, las enmiendas del suelo y factores
ambientales como el clima y las características del suelo6. La evaluación de los efectos interactivos
de estos factores y DI puede arrojar luz sobre las diferencias en los efectos de rendimiento
encontrados entre los estudios. En el metanálisis actual, intentamos cuantificar el efecto de la
textura del suelo, el clima y el sistema de producción (campo abierto/invernadero) en el
rendimiento y WP de cultivos de hortalizas sujetos a diferentes niveles de DI.

Los resultados indicaron ventajas de rendimiento y WP de la aplicación de DI a la producción de

cultivos de hortalizas bajo invernadero sobre campo abierto en todos los niveles de riego excepto
en condiciones de secano o casi secano (< 35% FI) (Fig. 5). El uso de estructuras controladas, como
el invernadero, puede reducir el requerimiento de agua del cultivo al disminuir la ET. La cubierta de
plástico reduce la velocidad del viento, reduce la radiación solar, atrapa las radiaciones de onda
larga y, por lo tanto, reduce las pérdidas de humedad24. En consecuencia, la ET de referencia bajo
el invernadero se reduce entre un 65 y un 80 % en comparación con las condiciones de campo
abierto35. Esta reducción en la demanda de agua bajo cultivos protegidos es más pronunciada en
climas secos (áridos y semiáridos) y tropicales caracterizados por condiciones de baja precipitación
y alta temperatura,

respectivamente. Harmanto et al.36 encontraron que la ETc para tomates dentro del invernadero
era del 75% de la exterior en un ambiente tropical. Bajo el ambiente mediterráneo, Stanghellini37
observó que la ET real dentro del invernadero era el 70% de la registrada en el exterior. Esto explica
las mayores ganancias de WP debidas a DI bajo el invernadero que en campo abierto. Por debajo
del nivel mínimo de DI, las plantas del invernadero obviamente no recibieron agua de lluvia, lo que
provocó una reducción drástica en el rendimiento y el WP. Al comparar el impacto de diferentes
niveles de DI en el rendimiento de pepino entre campo abierto e invernadero en un ambiente árido,
Alomran, et al.28 observaron pérdidas de rendimiento considerablemente mayores en campo
abierto que en invernadero con la reducción de la tasa de riego. La evidencia en la literatura y

los resultados actuales sugieren que la adaptación del cultivo protegido de hortalizas puede ahorrar
agua y mantener la productividad, especialmente en condiciones climáticas adversas. La integración
de los sistemas de recolección de agua de lluvia con el invernadero puede ayudar aún más a la
conservación del agua de riego.
Fortalezas, limitaciones e implicaciones. Nuestro estudio representa un análisis exhaustivo de los
efectos de la aplicación DI en el rendimiento y WP de los principales cultivos de hortalizas. La
heterogeneidad significativa entre los estudios encontrados en el análisis se explora mediante el
análisis de subgrupos de variables/factores definidos previamente. La estimación de los cambios
cuantitativos en el rendimiento y WP asociados con una amplia gama de niveles de riego para
cultivos de hortalizas individuales, bajo diversas texturas del suelo, condiciones climáticas y
entornos de producción proporcionados en este estudio podría ayudar en la toma de decisiones al
diseñar estrategias de riego limitadas en una región. La mayoría de los estudios incluidos en este
estudio proporcionaron información sobre los factores del subgrupo considerados para el análisis.
Sin embargo, algunos factores de confusión (p. ej., métodos de riego, pH del suelo, CE y densidad
aparente) que podrían ser responsables de la variación existente no se exploraron debido a la falta
de suficiente información disponible para generar suficientes comparaciones por pares. Existen
incertidumbres en dicho análisis debido a muchos otros factores, como las prácticas de manejo de
campo, la densidad de siembra, el manejo de nutrientes, los tiempos/intervalos de riego, el
mulching, así como las experiencias y preferencias de los investigadores. Algunas de estas
incertidumbres son difíciles de eliminar. Sin embargo, mientras extraíamos datos de los estudios
que informaban la interacción de los niveles de riego con otros factores, consideramos solo los
efectos del riego para excluir la variabilidad debida a otros factores. Por ejemplo, si un estudio
presentó una interacción significativa para el rendimiento y el WP entre los niveles de riego y el
acolchado, solo se incluyeron los efectos del riego, eliminando los efectos del acolchado.

El tamaño de la muestra del conjunto de datos para analizar los efectos de WP fue más pequeño
que el conjunto de datos de rendimiento, ya que pocos estudios no proporcionaron suficiente
información sobre las precipitaciones y el riego. Pocos subgrupos y niveles de riego para algunos
cultivos no pudieron incluirse en el análisis debido a la falta de disponibilidad de suficientes
comparaciones por pares. Pocos otros análisis de subgrupos se basaron en un número relativamente
menor de estudios, lo que redujo la confiabilidad de esos resultados a gran escala. Este metanálisis
determinó la viabilidad de la aplicación de DI bajo diferentes texturas de suelo, climas y sistemas de
producción colectivamente para ocho vegetales, pero las interacciones de estos factores con DI
pueden ser específicas de cada cultivo. Sin embargo, dicho análisis será viable solo en aquellos
cultivos en los que se disponga de suficientes estudios para generar un número razonable de
comparaciones por pares. Dado que cada año se agregan a la literatura una serie de nuevos estudios
que investigan las respuestas limitadas de irrigación de las hortalizas, es posible que en el futuro se
realice un análisis en profundidad centrado en un cultivo de hortalizas individual.

Conclusiones

En general, un nivel mayor que moderado de déficit de agua (<65% FI) tiene efectos adversos en el
rendimiento vegetal con respecto a menos de factores externos, como la textura del suelo, el clima
y el sistema de producción. Aunque la caída en el rendimiento fue estadísticamente significativo
incluso en condiciones de bajo déficit de agua, estos niveles de riego son justificables para las
regiones ya están experimentando o previendo restricciones de agua. A la luz de la disminución de
los recursos hídricos en todo el mundo, el agua las restricciones son inevitables. En tal escenario,
aumento de WP, disminución del costo de producción y mejora de la calidad. de los productos bajo
DI puede contribuir a la compensación de rendimiento. Teniendo en cuenta las pérdidas y ganancias
de rendimiento en WP, las tasas de riego pueden asignarse dependiendo de la disponibilidad de
agua. Con base en las ganancias de WP, los niveles de riego tan bajo como 35–50% FI para patatas,
tomate y pimiento, y 50–65% para cebolla e incluso < 35% FI para berenjena y la sandía parece ser
una opción para áreas con escasez severa de agua. Sin embargo, los mayores déficits de agua
también pueden tener un efecto adverso sobre la calidad en términos de reducción del tamaño del
fruto/tubérculo, como lo sugieren algunos estudios previos.

Para muchas verduras, todavía falta información sobre aspectos cualitativos como los niveles de DI
afectados.

Los efectos de la textura del suelo sobre el rendimiento vegetal fueron significativos solo bajo
condiciones de secano (< 35% FI) en las que el medio a los suelos de textura fina fueron ventajosos
sobre los suelos gruesos. En general, el suelo franco registró la menor reducción en el rendimiento
bajo casi todos los niveles de DI. En el sistema de producción de campo abierto, el riego deficitario
fue más beneficioso en climas templados.

clima especialmente en DI moderado (50–80% FI). La aplicación DI bajo invernadero registró una
menor reducción del rendimiento en comparación con las condiciones de campo abierto. El cambio
en WP siguió un patrón similar tanto bajo invernadero y campo abierto, pero la magnitud de las
ganancias de WP fue considerablemente mayor para las condiciones de invernadero. Estos
resultados, junto con los efectos climáticos, sugieren que la adaptación de la producción de
hortalizas protegidas es ventajosa para conservación del agua, especialmente para las duras
condiciones climáticas caracterizadas por bajas precipitaciones y altas temperaturas.

La mayoría de los estudios incluidos en este metanálisis no proporcionaron la desviación estándar

(DE) o la desviación estándar. (SE) valores. Las DE de estos estudios se interpolaron usando valores
de DE de otros estudios dentro de cada cultivo. Alentamos a los investigadores a incluir estas
medidas de dispersión de los datos. También alentamos a los inclusión de algunos otros detalles
importantes relacionados con los experimentos, como las características del suelo (textura, pH, CE,
materia orgánica), condiciones climáticas y métodos de riego.

LECTURA 2: A Project Life-Cycle Readiness Approach to Manage Construction Waste in Jordan

Resumen

La industria de la construcción es conocida por generar la mayor cantidad de residuos entre otras
industrias, lo que contamina significativamente el medio ambiente. Este estudio, por lo tanto,
examina las causas y fuentes de desperdicio en proyectos de construcción, considerando
actividades, entradas y salidas de cada fase del ciclo de vida de los proyectos de construcción (es
decir, concepto, definición, implementación y transición). Se realizaron treinta entrevistas
semiestructuradas con profesionales en proyectos de construcción en Jordania, incluidos
arquitectos, contratistas y administradores de proyectos. Los hallazgos revelan que los residuos
resultantes de los proyectos de construcción pasan por varias operaciones organizadas desde la
generación hasta la disposición final. Además, los desechos se generan en pequeñas cantidades en
las primeras etapas de la construcción del proyecto, pero aumentan a medida que el proyecto
avanza hacia el final. La contribución clave de este documento es complementar la literatura sobre
soluciones de gestión de residuos proporcionando un enfoque holístico para abordar los residuos
desde su raíz al incluir estrategias de gestión de residuos en todas las fases del ciclo de vida del
proyecto, no solo durante la fase de construcción. Esto se hace con una vista de preparación de
gestión para desarrollar una estrategia adecuada para la minimización de residuos de construcción
y mejorar la gestión de proyectos de construcción. La implicación práctica de este estudio es
proporcionar un marco holístico de gestión de residuos para que los profesionales lo adopten en las
primeras etapas del proyecto.

Introducción

El alto volumen de residuos generados por los proyectos de construcción es un serio desafío
económico, ambiental y social (Sarhan, et al., 2019). Los desechos de la construcción son el
resultado de actividades de construcción, como la movilización del sitio, la excavación, la
construcción nueva, la renovación, la restauración, la deconstrucción, la demolición y la destrucción
(Lu, Yuan y Xue, 2021). Se agrupa principalmente en residuos físicos y no físicos. Los residuos físicos
son principalmente hormigón roto, ladrillos, metales y otros materiales. Los residuos no físicos
incluye actividades sin valor agregado en el diseño, ejecución, adquisición y manejo de materiales
del proyecto (Foo, et al., 2013).

A pesar de la abundancia de investigaciones sobre gestión de residuos, los proyectos de

construcción aún generan grandes cantidades de residuos en diferentes formas, como madera,
plástico, papel, metales, hormigón, piedra, caucho y yeso (Tam, Soomro y Evangelista, 2018;
Mahpour y Mortaheb, 2018). En 2016, la UE generó 2.538 millones de toneladas de residuos, de los
cuales un 25%-30% fueron residuos de construcción. Solo en el Reino Unido, los residuos de la
construcción generaron 66 millones de toneladas en 2016 (Servicio de Estadísticas del Gobierno,
2019). En Jordania, los proyectos de construcción generaron 30 millones de toneladas de residuos
recibidos en los vertederos. Además, el sector de la construcción representa 40% del consumo de
energía y 12% del uso de agua dulce y produce hasta el 40% de los residuos sólidos anuales. A un
alto porcentaje de estos desechos podría haber sido quemado en el lugar o transportado a
vertederos (Alawneh, et al., 2019).

Según Akinade, et al. (2018), el principal objetivo de la gestión de los residuos de la construcción es
utilizar los materiales de construcción en su máximo potencial, reducir el consumo, minimizar la
eliminación y, al mismo tiempo, garantizar un nivel adecuado de protección ambiental y
sostenibilidad. En años anteriores se han llevado a cabo varios estudios de investigación sobre
construcción conectada a residuos. Osmani (2011) sugiere que la mayoría de estos estudios son
reactivos y están orientados a reciclar y reutilizar los residuos cuando se generan. Estos estudios
investigaron la cuantificación de residuos y el reciclaje de residuos in situ para desviar los residuos
de la construcción del vertedero. Por lo tanto, se han avanzado métodos, herramientas y técnicas
para manejar y tratar mejor el desperdicio de proyectos de construcción (Akinade, et al., 2018,
Davis, et al., 2021, Ding, et al., 2018). También se han realizado varios intentos para delinear los
residuos de la construcción y decodificar sus prácticas de gestión, con la intención de minimizar la
cantidad de residuos y aumentar las tasas de recuperación (Herrera, et al., 2020). McGrath (2001)
propuso un instrumento de minimización de residuos conocido como “SMART Waste”. Este
instrumento fue desarrollado como un estándar para revisar, disminuir y marcar los residuos de
proyectos de construcción para mejorar la recuperación de materiales de proyectos de
construcción. (Yuan 2013) utilizó el análisis FODA para analizar los residuos de la construcción en
Shenzhen, China, y sugirió varias estrategias para gestionar los residuos teniendo en cuenta los
factores internos y externos que contribuyen.

EL CICLO DE VIDA DEL PROYECTO DE CONSTRUCCIÓN

La gestión de proyectos se ve como un reflejo de las funciones de gestión, que implican la

planificación, organización, dirección y control de las fases del proyecto para lograr un objetivo
específico dentro de especificaciones predefinidas exactas (Atkinson, Crawford y Ward, 2006). Cada
proyecto pasa por una cadena de fases reconocibles, donde nace, se desarrolla y luego se entrega
(Zighan, Bamford y Reid, 2018). Si bien puede haber cierta superposición

a lo largo de las fases, el trabajo suele pasar de la fase primaria a la fase final. Una sola fase
proporciona la base para el trabajo realizado en la fase que sigue al ciclo de vida del proyecto
(Renuka, Umarani y Kamal, 2014).

En la literatura de gestión de proyectos, hay varios puntos de vista con respecto a la cantidad de
fases por las que pasa un proyecto, que varían de al menos tres fases a seis fases (Zighan, 2020). En
tal ciclo de vida, cada fase implica una colección de rituales delimitadores antes de pasar a otra fase
(van den

Ende y van Marrewijk, 2014). Si bien esta transición lineal ha sido criticada por ser incapaz de
involucrarse dinámicamente con proyectos complejos, el ciclo de vida del proyecto sigue siendo una
herramienta poderosa para visualizar proyectos en transición desde el concepto hasta la entrega
(Javed, Bamford y Abualqumboz, 2020). Tradicionalmente, un proyecto de construcción típico
consta de cuatro fases principales: inicio, planificación, construcción y cierre. Cada fase tiene su
propio cronograma de tareas, recursos, características y propósitos, con distintos grados
GESTIÓN DE RESIDUOS DE LA CONSTRUCCIÓN

Los residuos de la construcción surgen de las acciones de renovación, construcción y demolición de

proyectos de construcción pública, residencial e industrial. Los residuos se pueden clasificar según
el tipo de materiales utilizados o por las diversas actividades operativas en el proyecto (Ding, et al.,
2018). En general, el término desperdicio se refiere a un

sustancia o material que se desecha o se va a desechar. Los residuos también se conocen como
subproductos que se eliminan o rechazan debido a que ya no son valiosos o esenciales después de
que finalizan las operaciones de construcción (Davis, et al., 2021). Los desechos también pueden
tomar la forma de bienes e ingredientes sobrantes y arruinados que resultan del trabajo de
construcción o materiales usados temporalmente a través del proceso de acciones en el sitio (Poon,
Ann y Ng, 2001). Desde otra perspectiva, el desperdicio también puede definirse como actividades
innecesarias, esfuerzo adicional, uso improductivo del tiempo, junto con costos o recursos que se
han gastado de manera extravagante, descuidada o sin un objetivo final (Lu, Yuan y Xue, 2021). Por
lo tanto, los residuos de la construcción se pueden agrupar en residuos físicos o no físicos (Foo, et
al., 2013).

Los desechos físicos son una combinación de materiales no inertes e inertes que surgen de la
construcción, remodelaciones, excavaciones, reparaciones de caminos, destrucción y otras acciones
relacionadas con la construcción. Por ejemplo, algunos de estos desechos constituyen restos reales,
diversos tipos de bloques y ladrillos, muchos tipos de materiales plásticos, tejas, madera, papel,
refuerzos de acero y vidrio, además de tierra y piedras.

Metodología de investigación

En este trabajo se adoptó un enfoque cualitativo ya que proporciona un relato detallado de los
comportamientos y percepciones de las personas y facilita el estudio más detallado de sus opiniones
sobre un tema en particular (Sarhan y Manu, 2021). Como esta investigación es exploratoria, se
adoptó un enfoque cualitativo basado en entrevistas para explorar las causas clave de los residuos
de la construcción en función del ciclo de vida del proyecto.

El estudio se llevó a cabo en la industria de la construcción jordana, que enfrenta importantes

desafíos a nivel macro (p. ej., problemas socioeconómicos) y desafíos a nivel micro (p. ej., gestión
ineficaz) (Albalkhy y Sweis, 2019). Con una población de 10 millones y un área de 34,495 millas
cuadradas, la economía jordana es una de las economías más pequeñas de Medio Oriente. La
industria de la construcción contribuye 4,4% al PIB de Jordania (Departamento de Estadística, 2017).
Jordania tiene tres regiones (norte, centro y sur) de las cuales Amman (la capital), Irbid y Zarqa son
las ciudades más pobladas. La industria de la construcción en Jordania produce cantidades
significativas de desechos (principalmente hormigón y acero) como resultado de la mala calidad, las
tasas significativas de reelaboración y la escasez de habilidades (Al-Rifai y Amoudi, 2016). Estudios
recientes (p. ej., Sweis, et al., 2021) muestran que las empresas constructoras jordanas no dan
prioridad a la construcción.

Type of construction project No of Experts Participants

General buildings, such as house building 17 8 Architects
projects, commercial building projects, and
industrial construction projects. 2 Structural/Civil Engineers
4 Project Managers
Engineered construction projects, i.e., public 13 4 Architects
3 Contractors
construction projects that are funded by the
Jordanian government. 1 Structural/Civil
Engineers
CAUSAS Y FUENTES DE RESIDUOS DURANTE LA FASE DE CONCEPTO 4 Project Managers
Las preguntas de la entrevista y el análisis de datos estuvieron orientados a4identificar
Contractorslas causas y
fuentes de los desperdicios de la construcción durante la fase de anteproyecto. La falta de
colaboración y compromiso tempranos entre las partes interesadas del proyecto fue la causa de
desperdicio mencionada con más frecuencia durante esta fase. La Tabla 4 a continuación muestra
las percepciones de los participantes sobre las causas de desperdicio más impactantes durante la
fase de concepto del proyecto (es decir, la fase de inicio).

Una de las causas más críticas de los residuos en la que se centraron los participantes en la fase de
concepto del proyecto fue que los residuos no forman parte del criterio principal de selección del
proyecto. Por ejemplo, un arquitecto dijo que “la minimización de desechos no es uno de los pilares
principales del proceso de selección de proyectos ni un aspecto principal de los criterios de selección
de proyectos”. Los participantes también mencionaron varias causas que limitan la capacidad de la
gestión del proyecto para desarrollar planes y escenarios para gestionar los residuos durante la fase
de concepto del proyecto, como las características poco claras del proyecto a lo largo de esta fase.
Por ejemplo, un arquitecto dijo: “La calidad de las instrucciones que los ingenieros reciben de un
cliente normalmente es vaga y no estructurada en esta fase. Esto hace que sea muy difícil ver el
problema de los residuos del proyecto en este punto”. Los participantes enfatizaron los problemas
relacionados con el bajo nivel de cooperación y comunicación entre las principales partes
interesadas del proyecto durante la fase de concepto. El cliente, diseñador, el contratista y el
director del proyecto son responsables de reducir los residuos del proyecto. Según un director de
proyecto, “la responsabilidad de gestionar los residuos del proyecto es un esfuerzo colectivo y no la
responsabilidad individual de una persona o grupo en particular en el proyecto. Requiere coherencia
de esfuerzos entre todos los actores del proyecto”. Esto, según varios encuestados, señala la
importancia de tener una responsabilidad coordinada y distribuida entre las partes interesadas para
trabajar hacia un entorno colaborativo mejorado en las primeras fases de los proyectos de
construcción.

CAUSAS Y FUENTES DE RESIDUOS DURANTE LA FASE DE DESPLIEGUE

La cantidad de residuos estará en su punto máximo durante la fase de implementación (por ejemplo,
la fase de construcción). Reflexionando sobre esto, uno de los contratistas dijo: “Puede haber
algunas razones, pero el desperdicio es alto en esta fase”. Las principales causas y fuentes de
residuos durante la fase de construcción, señaladas por los encuestados, se resumen en la mayoría
de los participantes sostuvieron que la principal fuente de residuos en esta fase es el uso limitado
de métodos de construcción modernos. Según los participantes, el desperdicio es doble, por el uso
de métodos de construcción antiguos o tradicionales y/o por el uso de materiales de construcción
antiguos o tradicionales. Según un director de proyecto, “las obras deben realizarse con métodos y
materiales que sean compatibles con el medio ambiente y generen menos residuos. De lo contrario,
es probable que se produzca una gran cantidad de residuos al final del proyecto”. Por lo tanto, se
preguntó a los participantes por qué no se utilizan métodos de construcción modernos. El análisis
de datos ha identificado varias razones para esto. Por ejemplo, un contratista dijo que “el diseño
del proyecto y las especificaciones no son compatibles con los sistemas de construcción modernos”.
Además, un gerente de proyecto dijo: “…a veces es difícil persuadir al cliente para que use métodos
y materiales de construcción modernos, especialmente si esos métodos y materiales no se
presentaron al cliente durante la fase de diseño”. Otro contratista argumentó que “a veces el
contratista no conoce estos métodos modernos o no tiene experiencia relevante en estos métodos”.

CAUSAS Y FUENTES DE RESIDUOS DURANTE LA FASE DE TRANSICIÓN

Hubo acuerdo entre los participantes en que los residuos durante la fase de transición son producto
de las actividades de las fases anteriores. Sin embargo, según los participantes, el desperdicio en
esta fase suele ser limitado pero conlleva un alto riesgo. Un diseñador dijo, “el mayor desperdicio
en esta fase puede ser la negativa del cliente a recibir el proyecto debido a especificaciones
diferentes a las acordadas, o como resultado de aparentes defectos en la calidad de las obras”.
Según un director de proyecto, “en esta fase, se debe realizar una inspección de todo el edificio. Si
todo se hace correctamente, estas inspecciones son bastante sencillas de pasar”. También está el
problema de la clasificación de residuos - uno

de los contratistas dijo, “al final del proyecto hay dos tipos de residuos, materiales reutilizables, que
podrían ser utilizados en otros proyectos o reciclados para ser utilizados en otras industrias, y
materiales no reutilizables, que no pueden ser utilizados

o reciclado y debe ser trasladado al vertedero.” Sin embargo, un gerente de proyecto argumenta
que “la mayoría de las veces, estos materiales sobrantes que son reutilizables o no reutilizables se
envían al vertedero”. Según un jefe de proyecto, “crear un sistema de clasificación desde el punto
de partida del proyecto es fundamental para la gestión eficaz de estos materiales”.

Discusión

Los proyectos de construcción generan residuos tanto físicos como no físicos durante las diferentes
fases del ciclo de vida del proyecto. La literatura existente proporciona una plétora de
investigaciones sobre la gestión de residuos, pero estudios menos concluyentes sobre un enfoque
holístico de la dinámica del proyecto (desde la fase de concepto hasta la fase de transición) sobre el
origen de los residuos, sus causas y los facilitadores clave de las acciones de mitigación. Estos
esfuerzos de investigación han variado tanto en profundidad como en amplitud de análisis. Varios
estudios demostraron un análisis en profundidad de los residuos en una etapa específica del
proyecto, mientras que otros abarcaron más de una fase para comprometerse con varios

Mientras que la fase de definición se considera la fase crítica para minimizar los residuos de
construcción, la fase de implementación se considera la fase primaria en la que se genera una gran
cantidad de residuos (Ding, et al., 2018). La organización y gestión in situ se consideraron los factores
más significativos

que producen residuos sin contar con un proceso de reducción de residuos, dado que no tienen en
cuenta la reducción, el reciclaje o la reutilización de residuos. Durante la fase de despliegue de un
proyecto, se pueden generar residuos por cualquier insuficiencia, lo que resulta en el uso de
equipos, materiales, mano de obra o capital en cantidades mayores que las calculadas como
necesarias para el procedimiento de construcción. Según McGrath (2001), un proyecto eficiente en
residuos se caracteriza por maximizar los materiales utilizados y reutilizados durante las actividades
de construcción. Esto requiere adoptar métodos de construcción eficientes y modernos,
especialmente un adecuado sistema de segregación de diferentes materiales (cf. Davis, et al., 2021,
Lu, Yuan y Xue, 2021). De hecho, los métodos de construcción modernos y eficientes fueron otro
facilitador clave identificado por esta investigación como una estrategia subyacente clave para

minimizando los desperdicios durante la construcción. Lu, et al. (2021) argumentan que las técnicas
de prefabricación, como el uso de piezas y módulos preestablecidos, son más eficientes que otras
técnicas para disminuir los desechos de los proyectos de construcción. Se puede evitar recurrir a la
construcción fuera del sitio, el desperdicio debido al mal tiempo, los recortes, la rotura de materiales
y la alteración (Dainty y Brooke, 2004).
Una cultura de minimización de residuos que sea parte de las competencias, la conciencia y el
compromiso de los contratistas con el proyecto es crucial para impulsar la minimización de residuos
en la fase de construcción. Esto concuerda con estudios previos, por ejemplo, Osmani, Glass y Price
(2008) encontraron que la cultura tradicional de la construcción y la oposición al cambio son
obstáculos para la minimización efectiva de los residuos. Ajayi, et al. (2016) argumentan que,
independientemente de la adopción de varios métodos de gestión de residuos y la introducción de
varias medidas legislativas, la disminución de la cantidad de residuos producidos por la industria
sigue siendo un desafío. Esto se debe principalmente a factores culturales que contribuyen a la
intensidad de los residuos de la industria, lo que impide la eficacia de la adopción de las estrategias
de gestión de residuos existentes. En línea con el argumento anterior, nuestra investigación sugiere
que las estrategias de gestión de residuos no serán efectivas sin el compromiso y la dedicación de
todos los interesados en el proyecto (en particular, los contratistas, ya que están más involucrados
en la fase de operaciones). Aun así, dicha dedicación puede producirse por exigencias contractuales
y normativas que sancionen y premien en consecuencia la producción y minimización de residuos.

Implicaciones gerenciales

Los hallazgos de este documento tienen implicaciones importantes en las actividades de

construcción a lo largo del ciclo de vida del proyecto. El documento muestra que la fase de definición
es crucial para la minimización de residuos. Este documento también argumentó que una cultura
colaborativa es vital para provocar la minimización de residuos en los proyectos de construcción.
Teniendo esto en cuenta, se alienta a las empresas de construcción a integrar culturalmente la
gestión de residuos en

sus equipos de diseño. Si bien se requiere principalmente una capacidad de cooperación

interprofesional para los diseñadores/arquitectos, las empresas de construcción deben considerar
de manera crucial la competencia y el fundamentalismo en las tareas de diseño rudimentario y el
conocimiento de las actividades y materiales de construcción en sus equipos de diseño. Varias
partes interesadas pueden utilizar el marco propuesto para evitar el desperdicio de la construcción.
Ayuda a comprender las fuentes de desechos y a tomar decisiones para minimizar los desechos al
proporcionar un sistema de señales de alerta temprana para las estrategias de gestión de desechos
durante la fase de planificación de los proyectos de construcción.
Conclusión

Este documento propone que la mayoría de los desechos de la construcción se pueden evitar
mediante la identificación proactiva de las causas y fuentes de los desechos, centrándose en la
creación de valor ya sea temprano (o antes) de que ocurra el desperdicio. El documento presenta
que esto se puede hacer mediante la identificación de los habilitadores estratégicos clave de un
conjunto de acciones de mitigación que abordan la causa raíz de los desechos en cada fase del ciclo
de vida de la gestión del proyecto. Las causas de los residuos están relacionadas con todas las fases
del ciclo de vida del proyecto. Por tanto, estos residuos deben gestionarse en todas las fases de
laciclo de vida del proyecto. Este estudio argumenta, en línea con la investigación existente, que es
crucial tomar medidas para identificar

todas las actividades de producción de residuos desde el principio en las fases de concepto y
definición para poder gestionar los residuos durante todas las fases del proyecto. Sin embargo,
además de las contribuciones clave en el campo, este estudio argumenta que la gestión de residuos
debe considerar el ciclo de vida completo del proyecto y prever, controlar y evitar el desperdicio a
través de los facilitadores de preparación estratégica de las partes interesadas del proyecto.

Este estudio propone que un conjunto particular de medidas son fundamentales. Esto incluye
intensificar las medidas para evitar el desperdicio durante cada fase y emplear de manera proactiva
acciones de mitigación como la evaluación del proyecto, el análisis de las partes interesadas y el
monitoreo del alcance que ayudan más en las primeras fases. En consecuencia, la participación e
incorporación de las partes interesadas lo antes posible se han señalado como factores críticos para
resolver fundamentalmente los problemas de residuos. En este estudio se han identificado los
factores que afectan la aplicación de la gestión de residuos de la construcción. Los elementos más
importantes que impactan la aplicación de la gestión sistemática de los residuos de la construcción
son el diseño, el proyecto o la cultura corporativa, las reglamentaciones, las pautas de
procedimiento y los incentivos. De acuerdo con estudios anteriores, al colocar los desechos en el
centro de la fase de definición, el enfoque de abordar los desechos pasará de ser un problema en el
sitio a un problema de diseño.

Este documento hace una serie de contribuciones que pueden describirse como una contribución
incremental (Nicholson, et al., 2018) al conocimiento y la práctica al detectar el descuido en la
literatura existente sobre la gestión de residuos y al proporcionar un enfoque holístico y proactivo
de los residuos. En primer lugar, contribuimos al conocimiento mediante el avance de un enfoque
de ciclo de vida para detectar diversas causas y fuentes de desperdicio que abarcan las múltiples
fases de un proyecto. La investigación existente se ha centrado en un análisis en profundidad de las
fuentes de desechos, pero esto, en consecuencia, ha descuidado la amplitud de esos desechos que
se dispersan a lo largo del ciclo de vida del proyecto. Al destacar los facilitadores de preparación
estratégica, la segunda contribución es informar a la academia y la práctica.
sobre la importancia de contemplar de manera proactiva las diversas fuentes de desechos desde la
fase de concepto y las acciones de mitigación que se pueden diseñar para abordar los desechos
antes de que surjan. Finalmente, la tercera contribución es informar a los profesionales sobre cómo
crear enfoques de diseño de desperdicio mínimo para minimizar

residuos antes de que se generen y establecer un sistema de señales de alerta temprana para
abordar los residuos tan pronto como surjan.

Centrarse en la industria de la construcción jordana como escenario de investigación empírica

significa que nuestros hallazgos y conclusiones están especialmente diseñados para ese escenario.
Sin embargo, aunque la apreciación de las generalizaciones de tales entornos de investigación es
limitada, la forma en que se llevó a cabo la investigación puede evaluarse empíricamente en un
contexto similar para confirmar o refutar algunos de los resultados e implicaciones de la
investigación. Además, nosotros

Somos conscientes de que el tamaño de nuestra muestra es pequeño, pero este tamaño se decidió
cuando notamos que no surgía nueva información después de las últimas entrevistas en orden.
También somos conscientes de que nuestra muestra no incluye clientes directos. Finalmente, una
limitación se puede encontrar en el ciclo de vida del proyecto adoptado. Este documento utilizó un
ciclo de vida de proyecto lineal debido a las restricciones de los datos recopilados y, como resultado,
nos enfocamos en las cuatro fases principales de los proyectos y acordamos descartar un ciclo de
vida extendido que vaya más allá de la fase de entrega del proyecto.

Con estas limitaciones en mente, sugerimos una serie de investigaciones futuras. La investigación
adicional podría examinar la posibilidad de generalizar los resultados de la investigación al examinar
cuantitativamente las causas del desperdicio en una muestra a gran escala (por ejemplo,
comparación entre países). Esto puede significar entornos de investigación transversales en las tres
regiones de Jordania, segmentando la recopilación de datos en una combinación de pequeños,
medianos y grandes.

empresas de construcción en Jordania e incluyen clientes y sujetos gubernamentales. Además, los

estudios futuros en el contexto jordano pueden investigar variaciones de tipos y cantidades de
desechos en las diferentes regiones de Jordania. Otros estudios pueden investigar la aplicabilidad
de nuestro marco en entornos contextuales comparables (p. ej., regionales, culturales,
socioeconómicos). Asimismo, dado que este estudio cubre proyectos de construcción, los estudios
futuros podrían examinar específicamente métodos para minimizar los desechos en tipos
particulares de proyectos de construcción. Por ejemplo, la investigación futura podría centrarse en
las variaciones de los residuos de la construcción en proyectos financiados por empresas o privados
frente a proyectos financiados por el gobierno para estudiar factores como el cumplimiento, la
gobernanza y los modelos de financiación. Esto permitiría una evaluación de los métodos de
minimización de residuos entre varios tipos de construcción. proyectos Otra vía de investigación
futura podría ser el uso de un ciclo de vida extendido del proyecto (incluida la operación,
desmantelamiento y eliminación) para proporcionar una visión más holística de las estrategias de
minimización de desechos.

LECTURA 3: Assessing the impacts of irrigation termination periods on cotton productivity under
strategic deficit irrigation regimes

Determinar los períodos óptimos de finalización del riego para el algodón (Gossypium hirsutum L.)
es crucial para la utilización y conservación eficientes de los recursos finitos de agua subterránea del
Acuífero Ogallala en la región de Texas High Plains (THP). El objetivo de este estudio fue sugerir
períodos óptimos de finalización del riego para diferentes estrategias de riego basadas en el
reemplazo de la evapotranspiración (ET) para optimizar el rendimiento del algodón y la eficiencia
del uso del agua de riego (IWUE) utilizando el modelo CROPGRO-Cotton. Reevaluamos un modelo
CROPGRO-Cotton previamente evaluado utilizando datos fisiológicos de temporada y rendimiento
actualizados de las temporadas de crecimiento de 2017 a 2019 de un experimento IWUE en Halfway,
TX. Luego, el modelo reevaluado se usó para estudiar los efectos de las combinaciones de períodos
de terminación de riego (entre el 15 de agosto y el 30 de septiembre) y estrategias de riego por
déficit/exceso (55%-115% ET-reemplazo) bajo años secos, normales y húmedos utilizando datos
meteorológicos de 1978 a 2019. El 85% Se encontró que la estrategia de reemplazo de ET es ideal
para optimizar el uso del agua de riego y el rendimiento del algodón, y el Se encontró que el período
óptimo de finalización del riego para esta estrategia fue la primera semana de septiembre. durante
los años secos y normales, y la última semana de agosto durante los años húmedos. Terminación de
riego períodos sugeridos en este estudio son útiles para optimizar la producción de algodón y IWUE
bajo diferentes niveles de disponibilidad de agua de riego.

La agricultura de regadío en muchas regiones semiáridas y áridas de todo el mundo se ha visto

amenazada debido a la disminución de los recursos hídricos. La zona semiárida de Texas High Plains
(THP) es una de las regiones agrícolas más productivas de los Estados Unidos (EE. UU.),
principalmente debido a la disponibilidad de agua de riego del vasto acuífero subyacente de Ogallala
que se extiende por ocho estados1. Alrededor del 95 % del agua bombeada de este acuífero se
utiliza para la agricultura de regadío2 y más del 90 % de las necesidades totales de agua de la región
se satisfacen con este acuífero4,5. Los productores de esta región tienen dificultades para satisfacer
todas las necesidades de agua de los cultivos debido a la rápida disminución de los niveles de agua
subterránea y al aumento de los costos de bombeo1,6–8. La disminución promedio en el nivel del
agua subterránea entre el pre-desarrollo9 (~ 1950; año después del cual comenzó el bombeo
extensivo de agua subterránea para irrigación) y 2015 fue máxima en la porción de Texas del
Acuífero Ogallala entre ocho estados y se estimó en 12.5 m10. La disminución promedio en toda la
región del Acuífero Ogallala durante el mismo período se estimó en 4,6 m10.

El algodón (Gossypium hirsutum L.) es un importante cultivo de regadío que se cultiva en la región
THP, y contribuye con aproximadamente el 25 % de la producción de algodón de EE. UU. y el 64 %
de la producción de algodón de Texas11,12. Al igual que otros cultivos, la producción de algodón en
esta región depende del riego con agua extraída del Acuífero Ogallala. El aumento proyectado de la
temperatura y patrones de precipitación más erráticos en el futuro podrían intensificar aún más la
escasez de agua existente y afectar negativamente la producción de cultivos en esta región13–15.
Para prolongar la vida del Acuífero Ogallala y sustentar una economía basada en la agricultura, los
distritos de agua en las regiones THP han estado restringiendo las extracciones de agua subterránea
del acuífero. Por ejemplo, el Distrito de Agua de High Plains (HPWD)16 y el Distrito de Conservación
de Agua Subterránea de North Plains17 han establecido un límite anual de extracción de agua
subterránea de 460 mm (18 pulgadas).
[Reference]
Location and
experiment Climatic Soil types Irrigation Planting Results/Recommendation
period condition system period
Irrigation termination
suggested at cumulative
daily heat units(from crop
24 TexasA & M emergence) of 890°C in high
Low
AgriLife
Research, energy (7.6 mm d-1), and1000 °C in
Lubbock, Texas Semi-arid Olton clay precision
applica- Early low (2.5 mm d-1) and medium
27
(1996–1999)
28 cotton fields tion Optimal irrigation termina-
in states loam May to tion recommended
-1 at 192
(5.1 mm d ) irrigation level
Silty loam; end of GDD after physiological
of Arkansas, Sub-tropical Sandy loam; Furrow Mid- treatments
Louisiana, Mis- Clay; Silty clay cutout irrigation should be
irrigation May
April to Final
given much earlier on a high
sissippi, Missouri, end of water-retaining soil (Panoche
and Texas clay loam)than on a low
28 San Joaquin Hesperia Early
(2000–2007) May water-retaining soil (Hesperia
Valley, Califor- nia Semi-arid fine sandy Furrow April fine sandy loam)
(1954–1968) loam;
Panoche clay irrigation (early Optimal irrigation termina-
tion recommended at 350
loam
May in GDD after physiological
29 27 furrow- cutout. Irrigation
irrigated and 43 1967) approximately recommended
termination
pivot-irrigated
fields, Arkan- sas Sub-tropical Heterogenous Furrow End of 8 days before in furrow
32
(2005–2012)
19 cotton
fields in states of soils and pivot April to Optimal
tion
irrigation
irrigated fields
pivotrecommended
termina-to
as compared
irrigated fieldsat 336
Arkansas, Silty loam; irrigation early
Louisiana, Sub-tropical Sandy loam; Furrow Mid- GDD after physiological
Mississippi, and Silty clay May cutout irrigation termina-
Missouri
(2000–2004) irrigation April to Optimal
tion recommended at
end of 300—400 Growing Degree
33 St. Lawrence, Semi-arid Not reported Sub- Mid Days (GDD) after physiologi-
May cal cutout
Texas(2003) surface May Increase in cotton yield
34 reported when irrigation
Oklahoma drip termination periods moved
State University, Sub-humid Hollister silty Open Late from mid- to end- August
Oklahoma irrigation
(2015–2017) clay loam canal May to Significant increase in yield
reported with later (late
35 University of Casa early September) irrigation
Arizona, Tuc- son, Arid/semi-arid Grande Furrow End of termination
Arizona (2000– sandy loam;
2002) Indio clay irrigation June
March Terminating irrigation at first
open boll limited vegetative
loam growth and led to higher
36 Southern High Semi-arid Sandy loam Sprinkler to Mid mid- yields
Plains, Texas irrigation April
May to A significant increase in cot-
ton yield was reported with
37 Punjab later irrigation termination
(1984–1987)
Agricultural Tropical, Semi- Sandy loam Surface early
Early
Univer- sity, India
(2000–2003) arid flooding June to Early
April
irrigation termination
wasfound desirable in a dry
38 Texas Tech year for saving water for
University, Lub- Semi-arid Not reported Sub- early to future use
Early
bock, Texas
(2010–2011) surface MayMay
late
drip
irrigation
 Terminating irrigation at first
open boll resulted in higher
39 Bekaa Valley, Mediterranean Clay cotton yield as compared to
Drip Early to later irrigation termination
Lebanon irrigation mid-
(2001–2002) May
Resultados y discusión

Evaluación del modelo. Los parámetros ajustados durante la calibración del modelo DSSAT-CSM-
CROPGRO-Cotton son

presentado en la Tabla Suplementaria S1. El contenido inicial de agua del suelo también se ajustó
durante la calibración y el

el agua del suelo inicial calibrada para los años 2017, 2018 y 2019 fue de 0,10, 0,21 y 0,16 cm3 cm−3,
respectivamente. Resultados

de la calibración del modelo para la simulación de las etapas fenológicas del algodón, la altura del
dosel y el rendimiento del algodón en rama se presentan en las siguientes secciones.

Etapas fenológicas del algodón. Las fechas simuladas de inicio de las diferentes etapas fenológicas
del algodón estuvieron dentro del rango de fechas medidas durante la calibración y la evaluación
del modelo (Tabla complementaria S2). los

las fechas de inicio de las etapas fenológicas medidas fueron muy variables durante el experimento
de campo debido a las diferencias en las cantidades de riego aplicadas bajo diferentes tratamientos
y la variabilidad en la temperatura de la temporada de crecimiento durante los años del
experimento de campo. Las etapas de antesis y madurez fisiológica ocurrieron antes durante el año
2018 en comparación con otros años debido a las mayores temperaturas del aire (la temperatura
máxima promedio estacional fue de 28.0 °C, 29.1 °C y 28.3 °C durante los años 2017, 2018 y 2019,
respectivamente), lo que resultó en un rápido crecimiento y el intervalo de tiempo más corto entre
las etapas de desarrollo. De manera similar, la madurez fisiológica se retrasó en el año 2017 debido
a temperaturas relativamente más bajas durante períodos posteriores de la temporada de
crecimiento. El parámetro de cultivar EM-FL (tiempo entre la emergencia de la planta y la aparición
de la flor) y los parámetros del ecotipo PL-EM (tiempo entre la siembra y la emergencia) y EM-V1
(tiempo requerido desde la emergencia hasta la primera hoja verdadera) se ajustaron durante la
calibración para obtener una coincidencia razonable entre las fechas simuladas y medidas de inicio
de las etapas de crecimiento (Tabla complementaria S1).

Altura del dosel de algodón. Las alturas de dosel medidas y simuladas en diferentes tratamientos de
riego coincidieron bien durante la calibración del modelo (Figura complementaria S1) y la evaluación
(Figura complementaria S2). Simu-

la altura del dosel simulada estuvo dentro del rango de alturas medidas, excepto en unos pocos
casos durante el año 2018. La altura del dosel simulado fue, en general, sobreestimada durante la
calibración (tratamientos de riego alto) y subestimada durante la evaluación (tratamientos de riego
deficitario) en todos los años. Modala et al.45 también informaron una predicción insuficiente de la
altura del dosel en el tratamiento de reemplazo de ET al 75%. El uso de la temperatura del aire, en
lugar de la temperatura del dosel para la simulación del crecimiento de los cultivos, podría ser una
razón para la predicción insuficiente o excesiva de la altura del dosel40. Los parámetros del ecotipo
del modelo RWDTH (ancho relativo del ecotipo en comparación con el estándar por nudo), TRIFL
(tasa de aparición de hojas en el tallo principal, hojas por día fototérmico) y RHGHT (altura relativa
del ecotipo en comparación con el patrón estándar). altura por nodo) afectaron la simulación de la
altura del dosel y, por lo tanto, se calibraron a valores de 1.0, 0.18 y 0.80, respectivamente (Tabla
complementaria S1). En general, las estadísticas de rendimiento del modelo en la predicción de la
altura del dosel en este estudio fueron muy buenas (Tabla complementaria S3) y fueron
comparables a los valores alcanzados en estudios anteriores45,49.

Rendimiento de semilla de algodón. Los rendimientos de algodón en rama medidos y simulados

concordaron bien durante la calibración y evaluación del modelo (Fig. 1, Tabla 2). El rendimiento del
modelo durante la evaluación fue comparable al

el de Adhikari et al.50, y el modelo evaluado en este estudio ha captado muy bien los efectos de las
diferencias en el riego tardío de la temporada sobre el rendimiento del algodón en rama. El
desempeño del modelo en la predicción del rendimiento del algodón en rama fue levemente mejor
durante la calibración (tratamientos de alto riego) que durante la evaluación (tratamientos de
limitación de agua) (Cuadro 2). Estos resultados refuerzan los resultados de estudios anteriores que
informaron una predicción insuficiente significativa del rendimiento del algodón en rama en
condiciones más secas40,45,52.

Impacto de la fecha de finalización del riego en el rendimiento simulado del algodón en rama y el
uso del agua de riego. En general, a medida que la fecha de finalización del riego avanzaba hacia el
final de la temporada de crecimiento, el rendimiento simulado del algodón en rama aumentaba
rápidamente hasta una determinada fecha de finalización, y luego la tasa de aumento

disminuyó sustancialmente o se volvió insignificante para las fechas de terminación restantes (Fig.
2). Cambios porcentuales en Luego se calculó el rendimiento medio de algodón en rama desde una
fecha de finalización hasta la siguiente fecha de finalización, y se identificaron las fechas ideales de
finalización del riego en función de nuestros criterios seleccionados (la fecha de finalización más
temprana en la que el rendimiento medio simulado de algodón en rama alcanzó un valor máximo o
cuando un aumento en el rendimiento medio de algodón en rama desde esa fecha de terminación
hasta la próxima fecha de terminación fue < 3%) (Fig. 3).
Como era de esperar, el período ideal de terminación del riego ocurrió más tarde en la temporada
en el caso de estrategias de riego deficitario (55%, 70% y 85% de reemplazo de ET) en comparación
con las estrategias de riego completo/exceso (100% y

115% ET-reemplazo) (Fig. 3). Con base en el rendimiento medio simulado del algodón en rama, las
fechas ideales de finalización del riego con estrategias de reemplazo de ET del 55 %, 70 %, 85 %, 100
% y 115 % se identificaron como el 12 de septiembre, el 5 de septiembre, el 5 de septiembre, el 29
de agosto y el 29 de agosto. 29 de agosto, respectivamente, en condiciones climáticas normales. En
el caso de los años lluviosos, los periodos ideales de finalización del riego fueron los mismos que los
de los años normales, excepto para la estrategia de reemplazo de ET del 85% en la que se encontró
que el periodo ideal de finalización era una semana antes. Idealmente, esperamos que los períodos
de finalización del riego en años húmedos sean una o dos semanas antes en comparación con los
años normales. Sin embargo, curiosamente, la precipitación promedio recibida desde mediados de
agosto hasta mediados de septiembre en años húmedos (~ 56 mm) fue menor que la recibida en
años normales (~ 60 mm), lo que finalmente afectó las fechas ideales de terminación del riego. En
el caso de años secos, se encontró que los periodos ideales de finalización del riego son una semana
más tarde que en años normales para estrategias de reemplazo de 55%, 70% y 100% ET, y similares
a años normales para 85% y 115% ET -estrategias de reemplazo. La inconsistencia en la fecha ideal
de terminación del riego en el caso de una estrategia de reemplazo de 100% ET se debió a los 57
mm de precipitación recibida entre el 29 de agosto y el 5 de septiembre en el año seco de 2002, lo
que resultó en una gran ganancia de rendimiento (mucho mayor que los 3 % de umbral utilizado en
nuestros criterios de selección) bajo una estrategia de reemplazo de ET del 100 %, y cambió la fecha
de finalización ideal en una semana. Algunas otras inconsistencias en las tendencias del rendimiento
medio simulado del algodón en rama también se debieron a la reclasificación de años secos,
normales y húmedos para cada fecha de finalización en función de la precipitación de la temporada
de crecimiento recibida hasta esa fecha de finalización, lo que dio lugar a que algunos años se
clasificaran bajo diferentes categorías para diferentes fechas de terminación (por ejemplo, el año
1995 fue clasificado como un año normal hasta la fecha de terminación del 12 de septiembre y como
un año húmedo para fechas de terminación posteriores).

Se encontró que el rendimiento de semilla de algodón simulado era el más bajo con una estrategia
de reemplazo de ET del 55 % seguida por la estrategia de reemplazo de ET del 70 %, como se
esperaba (Fig. 2a, b). Se encontró que la estrategia de riego con reemplazo de ET al 85 % era
beneficiosa para conservar el agua de riego, ya que resultó en una disminución leve o nula en el
rendimiento del algodón en comparación con la estrategia de reemplazo de ET al 100 % (Fig. 2c, d).
Proporcionar un exceso de riego que el requisito de ET (115% de reemplazo de ET) no contribuyó a
ningún aumento en el rendimiento simulado de algodón en rama (Fig. 2d, e). En años húmedos, el
exceso de riego que el requisito de ET (115% de reemplazo de ET) incluso ha resultado en una
disminución en el rendimiento del algodón en rama debido al exceso de estrés hídrico.
Curiosamente, se encontró que el rendimiento de algodón en rama simulado era el más alto en años
normales bajo la mayoría de las estrategias de riego. En algunos casos (p. ej., fechas de terminación
de riego del 15 de agosto y agosto
22 en el caso de las estrategias de reemplazo de ET del 85 %, 100 % y 115 %), el rendimiento
simulado del algodón en rama en los años húmedos fue menor que en los años secos. Esto también
se debió al exceso de estrés hídrico causado por las fuertes lluvias recibidas durante el comienzo de
la temporada de crecimiento. Otros investigadores informaron resultados similares y notaron que
la humedad

y el clima cálido es favorable para el algodón19,53–55, y las condiciones climáticas húmedas durante
períodos prolongados podrían conducir a pérdidas de rendimiento56–58. En general, se encontró
que el rendimiento simulado de algodón en rama bajo estrategias de riego deficitario (55%, 70% y
85% de reemplazo de ET) fue mayor en años normales/húmedos en comparación con años secos.
Sin embargo, en el caso de estrategias de riego completo/exceso (100% y 115% de reemplazo de
ET), no se encontraron diferencias significativas en el rendimiento simulado de algodón en rama
entre años secos y normales/húmedos, especialmente cuando el riego finalizó en fechas
posteriores.

El uso de agua de riego promedio simulado aumentó continuamente a medida que la fecha de
finalización del riego se movía hacia el final de la temporada de crecimiento (Fig. 3). Como se
esperaba, el uso medio simulado de agua de riego fue el más alto en los años secos para todas las
estrategias de riego, seguido de los años normales y húmedos (Fig. 3). El uso medio de agua de riego
simulado fue menor que el límite anual de bombeo de agua subterránea (460 mm) especificado por
HPWD en todos los escenarios de riego entre todas las categorías de años, excepto para la estrategia
de reemplazo de ET del 115 % durante años secos bajo riego ter fechas de minación del 26 y 30 de
septiembre (Fig. 3). Ale et al.20 también informaron que el uso de agua de riego de algodón bajo
riego completo puede exceder el límite de bombeo de HPWD si el riego se termina después del 5 de
septiembre en años secos y después del 12 de septiembre en años normales y húmedos. En general,
estos resultados indican que la adopción de estrategias apropiadas de riego deficitario junto con las
fechas de terminación sugeridas podría permitir a los productores lograr un IWUE más alto con una
reducción mínima o nula en el rendimiento del algodón en rama mientras cumplen con las
regulaciones de HPWD.

Impacto de la fecha de finalización del riego en la eficiencia del uso del agua de riego simulada
(IWUE). En general, a medida que la fecha de finalización del riego se movió hacia el final de la
temporada de crecimiento, la mediana simulada

IWUE aumentó hasta una determinada fecha de terminación y luego disminuyó para las fechas de
terminación posteriores. Las fechas ideales de finalización del riego se identificaron en función de
nuestros criterios IWUE seleccionados (fecha en la que la IWUE media simulada fue la más alta o la
fecha de finalización del riego más temprana en el caso de la misma IWUE máxima en varias fechas).
Según la IWUE mediana simulada, las fechas ideales de finalización del riego en años normales se
identificaron como el 19 de septiembre, el 5 de septiembre, el 5 de septiembre, el 5 de septiembre
y el 29 de agosto con un reemplazo de ET del 55 %, 70 %, 85 %, 100 % y 115 %. estrategias,
respectivamente (Fig. 4). En el caso de los años lluviosos, se encontró que los períodos ideales de
terminación del riego son una semana antes que los años normales bajo todas las estrategias de
riego. En el caso de los años secos, los periodos ideales de finalización del riego fueron los mismos
que en los años normales, excepto en la estrategia de reemplazo de ET al 70%, en la que se encontró
que el periodo ideal de finalización era una semana más tarde (Fig. 4). Idealmente, esperamos que
los períodos de terminación del riego en años secos sean una o dos semanas más tarde en
comparación con los años normales. Sin embargo, como se discutió anteriormente, se recibió una
cantidad sustancial de precipitación (57 mm) entre el 29 de agosto y el 5 de septiembre en el año
seco de 2002, lo que resultó en una gran ganancia de rendimiento y, en última instancia, afectó los
períodos ideales de finalización del riego para diferentes estrategias de reemplazo de ET en años
secos.

Períodos de terminación de riego óptimos sugeridos bajo diferentes estrategias de riego por
exceso/déficit. Los períodos ideales de finalización del riego identificados para diferentes estrategias
de riego por exceso/déficit con base en el rendimiento medio del algodón en rama y el IWUE fueron
en su mayoría similares, excepto por el 100 % y el 55 % de reemplazo de ET

estrategias en años normales, y 115% y 70% de estrategias de reemplazo de ET en años húmedos

(Cuadro 3). En años normales, hubo un aumento insignificante en el rendimiento cuando la fecha
de finalización del riego se cambió del 29 de agosto al 5 de septiembre en el caso de la estrategia
de reemplazo del 100 % de ET (valor P = 0,39), y del 12 de septiembre al 5 de septiembre.

19 en el caso de la estrategia de reemplazo de ET al 55% (valor P = 0,62) (fig. 5). Por lo tanto, el 29
de agosto y el 12 de septiembre se consideraron los períodos óptimos de finalización del riego para
las estrategias de reemplazo de ET del 100 % y el 55 %, respectivamente en años normales, ya que
se puede lograr un IWUE más alto con estas fechas de finalización con una pérdida de rendimiento
insignificante. En contraste, en años húmedos, el aumento en el rendimiento fue significativo
cuando la fecha de finalización del riego se cambió del 22 de agosto al 29 de agosto en el caso de la
estrategia de reemplazo de 115% ET (aumento del 10%), y de agosto

del 29 al 5 de septiembre en el caso de estrategia de sustitución de TE al 70% (aumento del 6,5%)

(fig. 5). Además, el uso de agua de riego simulado fue sustancialmente menor que el límite anual de
extracción de agua subterránea cuando el riego finalizó el 29 de agosto (206 mm) en el caso de una
estrategia de reemplazo del 115 % de ET y el 5 de septiembre (181 mm) en el caso de un 70 % de ET
-estrategia de reemplazo. Por lo tanto, el 29 de agosto y el 5 de septiembre se consideraron como
los períodos óptimos de finalización del riego para las estrategias de reemplazo de 115% y 70% de
ET, respectivamente, en años húmedos (Cuadro 3).
Determinación de períodos óptimos de terminación de riego para algodón. Usando lo evaluado

Modelo CROPGRO-Cotton, se realizaron simulaciones a largo plazo (1978–2019) para cinco

estrategias de riego por déficit/exceso.

(55% a 115% de evapotranspiración (ET)-reemplazo en incrementos de 15%) con ocho

terminaciones de riego fechas con un intervalo de una semana entre el 15 de agosto y el 30 de
septiembre. El reemplazo de ET se refiere al ET demanda que es la acumulación de la transpiración
potencial diaria de la planta más la evaporación real del suelo menos la infiltración tración de la
lluvia (lluvia—escorrentía)84. El método de programación de riego 'Automático cuando se requiere'
se utilizó en este estudio manteniendo el umbral para activar y detener el riego en el 50 % y el 100
% del contenido de agua disponible, respectivamente, en los 30 cm superiores de profundidad de
manejo. Las cantidades estimadas de agua de riego diaria se con- considerado como el
requerimiento de agua de riego para una estrategia de reemplazo del 100% de ET. Requerimientos
de agua de riego para otras estrategias de reemplazo de ET se estimaron luego multiplicando el
100% del riego de reemplazo de ET scripciones con un multiplicador adecuado (p. ej., 0,85 para un
escenario de sustitución del 85 % de ET). La fecha sabia estimada Las cantidades de riego para
diferentes estrategias de reemplazo de ET finalmente se ingresaron manualmente en el modelo.
Estimado Se eliminaron las aplicaciones de riego en todas las fechas posteriores a la fecha de
finalización del riego simulado. dos antes de plantar Se aplicaron riegos de 25,4 mm cada uno los
días 25 y 29 de abril en todos los años para que todos los escenarios representaran un práctica típica
seguida en la región de estudio y adoptada en los experimentos Halfway51,61. Los impactos de las
condiciones ambientales durante la temporada de crecimiento en el IWUE del algodón y el
rendimiento del algodón en rama bajo diferentes fechas de finalización del riego y las estrategias de
riego por déficit/exceso se estudiaron dividiendo el período de simulación en (i) años secos, (ii)
normales y (iii) húmedos de acuerdo con la precipitación total recibida de 1 de abril hasta la fecha
de finalización simulada durante la temporada de crecimiento (Figura complementaria S3). El primer
año de simulación, 1978, se consideró como el período de calentamiento del modelo y, por lo tanto,
se excluyó del análisis85. Los años 1985, 1992 y 2015 (años extremadamente húmedos) y el año
2011 (año extremadamente seco) resultaron ser valores atípicos y por lo tanto, también fueron
excluidos del análisis. Después de ordenar los 37 años restantes por temporada de crecimiento pre-
cipitación, los últimos 12 años de baja precipitación se clasificaron como años "secos" y los 12
primeros años de alta precipitación años se clasificaron como años "húmedos". Los 13 años
restantes se clasificaron como años "normales". Recomendaciones sobre períodos ideales de
terminación de riego para la producción de algodón bajo diferentes ET-reemplazar- Las estrategias
de gestión se realizaron con base en IWUE y rendimiento simulados, teniendo en cuenta el
rendimiento anual de HPWD. límite de extracción de agua subterránea para riego de 460 mm. El
IWUE se estimó como el cociente de la diferencia entre rendimiento de algodón de regadío y de
secano, a la cantidad de agua de riego estacional aplicada19,20. como tierra firme tratamiento no
se incluyó en el experimento de campo, se realizaron simulaciones a largo plazo (1978-2019) con la
evaluación modelo para un escenario hipotético de tierras secas, y el rendimiento promedio
simulado se consideró como el escenario de tierras secas rendimiento para estimar IWUE. Con base
en el rendimiento simulado, la fecha de terminación más temprana en la que la mediana el
rendimiento del algodón en rama alcanzó un valor máximo o cuando un aumento en el rendimiento
medio del algodón en rama a partir de esa terminación fecha a la próxima fecha de terminación fue
< 3%, se consideró ideal. Con referencia a IWUE, una fecha de terminación correspondiente al IWUE
máximo simulado se consideró ideal. Cuando el mismo IWUE máximo fue simulado en múltiples
fechas de terminación de riego, la fecha de terminación de riego más temprana entre ellas fue
considerado ideal. Luego se compararon los períodos ideales de finalización del riego identificados
con base en el rendimiento medio simulado del algodón en rama y el IWUE medio simulado, y si se
encontraba que eran diferentes, se llevó a cabo un análisis estadístico usando una prueba t de
Student86 para decidir una terminación óptima. período que proporciona mayor rendimiento de
algodón en rama y IWUE. Se realizó una prueba t de dos colas pareadas (considerando la misma
población dos veces para dos períodos de terminación de riego diferentes identificados en función
del rendimiento y el IWUE) a un nivel de significación de

95% (valor P ≤ 0,05) usando el comando T.TEST en Microsoft Excel.

Conclusiones

El modelo DSSAT CSM CROPGRO-Cotton se utilizó en este estudio para evaluar los efectos de la
terminación del riego fechas en IWUE y rendimiento de algodón en rama bajo estrategias
estratégicas de riego deficitario. DSSAT previamente evaluado El modelo CROPGRO-Cotton50 se
reevaluó utilizando datos de fenología de cultivos de temporada y datos de rendimiento de algodón
en rama recolectado de un experimento IWUE de algodón en Halfway, TX durante 2017-2019. El
modelo evaluado realizó bien en la simulación de las fechas de inicio de las diferentes etapas
fenológicas del algodón, la altura del dosel y el rendimiento del algodón en rama. Las fechas óptimas
de finalización del riego para las estrategias de reemplazo de ET del 55 %, 70 %, 85 %, 100 % y 115
% fueron identificado como 12 de septiembre, 5 de septiembre, 5 de septiembre, 29 de agosto y 29
de agosto, respectivamente, en condiciones normales las condiciones climáticas. Se encontró que
los períodos óptimos de finalización del riego eran similares o una semana antes o después que en
años normales en años húmedos/secos. La estrategia de reemplazo de ET del 85 % junto con el
óptimo sugerido Se encontró que las fechas de finalización del riego del 5 de septiembre en años
secos y normales y del 29 de agosto en años húmedos ser la estrategia más eficiente para ahorrar
entre 17 y 41 mm de agua de riego al año. Riego mediano simulado el uso de agua fue menor que
el límite anual de extracción de agua subterránea (460 mm) especificado por HPWD en todos los
estrategias simuladas (excepto para las fechas de finalización del riego a fines de septiembre en caso
de reemplazo del 115% de ET) durante los años secos), lo que indica que la adopción de estrategias
apropiadas de riego deficitario basadas en los recursos disponibles Las capacidades de riego podrían
permitir a los productores lograr un mayor rendimiento de algodón en rama y IWUE mientras
cumplen con las regulaciones HPWD. Sin embargo, las decisiones de terminación del riego también
deben considerar las diferencias en el agua capacidad de retención del suelo, prácticas de manejo
del cultivo, características del cultivo, salud del cultivo y la cantidad y la distribución de las
precipitaciones al final de la estación. Además, extender estas simulaciones a diferentes sitios en
THP podría fortalecer las recomendaciones sobre decisiones de terminación de riego. Además, la
terminación del riego decisiones de ción basadas en el contenido de agua del suelo modelado hacia
el final de la temporada de crecimiento (el momento en que un el productor comienza a pensar en
la terminación del riego) podría ser relevante en la práctica. Nuestros futuros esfuerzos de
investigación se centrará en estas limitaciones.

LECTURA 4: Big Data Analytics in Supply Chain Management: A Systematic Literature Review and
Research Directions

Resumen: El análisis de big data se ha utilizado con éxito para diversas funciones comerciales, como
contabilidad, marketing, cadena de suministro y operaciones. Actualmente, junto con el desarrollo
reciente En el aprendizaje automático y la infraestructura informática, el análisis de big data en la
cadena de suministro está adquiriendo una importancia creciente. A la luz del gran interés y la
naturaleza evolutiva del análisis de big data en las cadenas de suministro, este estudio realiza una
revisión sistemática de los estudios existentes en el análisis de big data. Este estudio presenta un
marco de revisión sistemática de la literatura desde perspectivas interdisciplinarias. Desde la
perspectiva organizacional, este estudio examina los fundamentos teóricos y los modelos de
investigación que explican la sostenibilidad y los desempeños logrados mediante el uso de análisis
de big data. Luego, desde la perspectiva técnica, este estudio analiza los tipos de análisis, técnicas,
algoritmos y características de big data desarrollados para mejorar las funciones de la cadena de
suministro. Finalmente, este estudio identifica la brecha de investigación y sugiere direcciones
futuras de investigación.

1. Introducción

Los avances en técnicas de minería de datos y tecnologías móviles condujeron a la explosiva

crecimiento del análisis de big data (BDA) en todas las industrias. BDA transforma datos sin procesar
de bajo valor en información de alto valor para los responsables de la toma de decisiones
empresariales. El uso de BDA puede generar beneficios, como ahorro de costos, mejor toma de
decisiones y mayor calidad de productos y servicios [1]. BDA se ha utilizado con éxito en funciones
empresariales básicas, como contabilidad, marketing, cadena de suministro y operaciones. Por
ejemplo, las compañías de seguros han estado utilizando BDA y la extracción de datos para realizar
precios de pólizas más precisos mediante el uso de una variedad de grandes datos disponibles en
múltiples fuentes [2].

La cadena de suministro se ha convertido en la unidad organizativa central en la economía

globalizada [3]. En el entorno empresarial actual, en el que la competencia se da entre las redes de
la cadena de suministro, las empresas se enfrentan a la necesidad de gestionar eficazmente las
actividades de la cadena de suministro cada vez más amplias más allá de sus límites [4]. BDA en las
cadenas de suministro ha ganado importancia recientemente, ya que la computación en la nube
permite a los socios de la cadena de suministro recopilar, transmitir, almacenar y procesar una
enorme cantidad de datos de forma económica y compartir los datos/información en tiempo real.
Además, BDA para las cadenas de suministro demuestra un gran potencial para la mejora de
procesos, la reducción de costos y una mejor toma de decisiones para la gestión de la cadena de
suministro (SCM).

Debido al desarrollo reciente en el aprendizaje automático y la infraestructura informática, BDA en

la gestión de la cadena de suministro (SCM) está evolucionando rápidamente. Según marketsand-
markets.com [5], se espera que el tamaño del mercado global de big data crezca de USD 138,9 mil
millones en 2020 a USD 229,4 mil millones para 2025, a una tasa de crecimiento anual compuesto
(CAGR) del 10,6% durante el período de pronóstico . Entre las soluciones, se espera que el segmento
de análisis de big data crezca a la CAGR más alta durante el período de pronóstico y mantenga el
tamaño de mercado más grande durante el período de pronóstico.

Si bien BDA es un subconjunto de análisis de datos, nuestro estudio muestra que BDA es la tendencia
dominante en SCM. En los últimos años, ha habido un aumento en la investigación de BDA en el
área de SCM. Los investigadores han examinado varios aspectos del uso de BDA en SCM y han
publicado su trabajo en diversos medios de investigación en diversas áreas, como SCM, IS, gestión
de operaciones e informática, entre otros. Sanders et al. [6] destacan que las disciplinas dispares
que estudian los aspectos de SCM pueden correr el riesgo de inconsistencias en los hallazgos y la
fragmentación de la investigación. Requieren enfoques de investigación interdisciplinarios en SCM,
y este estudio responde a este llamado y realiza una revisión exhaustiva de la literatura de BDA en
SCM desde perspectivas interdisciplinarias. Presentamos una revisión sistemática de la literatura de
artículos de investigación publicados entre 2011 y 2021 en revistas técnicas y de gestión.

2. Metodología para la revisión sistemática de literatura de BDA en SCM

BDA se está volviendo cada vez más importante para el campo de SCM. De ahí que en los últimos

década, ha habido una gran cantidad de investigaciones publicadas sobre BDA en el área de SCM y,
en consecuencia, hay muchos artículos de revisión publicados en esta área. Nuestro estudio revisa
la investigación en BDA en SCM desde las perspectivas de arriba hacia abajo y de abajo hacia arriba
y aborda algunas de las deficiencias de la investigación publicada existente, mientras que al mismo
tiempo las complementa. La Tabla 1 resume artículos de revisión seleccionados sobre análisis de
datos en el área de SCM.

El examen de las revisiones de la literatura publicada revela la importancia y diversidad de BDA para
la investigación de SCM. Además, también revela vías para obtener información adicional al revisar
más a fondo la investigación publicada, y son las siguientes. Primero, las revisiones existentes
tomaron perspectivas técnicas (p. ej., [7,15]) u organizacionales (p. ej., [13,17]). Sin embargo,
Arunachalam et al. [18] destacan que los desafíos en el uso de BDA en SCM implican aspectos tanto
técnicos como organizativos. Por lo tanto, una perspectiva interdisciplinaria que involucre
perspectivas técnicas y organizacionales en la investigación publicada podría proporcionar una
visión holística de la BDA en la investigación SCM para la audiencia. En segundo lugar, con una
perspectiva interdisciplinaria, este estudio incluyó un conjunto exhaustivo de bibliotecas digitales
(Scopus, Web of Science, IEEE eXplore y biblioteca digital ACM) para explorar la investigación sobre
BDA en SCM. Esto es diferente a las revisiones anteriores sobre BDA en SCM, que se han basado en
SCOPUS y Web of Science en gran medida, lo que ha resultado en la exclusión de la investigación
orientada hacia aspectos tecnológicos. Este estudio también incluye publicaciones de investigación
de IEEE eXplore y ACM Digital Library para brindar una visión más inclusiva de los aspectos
organizativos y técnicos en la investigación de BDA en el área de SCM. En tercer lugar, algunos de
los artículos de revisión anteriores se basaron en áreas específicas en el uso de análisis de big data
en las cadenas de suministro (p. ej., cadena de frío: [19]) o técnicas específicas de análisis de big
data en la gestión de la cadena de suministro (p. ej., máquina aprendizaje: [15]). Por lo tanto, se
justifica una revisión del corpus de investigación en todo el análisis de big data en SCM. En cuarto
lugar, a diferencia de estudios anteriores, en los que se utiliza un enfoque puramente de abajo hacia
arriba utilizando herramientas de software (p. ej., modelado de temas: [20]) o un enfoque de arriba
hacia abajo utilizando la categorización manual (p. ej., análisis de contenido de la literatura: [19]),
nuestro El estudio se basa en enfoques de arriba hacia abajo y de abajo hacia arriba para sintetizar
la investigación de BDA en el SCM. Usamos herramientas bibliométricas para identificar patrones
en la investigación y luego analizamos por separado artículos seleccionados usando marcos teóricos
para discutir los patrones en la investigación.

Análisis y Síntesis
El enfoque ascendente emplea el análisis automatizado de palabras clave de los artículos
seleccionados. El enfoque de arriba hacia abajo se utiliza para desarrollar un marco de revisión
sistemática de la literatura basado en el juicio de los autores. El análisis de palabras clave utiliza
VOSviewer para identificar los intereses comunes entre los 60 artículos seleccionados. Con al menos
tres ocurrencias simultáneas de palabras clave, se identificaron 16 palabras clave. La figura 2
muestra la red de coocurrencia de palabras clave.

Las palabras clave que coinciden con más frecuencia son big data, gestión de la cadena de
suministro, análisis de big data, cadenas de suministro, aprendizaje automático, análisis, toma de
decisiones, sostenibilidad, rendimiento empresarial y aprendizaje automático, etc. Basado en la
palabra de coincidencia análisis, desarrollamos un marco de la revisión sistemática de la literatura,
que consta de dos perspectivas de investigación: perspectivas organizacionales y perspectivas
técnicas. Las perspectivas organizacionales consisten en tres temas: (1) desempeño organizacional,
(2) sustentabilidad y (3) desafíos de implementación. Las perspectivas técnicas consisten en dos
temas: (1) aplicaciones de BDA y (2) arquitectura/infraestructura de BDA. Higoure 3 muestra el
marco con temas y subtemas que guiarán nuestra revisión de la literatura en las siguientes
secciones. La figura refleja que la sustentabilidad y el desempeño organizacional se logran mediante
el uso de tecnologías BDA.

Los datos recopilados de los documentos seleccionados incluyen:

- Referencia completa incluyendo el título del artículo, año de publicación y nombre de la revista

- Los autores)

- Objetivos y preguntas de la investigación.

- Temas/subtemas de investigación

- Métodos de búsqueda

- Funciones de la cadena de suministro apoyadas por BDA

- Desempeño organizacional/sostenibilidad

- Tipos de BDA

- Técnicas y algoritmos

- Arquitectura e infraestructura

- Prestaciones técnicas
Para extraer y mapear datos del artículo seleccionado, se desarrollaron formularios tabulares y los
resultados de los análisis detallados se discuten en las siguientes secciones.

3. Perspectivas organizacionales sobre BDA en SCM

BDA ha sido utilizado por una amplia gama de participantes de la cadena de suministro para apoyar
y mejorar sus actividades. BDA en SCM proporciona muchos beneficios y plantea desafíos para las
organizaciones. Por ejemplo, BDA puede ayudar a predecir mejor la demanda/oferta, analizar el
cambio de preferencias de los clientes, mejorar la visibilidad de la cadena de suministro y mejorar
la resiliencia de la cadena de suministro. Esta sección analiza tres temas de las perspectivas
organizacionales con respecto a los impactos de BDA en SCM en las organizaciones: (1) desempeño
organizacional, (2) sostenibilidad y (3) desafíos de implementación.

Teoría del Procesamiento de la Información Organizacional (OIPT)

De acuerdo con la teoría del procesamiento de la información organizacional (OIPT), a medida que
aumenta la incertidumbre de la tarea, una organización puede reducir la necesidad de información
o aumentar la capacidad de procesamiento de información para hacer frente a la incertidumbre de
la tarea [40]. Tomás et al. [41] sugirió que un mayor grado de uso de la información conduce a una
mejor interpretación estratégica, y la atención a una amplia gama de información tiende a influir
positivamente en la interpretación de los temas estratégicos. BDAC aumenta la velocidad de toma
de decisiones y acelera el cambio de poder en la organización [42]. Las necesidades de
procesamiento de información de SCM y el uso de BDA para una toma de decisiones rápida son
consistentes con los principios de OIPT.

Empleando OIPT, Srinivasan y Swink [29] identificaron la visibilidad de la oferta y la demanda como
una fuente fundamental de capacidad de análisis y flexibilidad organizacional como complemento
a la capacidad de análisis y demostraron que la capacidad de análisis está más fuertemente asociada
con el desempeño operativo cuando las organizaciones de la cadena de suministro también poseen
flexibilidad organizativa. Yu et al. [30] demostraron que BDAC tiene un impacto significativo en tres
dimensiones de la integración de la cadena de suministro del hospital: integración interfuncional,
integración hospital-paciente e integración hospital-proveedor, y tanto la integración hospital-
paciente como la integración hospital-proveedor afectan la flexibilidad operativa. Utilizando un
método Delphi, Rossmann et al. [31] demostraron que las aplicaciones BDA permiten la reducción
de la incertidumbre en las operaciones de la cadena de suministro y mejoran la transparencia de la
cadena de suministro, lo que facilita la rápida toma de decisiones y las respuestas a las
interrupciones de la cadena de suministro.
En resumen, BDA contribuye a la reducción de la incertidumbre a través de la capacidad de
procesamiento de información, afecta positivamente la integración de la cadena de suministro y
mejora la transparencia y el rendimiento operativo de la cadena de suministro.

Vista bajo recurso

De acuerdo con una visión basada en recursos (RBV), cada empresa debe tener un conjunto único
de recursos que la empresa pueda aprovechar para lograr una ventaja competitiva [43,44]. Como
no todos los recursos son iguales a la hora de crear una ventaja competitiva sostenible, muchos
investigadores se centraron en identificar los recursos que crean ventajas. Por ejemplo, Barney
[43,45] sugirió que los recursos que crean ventajas deben ser específicos de la empresa, raros y
difíciles de imitar. RBV sugiere que las empresas compiten no solo en términos de productos finales,
sino más fundamentalmente en términos de los recursos subyacentes, que hacen posible la
diversificación de la producción y los productos [46]. Se observa que mientras el DCV explica cómo
los procesos tecnológicos, organizativos y gerenciales internos permiten a las empresas generar
rentas económicas en entornos dinámicos, el RBV es una visión estática de los recursos de la
empresa [47].

Gunasekaran et al. [32] conceptualizaron la conectividad y el intercambio de información como

recursos y la asimilación del análisis predictivo de big data (BDPA) como una capacidad y
encontraron que la conectividad y el intercambio de información bajo el efecto de mediación parcial
del compromiso de la alta dirección están positivamente relacionados con la aceptación de BDPA y
la asimilación de BDPA se relaciona positivamente con el desempeño de la cadena de suministro y
el desempeño organizacional, respectivamente. Shafique et al. [33] investigó los impactos de BDPA
y la tecnología de identificación por radiofrecuencia (RFID) como recursos en organizaciones
farmacéuticas y demostró que existe un efecto positivo directo de BDPA en el rendimiento de la
cadena de suministro (SCP), y la tecnología RFID tuvo un efecto de mediación parcial entre BDPA y
SCP. Fernando et al. [34] investigó las asociaciones entre BDA, seguridad de datos, capacidades de
innovación de la cadena de suministro y desempeño de la cadena de suministro de servicios y
demostró que la seguridad de datos y BDA tienen un efecto positivo en las capacidades de
innovación de la cadena de suministro de servicios. BDA también tiene un efecto positivo en tres
desempeños de la cadena de suministro de servicios: flexibilidad, confiabilidad y servicios al cliente.

Sustentabilidad

Esta sección se centra en los impactos de BDA en el desarrollo sostenible e intenta responder a la
RQ1: ¿Cuáles son los puntos de vista teóricos sobre los mecanismos de generación de valor de BDA
en SCM? y RQ2.2: ¿Cuáles son los impactos de BDA en la sostenibilidad? Seuring y Mueller [48]
argumentaron que la gestión sostenible de la cadena de suministro ha recibido una atención cada
vez mayor por parte de los profesionales y sugirieron la sostenibilidad ambiental, económica y social
como tres dimensiones de la sostenibilidad. Carter y Rogers [49] (p. 368) definieron la gestión
sostenible de la cadena de suministro como “la integración y el logro estratégicos y transparentes
de los objetivos sociales, ambientales y económicos de una organización en la coordinación
sistémica de los procesos comerciales clave entre organizaciones para mejorar el desempeño
económico a largo plazo de la empresa individual y sus cadenas de suministro”.

La Tabla 5 resume los autores, el propósito, las teorías/puntos de vista y los

constructos/subconstructos relevantes para las teorías y puntos de vista de los 13 artículos
seleccionados. Los 13 documentos han confirmado la contribución directa o indirecta de la
BDA/BDAC a la sostenibilidad empresarial/economía circular. Los fundamentos teóricos de los 13
artículos seleccionados incluyen la visión de las capacidades dinámicas (4), la teoría de las partes
interesadas (2), la teoría institucional (1), la teoría de la orquestación de recursos (1), la visión
basada en el conocimiento (1) y la teoría del procesamiento de la información organizacional (1 ).
La encuesta fue el método de investigación más utilizado (8), seguido de la entrevista (2) y el método
Delphi (1). Para los estudios de encuestas, el modelo de ecuaciones estructurales parciales por
mínimos cuadrados (PLS-SEM) fue el método de investigación más utilizado (6), seguido del modelo
estructural interpretativo.
Vista de capacidades dinámicas

Recientemente, ha habido una atención creciente y un llamado a realizar más investigaciones sobre
el DCV en la economía circular y la sostenibilidad (p. ej., [63]). Varios estudios sobre BDA en SCM
aplicaron DCV para comprender la relación entre BDA y el desempeño de la cadena de suministro
sostenible. Por ejemplo, Dubey et al. [50] conceptualizó BDPA como una construcción reflexiva de
orden superior que refleja habilidades técnicas, habilidades de gestión, aprendizaje organizacional
y toma de decisiones basada en datos como fuentes de capacidades dinámicas. Encontraron que las
capacidades dinámicas de BDPA tienen un impacto significativo en el desempeño social y ambiental,
pero no encontraron evidencia de roles moderadores de orientación flexible y orientación de
control entre BDPA y el desempeño social y ambiental. Bolsa et al. [51] conceptualizó las
capacidades de gestión de BDA y las capacidades de talento como capacidades dinámicas y
demostró que las capacidades de gestión de BDA afectan positivamente el desarrollo de productos
ecológicos innovadores y las capacidades de talento de BDA afectan el desarrollo de los empleados.

. La teoría de las partes interesadas

La teoría de las partes interesadas explica las relaciones de la empresa con otras partes interesadas,
como clientes, proveedores, acreedores y comunidades locales [64,65]. Sobre la base de la teoría
de las partes interesadas, Hasan et al. [66] argumentó que al forjar relaciones sólidas con las partes
interesadas clave a través de la participación en cuestiones sociales, una empresa puede utilizar los
activos de manera eficiente, obtener ventajas competitivas sobre los rivales y crear valor para los
accionistas.

Basándose en la teoría de las partes interesadas, Wang et al. [54] demostró que tanto la RSC interna
(práctica de gestión hacia los empleados) como la RSC externa (práctica de gestión hacia las partes
interesadas externas) tienen un efecto positivo en la gestión de la cadena de suministro verde, la
gestión de la cadena de suministro verde tiene un efecto positivo en el desempeño de la empresa y
BDAC está moderando sobre la relación entre la RSC externa y la gestión global de la cadena de
suministro. Gupta et al. [55] propusieron una perspectiva de las partes interesadas sobre la
economía circular y sugirieron que el apoyo mutuo y la coordinación impulsados por una perspectiva
de las partes interesadas, junto con el procesamiento y el intercambio de información holística por
parte de BDA, pueden crear efectivamente una base para lograr beneficios económicos, ecológicos
y sociales.

Otras teorías/puntos de vista

Aplicando la teoría institucional y una visión basada en los recursos, Bag et al. [56] demostró que los
caminos "BDA-inteligencia artificial y fabricación sostenible" y "BDA-IA y capacidades de economía
circular" son significativos. Sobre la base de la teoría de la orquestación de recursos, AlNuaimi et al.
[57] demostró que la implementación percibida de e-procurement (EP) no tiene un efecto
significativo en el desempeño ambiental (ENP), pero BDAC media completamente entre EP y ENP.
Sobre la base de una visión basada en el conocimiento, Mani et al. [58] demostró cómo las empresas
pueden predecir diversos problemas sociales utilizando BDA y mitigar los riesgos ambientales,
económicos y sociales. Aplicando la teoría del procesamiento de la información organizacional,
Benzidia et al. [59] demostró que el uso de BDA-inteligencia artificial (IA) tiene un efecto significativo
en la integración de procesos ambientales y la colaboración en la cadena de suministro verde y que
tanto la integración de procesos ambientales como la colaboración en la cadena de suministro verde
tienen un impacto significativo en el desempeño ambiental.

Desafíos de implementación

Esta sección se centra en los desafíos de implementación e intenta responder a RQ1: ¿Cuáles son
los puntos de vista teóricos sobre los mecanismos de generación de valor de BDA en SCM? La Tabla
6 resume los autores, el propósito, las teorías/puntos de vista y los constructos/subconstructos
relevantes para las teorías y puntos de vista de los seis artículos seleccionados. Tres documentos
investigaron los desafíos y riesgos de implementación en el contexto de las empresas
manufactureras. Los artículos de esta categoría se centran en los impulsores, los riesgos y los
desafíos de la adopción y la implementación. La mayoría de los estudios no utilizan teorías
particulares. Para identificar y analizar los desafíos de implementación, los investigadores aplican
métodos Delphi (4) y encuestas (2). Mientras que varios estudios de sostenibilidad y desempeño se
basaron en la visión de las capacidades dinámicas y la teoría del procesamiento de la información
organizacional, los estudios sobre los desafíos de implementación utilizaron una visión basada en
los recursos, la difusión de la teoría de la innovación (DOI), un marco de tecnología-organización-
ambiente (TOE). trabajo, y otros. Es interesante notar que, a diferencia de los estudios de
sostenibilidad y desempeño que prefirieron el método de encuesta, los estudios sobre desafíos de
implementación utilizaron el método Delphi con mayor frecuencia.

Perspectivas técnicas sobre BDA en SCM

Esta sección intenta responder a RQ3: ¿Qué tipos de aplicaciones BDA, arquitectura

tura e infraestructura se han utilizado para diferentes funciones de la cadena de suministro? y RQ4:
¿Cuáles son las prestaciones técnicas de las técnicas y algoritmos BDA? La revisión de la literatura
demostró que se han desarrollado y evaluado numerosas tecnologías/infraestructuras para BDA en
SCM. Con base en el análisis temático de los documentos seleccionados, las perspectivas técnicas
se clasifican ampliamente en (1) aplicaciones de BDA y (2) arquitectura/infraestructura.

Analítica descriptiva

Las recientes interrupciones de la cadena de suministro global inducidas por la pandemia destacan
los desafíos que enfrentan los participantes de la cadena de suministro y demostraron la
importancia de la SCM basada en análisis. Brandtner et al. [73] investigó el impacto de COVID-19 en
los clientes que compran comestibles en las cadenas de suministro minoristas en Austria a través
del análisis de los datos y sentimientos de los consumidores disponibles en los sitios web utilizando
estadísticas descriptivas y minería de texto para analizar datos textuales no estructurados para
identificar patrones significativos y correlaciones en los datos [90]. Su análisis identificó factores que
dieron forma a los sentimientos de los consumidores, como el diseño y las instalaciones de la tienda,
la disponibilidad del producto y el tiempo de espera. Egilmez et al. [74] presentó un procedimiento
que emplea evaluación del ciclo de vida (LCA) de entrada-salida (I-O), visualización de datos y
enfoques estadísticos para rastrear las emisiones de gases de efecto invernadero detalladas dentro
de la cadena de suministro de la industria manufacturera de EE. UU. Chae [75] propuso un marco
analítico de análisis de Twitter para el análisis de los tweets de la cadena de suministro y brindó
información sobre el papel potencial de Twitter para la práctica y la investigación de la cadena de
suministro.

Análisis predictivo

Keller et al. [76] examinó el uso de BDA para el filtrado de datos RFID y la detección en tiempo real
de eventos de proceso en SCM. Evaluaron la regresión logística, el árbol de decisión, la red neuronal
artificial y el clasificador basado en reglas y encontraron que el clasificador basado en reglas con un
algoritmo de entrenamiento iterativo para la generación de reglas de decisión logró el mejor
rendimiento de clasificación general. Kinra et al. [77] desarrolló un enfoque BDA textual
automatizado que puede proporcionar evaluaciones del desempeño logístico de un país de un
corpus de texto de la publicación periódica Global Perspectives. Aplicaron una combinación de
análisis supervisado de palabras clave, frecuencia de palabras no supervisada y análisis de
colocación, y un clasificador de Bayes ingenuo para la clasificación de texto y descubrieron que el
rendimiento del clasificador para las categorías de rendimiento logístico era mucho mejor que la
precisión de referencia. Wang et al. [78] investigó el uso de BDA para la evaluación del riesgo de
crédito financiero de la cadena de suministro en línea en un banco comercial y descubrió que la
precisión de la predicción del modelo de máquinas de vectores de soporte de mínimos cuadrados
no lineales (LS-SVM) era mayor que la de la regresión logística. modelo.

Yeboah-Ofori et al. [79] integró inteligencia de amenazas cibernéticas y técnicas de aprendizaje

automático para predecir patrones de ataques cibernéticos en los sistemas de la cadena de
suministro cibernético y descubrió que, en general, el bosque aleatorio y la regresión logística
funcionaron mejor que la máquina de vector de soporte, el bosque aleatorio y el árbol de decisiones.
Scheidt y Chung [80] analizaron el análisis de voz para el Programa de mejora de la calidad del
servicio al cliente (CSQIP) para las operaciones del centro de llamadas y demostraron que el
reconocimiento de voz y los métodos estadísticos ayudaron a CSQIP a mejorar significativamente la
calidad del servicio al cliente en los centros de llamadas. Leung et al. [81] propuso un sistema de
inferencia neurodifuso adaptativo (ANFIS) para pronosticar la llegada de pedidos de comercio
electrónico casi en tiempo real a los centros de distribución y demostró que el enfoque basado en
ANFIS propuesto brinda un rendimiento de predicción 200% mejor que el movimiento integrado
autorregresivo. promedio (ARIMA) en la previsión de llegadas de pedidos.

Analítica prescriptiva

En nuestra revisión de la literatura, se identificaron dos artículos centrados en el análisis prescriptivo

con el análisis predictivo como herramienta complementaria. Lee [88] propuso un modelo de
optimización para determinar la asignación de productos a diferentes centros de distribución en
función de múltiples factores, incluido el costo de transporte, el tiempo de viaje y la confianza de
los resultados de la predicción. La minería de reglas de asociación basada en clústeres se aplica para
analizar los grandes datos y descubrir patrones de compra de clientes ocultos y predecir compras
futuras. Con las reglas obtenidas, se utilizó un algoritmo genético (GA) para generar una solución
casi óptima para el envío anticipado. Zhong et al. [89] exploró el uso de BDA para analizar
comportamientos de objetos de fabricación inteligente. Modelaron datos RFID para talleres
inteligentes equipados con sistemas RFID y redes inalámbricas y utilizaron BDA para calcular un
conjunto de indicadores de rendimiento. El conocimiento logístico descubierto y las reglas logísticas
fueron útiles para que varios usuarios tomaran decisiones logísticas.

Direcciones futuras de investigación

Esta sección intenta responder a la RQ5: ¿Cuáles son las oportunidades y di-

¿Recciones para BDA en SCM? Con base en el análisis de la investigación y las prácticas principales
en el campo de BDA en SCM, identificamos oportunidades de investigación algo poco estudiadas
pero importantes para el desarrollo adicional de BDA en SCM: técnicas, tipos de análisis, seguridad
y privacidad, perspectivas teóricas alternativas, y análisis de big data entre organizaciones.

5.1. Técnicas

Nuestra investigación ha demostrado que los investigadores han utilizado una amplia variedad de
técnicas de análisis de datos en el análisis de big data en el campo de la gestión de la cadena de
suministro. Por ejemplo, Yudhistyra et al. [13] encontró una amplia variedad de técnicas BDA
utilizadas en investigaciones anteriores, y el nivel de uso de estas técnicas también difería entre las
publicaciones de SCM y revistas de logística. Sin embargo, Aamer et al. [15], en su revisión del
análisis de big data, especialmente el aprendizaje automático en la previsión de la demanda,
descubrió que, aunque se usaban muchas técnicas y redes neuronales/redes neuronales artificiales,
se usaban en casi la mitad de los estudios que revisaron. Por lo tanto, existen diferencias en el uso
de técnicas BDA entre las subáreas de SCM y dentro de técnicas particulares en BDA. Por lo tanto,
asumir BDA como una corriente única de investigación con técnicas analíticas específicas puede
ocultar los matices individuales entre las áreas dispares de las técnicas SCM o BDA.

Tipos de análisis

Las técnicas de análisis de datos se clasifican en análisis descriptivo: lo que está sucediendo, análisis
predictivo: lo que sucederá y análisis prescriptivo: lo que debería estar sucediendo [105]. Según una
revisión [106], los análisis predictivos y prescriptivos se examinan con mayor frecuencia en las áreas
de logística y gestión de la cadena de suministro. Asimismo, Nguyen et al. [7] encontró que el análisis
prescriptivo es prominente en las subáreas de la cadena de suministro y la logística, como la
fabricación, la logística y el transporte. Además, un artículo de revisión reciente en la investigación
de gestión de la cadena de suministro sobre análisis de big data encontró un enfoque cada vez
mayor en el análisis predictivo en comparación con otras técnicas de análisis [107]. Las diferentes
técnicas de análisis también están relacionadas en cuanto a las fases en las que se llevan a cabo y el
valor de negocio resultante [108]. Con técnicas de análisis dispares disponibles en las áreas de SCM,
la investigación futura debería examinar las implicaciones en el uso de estas técnicas de análisis con
respecto a su rendimiento para producir los resultados deseados.

Por ejemplo, la investigación futura puede examinar la comparación entre el rendimiento de

referencia y los resultados analíticos prescriptivos propuestos.

Conclusiones

La gestión de la cadena de suministro se ha convertido en un componente crítico en el

funcionamiento de economías globales. Los eventos recientes, como la pandemia en curso, han
aumentado las incertidumbres de la cadena de suministro [117]. Estos factores intrínsecos (p. ej.,
cuellos de botella en puertos, escasez de contenedores) y externos (p. ej., escasez de piezas,
aumentos repentinos de la demanda) han acentuado las incertidumbres en la gestión de la cadena
de suministro, aumentando la importancia de BDA en SCM. BDA juega un papel vital en el
funcionamiento de SCM a través de varios medios, como el manejo de clientes cambios de
preferencia, mejoras de visibilidad y resiliencia. Debido a esto, existe un creciente interés por BDA
en SCM tanto para los profesionales (por ejemplo, [5]) como para los académicos (aumento de
publicaciones de investigación). Al igual que con el caso de la investigación en el área de SCM [6], se
necesita una perspectiva interdisciplinaria para obtener una mayor comprensión de BDA en la
investigación de SCM. Aunque existen bastantes revisiones bibliográficas sobre BDA en SCM [7–16],
falta un enfoque interdisciplinario en los trabajos anteriores.

En este contexto, el objetivo de este estudio es revisar la literatura sobre BDA en SCM utilizando el
método de revisión sistemática de la literatura [17] y abordar las preguntas de investigación
presentadas utilizando una perspectiva interdisciplinaria. Con este fin, este estudio arrojó una
amplia red para identificar investigaciones BDA adecuadas en SCM, incluidas revistas técnicas y
orientadas a los negocios. Para el enfoque de arriba hacia abajo, utilizamos los detalles de 389
artículos de investigación y realizamos el análisis de coincidencia de palabras clave. Este análisis
identificó los principales temas de investigación de la investigación existente, que incluían
perspectivas organizativas y técnicas. Posteriormente, examinamos una lista selecta de 60 artículos
basados en criterios de inclusión/exclusión predefinidos para el enfoque de abajo hacia arriba para
obtener una perspectiva más profunda y rica de la investigación existente. Por lo tanto, los hallazgos
de este estudio complementan de manera única las revisiones previas de la literatura en BDA en
SCM.

Este estudio utiliza temas transversales (p. ej., fundamentos teóricos, procesos SCOR, tipos de
análisis, etc.) para ubicar los hallazgos en las perspectivas tanto organizacionales como técnicas en
la investigación de BDA en SCM. Además, este estudio se basó tanto en el enfoque de abajo hacia
arriba (clasificación de estudios basada en el análisis bibliométrico) como en el enfoque de arriba
hacia abajo (utilizando un marco para clasificar los hallazgos). Algunos de los hallazgos más
destacados de este estudio incluyen la identificación de teorías destacadas utilizadas en el estudio
de BDA en SCM. Por ejemplo, la visión de las capacidades dinámicas es una de las teorías más
utilizadas para estudiar el desempeño organizacional y la sustentabilidad. El análisis predictivo se
examina predominantemente en nuestra muestra de estudios. Estos hallazgos reafirman
investigaciones anteriores que encontraron una preponderancia de la vista de capacidades
dinámicas [112] y el análisis predictivo [107] en BDA en la investigación de SCM.

Nuestro enfoque en la sustentabilidad dentro de la investigación de BDA en SCM proporciona una

perspectiva única de nuestro conocimiento, ya que las revisiones de literatura anteriores sobre BDA
en SCM no se centraron explícitamente en él (p. ej., [118]). La sustentabilidad en SCM es un área
importante de consideración debido a sus impactos multifacéticos en la organización y el mundo.
Nuestros hallazgos destacan el uso de teorías, como la teoría de las partes interesadas, en
investigaciones previas sobre sostenibilidad. Nuestro estudio también muestra el uso de BDA en
SCM en el contexto de los modelos SCOR y proporciona una visión actualizada de la literatura
existente y complementa los hallazgos anteriores de revisiones de investigación [10].

Este estudio identificó brechas y proporcionó ideas para futuras investigaciones basadas en los
hallazgos de la revisión en perspectivas teóricas y métodos analíticos alternativos. Además, una
escasez de estudios exploró la perspectiva interorganizacional aparente en la revisión. Dado que
SCM es innatamente interorganizacional, la investigación futura puede centrarse en el papel de BDA
en tales contextos. Dado que SCM y BDA se han vuelto cada vez más prominentes en los últimos
años, este estudio oportuno se suma a la comprensión actual de BDA en la investigación de SCM al
identificar aspectos destacados desde las perspectivas organizativa y técnica.

LECTURA 5: CREATING THE AGILE- MODEL TO MANAGE THE ACTIVITIES OF PROJECT- ORIENTED
TRANSPORT COMPANIES

Este estudio considera un modelo ágil para la organización de actividades de una empresa de
transporte orientada a proyectos.

Construir una empresa orientada a proyectos (gestión orientada a proyectos) requiere una base
teórica adecuada. Se ha desarrollado el modelo ágil de operación de la empresa de transporte, para
lo cual se han determinado los ciclos, se ha definido el contenido de cada ciclo y se ha simulado el
flujo de información. Se ha caracterizado la transformación de la información en cada ciclo del
modelo, teniendo en cuenta la especificidad operativa de las actividades de las empresas de
transporte. Se comparó un modelo dado con las principales etapas del ciclo de vida de un proyecto.
Se han propuesto dos indicadores como el grado de singularidad del proyecto y el grado de
complejidad del proyecto que reflejan las características del proyecto correspondiente. La
complejidad de las actividades operativas del proyecto se refiere a la cantidad de elementos y sus
alternativas. Parte del proyecto es una «operación» que forma una unidad del cronograma de la red
del proyecto. La singularidad del proyecto de actividades operativas significa la diferencia entre el
proyecto actual y otros proyectos, ya implementados o en ejecución por la empresa. Se han
derivado las fórmulas de estimación para estos indicadores. Los indicadores propuestos para el
ejemplo dado han sido calculados; se ha propuesto la interpretación de los resultados. Los
resultados de los cálculos han demostrado la adecuación de los datos de entrada y salida y la
aplicabilidad práctica de estos indicadores. Estas métricas no se limitan al contexto de una
especificación de proyecto adicional. Se propone que su nivel se utilice en los procesos de
estimación del tiempo de los períodos de proyectos individuales y los ciclos del modelo ágil dentro
de la etapa inicial: creación de un modelo de concepto de producto y preparación para la
implementación. Además, estos indicadores podrían usarse de manera efectiva para la
remuneración de los empleados.

Partiendo de los proyectos relacionados con la información y el software, la filosofía Agile penetra
rápidamente en otras áreas de actividad. Además, esta penetración se observa tanto a nivel de
proyectos como en la organización de las actividades operativas, incluido el sector servicios. Las
principales ventajas del enfoque Agile son la reducción del período antes de la entrega del producto
del proyecto, así como una mejor conformidad del producto resultante con las expectativas de los
clientes. Estas Las ventajas son especialmente relevantes en situaciones en las que el cliente no está
preparado para articular completamente todos los requisitos del producto final en el momento del
pedido. Este es particularmente el caso en el sector del transporte cuando se trata de la entrega de
cargas por tráfico internacional que involucra varios modos de transporte.

El fin y los objetivos del estudio.

El objetivo de este estudio es desarrollar un modelo ágil para la organización de actividades por
parte de empresas de transporte orientadas a proyectos basado en el marco Scrum para asegurar
su efectividad en la formulación difusa de los requisitos iniciales para el producto del proyecto.

Para lograr el objetivo, se han establecido las siguientes tareas:

– para definir el contenido de los sprints (ciclos) en el ágil

modelo de actividades de las empresas de transporte;

– diseñar indicadores que reflejen la especificidad de

proyectos desde el punto de vista del modelo ágil, y en-

asegurar su funcionamiento eficiente, para desarrollar un método de su

evaluación;

– calcular indicadores que reflejen la especificidad de los pro-

proyectos desde una perspectiva de modelo ágil, para un ejemplo específico.

La identificación de ciclos dentro de un modelo Agile de empresas de transporte

En este estudio, se entiende por «empresas de transporte» los operadores de transporte

multimodal, las empresas de transporte y expedición, las empresas de transporte y logística, es
decir, un amplio abanico de empresas cuyas actividades están relacionadas con la organización de
la entrega de mercancías en el marco de servicios de transporte o logística. Para las empresas de
transporte, los resultados propuestos también podrían usarse con alguna adaptación para
situaciones en las que el «transporte» podría interpretarse como un proyecto (por ejemplo, cuando
el transportista se hace cargo de otros tipos de operaciones relacionadas con la entrega). Pero, a
menudo, el «transporte» en sí mismo no es un «producto de proyecto». Así, si consideramos la
entrega de mercancías sobredimensionadas (por ejemplo, turbinas eólicas industriales, que se
transportan con mayor frecuencia en buques ro-ro), el transporte marítimo en sí mismo no produce
un «producto» terminado [1]. La empresa que realiza la entrega de estos aerogeneradores debe
asegurar su carga/descarga, entrega en puerto/desde puerto a destino. Son los aerogeneradores
entregados en el lugar de instalación (a tiempo y sin daños) los que tienen valor para el cliente.

Del mismo modo, al entregar, por ejemplo, granos para la exportación. Bajo ciertas condiciones del
contrato (ser entregado CIF), el exportador debe hacer que todo el envío del contrato sea entregado
en los puertos de destino dentro del tiempo especificado, es decir, en la comunicación ferrocarril-
mar o río-mar. El producto de tal entrega es un lote de grano (de la calidad necesaria). entregado a
los puertos establecidos (puerto) en el volumen requerido de acuerdo con el momento del
embarque.

Así pues, definiremos claramente qué debemos entender por producto de proyectos de empresas
de transporte orientadas a proyectos. Según la metodología de gestión de proyectos, «el producto
del proyecto es el objeto que aparece después del proyecto: el objeto material, el servicio prestado,
etc.» [13]. Por lo tanto, el producto de los proyectos de las empresas de transporte orientadas a
proyectos es el servicio prestado: la carga entregada. El proceso de prestación del servicio es un
conjunto de operaciones concertadas, que son la esencia de las operaciones dentro del cronograma
de red del proyecto. Tenga en cuenta que los clientes están interesados principalmente en ciertos
parámetros del producto del proyecto: el resultado de la entrega (costo, tiempo, calidad). El
organizador de la entrega debe formar una combinación de operaciones que aseguren que se
cumplan los requisitos del producto del proyecto.

Por lo tanto, la implementación práctica del modelo ágil requiere herramientas de gestión del
tiempo adecuadas para el proyecto, ya que sin establecer unos límites de tiempo [29] para cada
ciclo (sprint) en un modelo dado, es imposible recibir el producto del proyecto de manera oportuna.
Al mismo tiempo, los plazos de cada ciclo deben tener en cuenta la especificidad del proyecto.

Tal evaluación es necesaria, en por un lado, para la gestión del tiempo del proyecto y, por otro lado,
para la gestión de recursos humanos

Discusión de los resultados de diseñar e investigar los componentes de un modelo ágil

Construir una empresa orientada a proyectos (gestión orientada a proyectos) requiere una base
teórica adecuada. Este estudio propone un modelo ágil para empresas de transporte orientadas a
proyectos y un conjunto de herramientas apropiado en forma de un conjunto de indicadores para
asegurar la efectividad del uso de un modelo dado.

Nuestro modelo está en línea con los 12 principios del Manifiesto Ágil [2]. La Tabla 4 da la
conformidad de un modelo dado con cada uno de estos principios.

El modelo ágil desarrollado para una empresa de transporte estructura los procesos de intercambio
de información con el cliente e implementa la contabilidad en varias etapas de todos los
requerimientos (incluidos sus cambios). Para asegurar su efectividad, hemos propuesto los
indicadores que determinan los parámetros de tiempo de los sprints. El modelo permite mejorar la
eficiencia operativa de una empresa de transporte, así como un proceso de prestación de servicios,
al acordar claramente las etapas en la determinación de los parámetros finales del producto del
proyecto. Usando la «limitación» razonable de cada sprint en el modelo permite minimizar el tiempo
de prestación del servicio, El alcance de esta aplicación modelo es el servicio orientado a proyectos.
empresas de vicio, para lo cual la identificación del producto del proyecto (antes de su
implementación física) no puede ser ried out basado en un programa de red. Así, un modelo dado
es destinados a la etapa de diseño conceptual, antes del inicio de operaciones en el proyecto para
obtener realmente el producto del proyecto.

Por lo tanto, nuestros resultados podrían ser utilizados no sólo para el transporte empresas sino
también en diversas áreas de actividad, teniendo en consideración los ajustes apropiados a los
parámetros del producto del proyecto. El ámbito de aplicación del proyecto. los indicadores de
complejidad y singularidad del proyecto son más amplios; en particular, podrían ser utilizados para
varios proyectos como base para la formación de un sistema de remuneración del personal.

La desventaja de los resultados propuestos es que no consideran un enlace a la siguiente etapa de

los servicios de transporte. Si bien la interacción principal y toda la coordinación con el cliente tienen
lugar en la etapa anterior al inicio del transporte directo, sin embargo, en el futuro, dichos modelos
podrían utilizarse para la interacción con los proveedores de diversos servicios (transporte
marítimo, camiones, carga, trámites, etc.). Esta es la dirección para avanzar en los resultados
propuestos para la formación de un modelo ágil que cubra todas las etapas de las actividades de la
empresa de transporte.

Conclusiones

1. Basados en la idea del marco scrum, hemos desarrollado un modelo ágil de actividades de
las empresas de transporte. Un modelo dado define el contenido de cada sprint (ciclo) y la
estructura del intercambio de información. Su base son los diversos parámetros del
proyecto: las características de la entrega futura, es decir, el precio, el tiempo, las posibles
desviaciones en el tiempo y el costo. En algún momento, estos parámetros se
complementan con los puertos de salida y destino. El modelo se refiere a la fase de diseño
conceptual del ciclo de vida del proyecto.
2. Se han propuesto dos indicadores, como el grado de singularidad del proyecto y el grado de
complejidad del proyecto, que reflejan las características correspondientes del proyecto.

La complejidad del proyecto operativo se refiere a la cantidad de elementos y sus alternativas.

Un elemento del proyecto es una «operación», que forma una unidad del cronograma de red
clásico del proyecto. La singularidad del proyecto operativo significa la diferencia entre el
proyecto actual y otros proyectos, ya implementados, o en implementación en la empresa. Las
fórmulas de estimación de estos indicadores han sido derivadas. El grado de singularidad se
basa en la comparación del conjunto de características del proyecto (despacho, destino, puertos
de transbordo, especificidad de la carga) con otros proyectos ya implementados. La complejidad
indica producto: el número de variantes de soluciones tecnológicas, el número de operaciones
 para cada variante; el número de alternativas de ejecución de operaciones para cada variante
de la tecnología del producto del proyecto.

3. Se han realizado los cálculos de los indicadores propuestos para el conjunto ejemplo, tres
proyectos. Los resultados de los cálculos demostraron la adecuación de los indicadores de
entrada recibidos y la posibilidad práctica de establecer la especificidad de los proyectos en
términos de su complejidad y singularidad. El resultado de nuestros cálculos es la
modificación propuesta del indicador de unicidad del proyecto para grandes empresas con
experiencia significativa en proyectos. Una determinada modificación permite obtener los
valores del indicador convenientes para el uso práctico (un número aceptable de
decimales).

LECTURA 6: Enhancing Supply Chain Capabilities in an ETO Context Through "Lean and Learn"

RESUMEN

En la literatura de gestión de operaciones, organización Recientemente, el aprendizaje ha

comenzado a emerger como una importante falta enlace a transformaciones Lean exitosas. Como
tal, basándose en ideas de dos empresas de casos en el ingeniero a pedido (ETO), enmarcamos la
mejora exitosa de la oferta encadenar capacidades a través de una lente que llamamos "Lean and
Learn".

La mejora continua sin aprendizaje no es un pensamiento esbelto. Por lo tanto, el pensamiento y la

práctica Lean es, en esencia, un proceso de aprendiendo; donde se identifican los problemas y se
encuentran las soluciones creado, analizado, seleccionado e implementado; resultando no solo en
un rendimiento mejorado sino también en una capacidad mejorada. Ya que la industria ETO exhibe
producción basada en proyectos, hay parece haber barreras naturales y resistencia a la continua
mejora y aprendizaje. Al basarse en la noción de que un organización con una capacidad mejorada
es una organización que ha aprendido, este estudio examina el vínculo entre la oferta Cadena de
capacidades y aprendizaje organizacional en una ETO contexto combinando el razonamiento
analítico conceptual con metadatos recopilados de la investigación-acción en dos casos empresas.
El estudio contribuye a la práctica al señalar cómo se pueden mejorar las capacidades de la cadena
de suministro en una ETO contexto, y a la academia al identificar y ofrecer nuevos conocimiento
para comenzar a llenar el vacío de investigación entre tres áreas específicas de investigación:
cadenas de suministro ETO, organización aprendizaje y gestión esbelta.

1. INTRODUCCIÓN

La cadena de suministro de ingeniero a pedido (ETO) es generalmente considerado como una

cadena de suministro donde el pedido del cliente El punto de penetración se produce durante la
fase de diseño de un producto. Se asocia principalmente con grandes y complejos entornos de
proyectos en sectores como la construcción y bienes de capital (Gosling y Naim, 2009) o la
construcción naval industria (Mello y Strandhagen, 2011). Sin embargo, también es relevante para
las empresas de fabricación por pedido (MTO) que ofrecen personalizaciones (Bäckstrand y
Engström, 2017). el desarrollo de la teoría de la gestión de la cadena de suministro y la práctica en
las cadenas de suministro de ETO aún es relativamente inmaduraen comparación con otros tipos de
cadenas de suministro, por ejemplo, aquellos que producen productos de alto volumen y baja
mezcla (Mello et al., 2017).

ETO a menudo se ve como una producción basada en proyectos. sistema o un evento de una sola
vez, es decir, un esfuerzo temporal emprendidas para crear un producto único. Sin embargo, la
calidad la gestión se basa principalmente en procesos con repetitivos ocupaciones. Por lo tanto, hay
estudios limitados de continua mejora desde la perspectiva de un proyecto basado en organización
como la cadena de suministro ETO (Backlund y Sundqvist, 2018). La naturaleza fragmentada y
temporal de Las cadenas de suministro de ETO también contribuyen a la falta de conocimiento
transferencia de un proyecto a otro (Jensen, 2017), por lo tanto obstaculizando las innovaciones de
procesos y los procesos de aprendizaje organizacional. Debido a la naturaleza basada en proyectos
de las cadenas de suministro de ETO, varios autores informan dificultades con respecto a la adopción
de lean management en este tipo de organizaciones (por ejemplo, Irani, 2020; Powell y van der
Stoel, 2017). Cuando se reduce a un método de mejora de procesos y conjunto de herramientas y
técnicas para la excelencia operativa, implementaciones esbeltas a menudo fallan rápidamente y
son reemplazados por la próxima moda del mes, la gestión de operaciones. Los que triunfan con
lean darse cuenta de que detrás de todas las mejores prácticas y los diferentes sistemas de gestión
que soportan su uso se encuentra mucho desafío más profundo: una transformación cognitiva que
desarrolla el potencial humano de todos para crear una cultura de mejora continua acelerada para
hacer frente a las circunstancias cambiantes de hoy y de mañana. El aprendizaje está en el corazón
de carne magra (Ballé et al., 2019b). De hecho, el aprendizaje organizacional ha comenzado a
emerger recientemente como el eslabón perdido para transformación lean exitosa (Engström y
Käkelä, 2019; Powell y Coughlan, 2020b), independientemente del posicionamiento del punto de
penetración de la orden del cliente.

Cadenas de suministro de ETO

La cadena de suministro ETO se ha convertido en un importante proveedor estructura de la cadena

y está destinado a ser cada vez más importante a medida que se demandan más productos
personalizados en una gama de industrias (Käkelä y Bäckstrand, 2019). En general, ETO Las cadenas
de suministro producen bajos volúmenes de una gran variedad de productos y permitir a los clientes
demandar productos desarrollados para satisfacer exactamente sus necesidades (Wortmann et al.,
1997). Las cadenas de suministro de ETO involucran a múltiples empresas que realizan diversas
actividades durante un proyecto, como diseño, ingeniería, compras, fabricación, montaje y puesta
en marcha, y están asociados principalmente con entornos de proyectos complejos en sectores
como equipo pesado (Elfving et al., 2002), construcción y capital mercancías (Gosling y Naim, 2009)
y construcción naval (Mello y Strandhagen, 2011). Sin embargo, recientemente también ha sido
identificó que las empresas de otros sectores y una estrategia de fabricación general de fabricación
bajo pedido (MTO) pueden ofrecer personalizaciones como productos ETO (Bäckstrand y
Engström,2017).

Los marcos de la cadena de suministro de ETO están de acuerdo en que el flujo de producción está
completamente impulsado por el cliente real Independientemente de la estrategia de CODP que
adopte una empresa, la capacidad de coordinar eficazmente las actividades comerciales cruzadas
brinda a las empresas una ventaja competitiva. Esta ventaja se puede poner en práctica en las
capacidades de la cadena de suministro. Históricamente, estas capacidades se han definido como
calidad, costo y desempeño de la entrega (Fine y Hax, 1985; Skinner, 1969; Wheelwright, 1978).
Inicialmente, se asumió que estas capacidades eran compensaciones, pero luego se identificaron
como apoyo mutuo (Ferdows y De Meyer, 1990; Nakane, 1986) o un híbrido (Hallgren et al., 2011).

Aprendizaje organizacional

Nieves et al. (1995 p.73) definen el aprendizaje organizacional como "la capacidad o los procesos
dentro de una organización para mantener o mejorar el desempeño basado en la experiencia".

Señalan tres factores relacionados con el aprendizaje que son importantes para el éxito de la
organización:

El aprendizaje organizacional implica la explotación de la 'ya conocido' para ejecutar tareas de la

manera más eficiente en al mismo tiempo que la organización explora 'incógnitas' (como nuevas
áreas de conocimiento) y crea nuevos conocimientos para mejorar y renovar la organización o el
desempeño de las tareas. Este equilibrio entre explotación y exploración se basa en el trabajo de
March (1991), que presenta una comprensión del aprendizaje organizacional y se investiga en el
creciente área de investigación de la ambidestreza (O'Reilly y Tushman, 2004). Este equilibrio entre
exploración y explotación también puede verse como fundamental para la mejora continua, cuya
continuidad obliga a las organizaciones a encontrar el equilibrio entre la exploración y la
explotación. Gustavsson (2007) sugiere que las contradicciones son el fundamento mismo del
aprendizaje en un sistema de actividad y dependiendo de cómo se manejen, facilitando o
dificultando, se pueden traer varios tipos de aprendizaje en las organizaciones sobre. La creación de
conocimiento se construye a partir de contradicciones y de la interacción entre lo implícito y lo
explícito conocimiento en una organización (Ellström, 2010; Nonaka, 1994) El aprendizaje orientado
al desarrollo tiene lugar cuando el los procesos implícitos se hacen visibles y transparentes y da
como resultado acuerdos comunes reflexivos. el desarrollo el aprendizaje se centra en el
conocimiento innovador y explorador. Cuestionamiento de rutinas, ensayo y cambio de dadas las
ideas, el conocimiento y las actividades son esenciales (Ellström, 2010).Apoyar los procesos de
creación de conocimiento y, por lo tanto, estimular el aprendizaje del desarrollo en la organización,
el conocimiento importante tiene que ser compartido dentro y entre funciones sino también entre
individuos (Khan y Wisner, 2019; Sánchez et al., 2013). Bechky (2003) muestra que el interplay
(interacción) entre miembros de diferentes comunidades (funciones) pueden ser dolorosas pero
también conducen a una comprensión enriquecida, especialmente cuando un objeto tangible es
ofrecido como mediador en la interacción (Bäckstrand y Engström, 2016). En resumen, los
conocimientos adquiridos por individuos o equipos necesitan ser capturados, almacenados y hechos
disponible para otros en una organización para cualquier aprendizaje proceso para que sea efectivo.

Empresa 1: NorCo

NorCo produce equipos submarinos para el petróleo y el gas industria y equipos de sonar para pesca
y naval aplicaciones, así como robótica marítima como no tripulados buques de superficie (USV) y
vehículos submarinos autónomos (AUV). Aunque varios de los productos de la compañía están fuera
de el estante, la mayoría de los productos son específicos del cliente, y por lo tanto, la producción
está fuertemente basada en proyectos. NorCo comenzó implementando Lean en 2014, al mismo
tiempo que establece un programa de desarrollo de proveedores lean junto con un selección de sus
proveedores estratégicos y preferentes. En 2017, el empresa recibió un prestigioso premio lean, que
reconoce la empresa por haber implementado Lean con éxito en un entorno de producción
complejo [y cadena de suministro]. La implementación Lean comenzó con el diseño y lanzamiento
de un programa lean en toda la empresa basado en principios en lugar del enfoque más popular y
tradicional lo que implica la adopción ociosa de herramientas y técnicas. Mejor Sin embargo, se
adoptaron prácticas durante el viaje Lean, a menudo como contramedidas en respuesta a las
intervenciones de aprendizaje que ocurrieron durante la resolución de problemas y actividades de
mejora continua. Un ejemplo de ello es la adopción del mapeo de flujo de valor. donde muchas
empresas comenzar el proceso de implementación lean con el mapeo del flujo de valor, NorCo solo
adoptó el mapeo del flujo de valor en respuesta a la necesidad de aprender a ver el flujo de
materiales e información a lo largo de su extensa cadena de suministro, involucrando a varios de los
proveedores estratégicos y preferidos en el proceso de mapeo para promover la exploración y
posterior explotación.

Empresa 2: SweCo1

SweCo fabrica productos de propulsión para alta mar y buques mercantes y plataformas de petróleo
y gas, como hélices, chorros de agua, propulsores y sistemas de maniobra.
La planta aquí estudiada tiene 220 empleados, de los cuales 210 son trabajadores de cuello blanco
y 10 son trabajadores de cuello azul. Casi todos los productos producidos por la empresa son ETO
productos El proceso de producción, excluyendo el montaje, es subcontratado a una variedad de
proveedores diferentes, y el enfoque es posteriormente en investigación y desarrollo.

. DISCUSIÓN / ANÁLISIS

Enmarcamos nuestra discusión en torno a la ilustración presentado en la Figura 4, que muestra que
para aumentar el valor del cliente (extremo derecho), una empresa debe involucrar a sus gerentes,
operadores, e ingenieros para mejorar sus procesos de producción internos además de diseñar y
fabricar mejores productos, así como involucrar a sus proveedores en mejora continua a través de
una mayor integración de proveedores (extremo izquierdo)

Figura 4 La estrategia Lean (adaptado de Ballé et al.,

2019b)

Un mejor diseño de productos como parte fundamental del proceso de transformación Lean en la
cadena de suministro de ETO fue un descubrimiento emergente y un punto de aprendizaje en ambas
empresas de casos, y es consistente con Lawson et al. (2015) que sugiere que involucrar a los
proveedores en el desarrollo de nuevos productos (NPD) puede generar mejoras sustanciales en el
desempeño operativo (Wieteska, 2020) y respalda la propuesta de que la mejora estratégica
colaborativa no solo debe centrarse en mejorar las operaciones, sino que también debe llegar aguas
arriba a la proceso de desarrollo de productos, lo que sugiere Sakai (2018) es la verdadera fuente
de creación de valor en la fabricación.

En resumen, Ballé et al. (2017) sugieren que el objetivo de una estrategia lean no es lograr la
excelencia operativa a través de la adopción de herramientas y técnicas lean per se, pero más bien
aprender a resolver los problemas correctos y evitar el despilfarro soluciones por:

• Establecimiento de flujo para aflorar y descubrir problemas reales.

• Desafiándonos a nosotros mismos para enfrentar estos problemas reales admitiendo los límites
de nuestro conocimiento actual.
• Confiar en el pensamiento lean para enmarcar estos problemas y lagunas de conocimiento como
proyectos de aprendizaje, con los que todos puedan relacionarse en su trabajo diario; y finalmente,

• Formar y asimilar nuevas soluciones/conocimientos accionables que emergen de la nueva cultura

de resolución de problemas y mejora continua en todos los niveles.

Lo que descubrimos al analizar Lean and Learn enfoque adoptado en ambos casos de estudio es que
cuando leanel pensamiento se combina sistemáticamente con la organización aprendizaje en el
contexto de las cadenas de suministro de ETO, crea las condiciones para el desarrollo de capacidades
de la cadena de suministro mucho mayores en términos de tiempo, costo y calidad. Refiriéndonos
a nuestro marco teórico inicial (Figura 3), por ejemplo, el Se fomentó la adopción de la gestión A3
como una mejor práctica Lean aprendizaje interfuncional (organizacional) y condujo a capacidades
mejoradas de la cadena de suministro, que se materializaron como una mejora de la calidad en una
escala del 30 % en el caso de NorCo. Esto también fue cierto con respecto a la adopción de la
solución Kanban, una mejor práctica ajustada que proporcionó a la empresa un marco de
aprendizaje para descubrir problemas y oportunidades de aprendizaje a medida que surgían, y
posteriormente condujo al 50% mejora en la capacidad de entrega de la empresa. Por lo tanto,
sugerimos que las organizaciones reserven más tiempo para descubrir oportunidades de
aprendizaje en lugar de centrarse únicamente en el desempeño de la entrega.

Un hallazgo crítico que surgió durante la investigación es que esta relación (Lean + Learn = mejora
de la capacidad de la cadena de suministro) parecía depender en gran medida de las capacidades
adicionales de la organización para aprovechar, compartir y volver a aplicar el conocimiento creado
a partir del "Lean and Learn". "proceso, introduciendo así un efecto mediador en la creación de
conocimientos, el intercambio de conocimientos y la reutilización de conocimientos. Esto sugiere
que si una organización es más capaz de capturar y comunicar conocimientos prácticos nuevos y
emergentes (dentro y entre las empresas de la cadena de suministro), la probabilidad de lograr
capacidades mejoradas de la cadena de suministro se ampliará y exige una revisión de nuestro
marco teórico ( ver Figura 5). También sugerimos que La digitalización puede desempeñar un papel
clave en la mediación de la efecto del enfoque Lean and Learn en la cadena de suministro
capacidades, como tecnologías digitales que permiten una mayor la integración vertical y horizontal
podría proporcionarmedios para yokoten dentro y entre organizaciones. Nosotros vimos indicios de
este fenómeno específicamente en el NorCo caso: en el que se utilizaron plataformas web en línea
para compartir resultados de implementaciones de mejores prácticas, así como nuevas
conocimiento procesable, tanto dentro como entre sitios.

CONCLUSIÓN

Este documento se propuso investigar el potencial de un sistema Lean y Aprenda el enfoque para
mejorar la capacidad de suministro de ETO cadenas El objetivo era desarrollar, presentar y probar
un modelo teórico marco que puede ser utilizado para promover la desarrollo de culturas exitosas
de mejora continua en los fabricantes de ETO.

Basándose en ideas importantes tanto del pensamiento Lean y aprendizaje organizacional,

presentamos el programa “Lean and Aprender” marco para mejorar la oferta de una organización
Desempeño de la cadena: medido en términos de calidad, costo y Métricas de entrega. Los
resultados de nuestro análisis de múltiples casos de estudio revelaron que el enfoque Lean and
Learn, mientras mediada por la capacidad de aprovechar, compartir y redesplegar nuevos
conocimientos prácticos, tiene un efecto positivo en la calidad y el desempeño de la entrega, lo que
a su vez tiene un efecto positivo en el desempeño de los costos. Por ejemplo, mejorar el desempeño
de la calidad reduce los costos de producción (es decir, el costo de la mala calidad), y mejorar la
entrega a tiempo reduce la ocurrencia de costosas multas por entregas tardías en las cadenas de
suministro basadas en proyectos.

Sugerimos que una organización ETO puede ser un empresa individual, pero lo que es más
importante, debería implicar más bien toda la cadena de suministro para incluir importantes
relaciones entre empresas aprendizaje y colaboración (Mukhtar y Azhar, 2020). Reflexionando,
llegamos a la conclusión de que cuando Lean se enmarca en el contexto de un proceso de
descubrimiento y aprendizaje en lugar de un conjunto estricto de "mejores prácticas" para adoptar
(o incluso adaptar), las organizaciones parecen obtener capacidades mejoradas de la cadena de
suministro.

Con respecto a las implicaciones para la práctica, sugerimos que las organizaciones deben cambiar
la mentalidad de que "somos diferentes "Lean no funciona aquí" a una mentalidad más de
descubrimiento y aprendizaje, donde todas las oportunidades para aprender y mejorar se toman.
También hacemos implicaciones para la investigación en la identificación de la necesidad de
reconocer que hay repeticiones y elementos concurrentes incluso en productos ETO y cadenas de
suministro que pueden mejorar el aprendizaje dentro y entre empresas. Así, más la investigación
debe considerar el enfoque Lean and Learn en otras cadenas de suministro de ETO, así como en
otros tipos de industrias. Dado que SweCo fue adquirida por NorCo en 2019, también sería
interesante evaluar cómo se lleva a cabo el aprendizaje entre empresas (o no) en el caso de fusiones
y adquisiciones, y qué mecanismos podrían estar en juego durante tales adquisiciones. Nosotros
también identificar oportunidades para investigar el papel de la digitalización en la captura y el
intercambio de nuevos conocimientos procesables dentro y entre organizaciones.

LECTURA 7: Forecasting the Finnish house price returns and volatility: a comparison of time series
models

Propósito: el propósito de este documento es comparar el desempeño de diferentes modelos en la

modelización y el pronóstico de la rentabilidad y la volatilidad del precio de la vivienda en Finlandia.

Diseño/metodología/enfoque: los modelos de la competencia son el modelo de media móvil

autorregresiva (ARMA) y el modelo de media móvil integrada fraccional autorregresiva (ARFIMA)
para la rentabilidad del precio de la vivienda. Para la volatilidad del precio de la vivienda, el modelo
de heteroscedasticidad condicional autorregresiva generalizada exponencial (EGARCH) compite con
los modelos GARCH integrado fraccional (FIGARCH) y GARCH de componentes (CGARCH).

Hallazgos: los resultados revelan que, para modelar la rentabilidad de los precios de la vivienda en
Finlandia, el conjunto de datos bajo estudio impulsa el rendimiento del modelo ARMA o ARFIMA. El
modelo EGARCH es el modelo líder para la modelización de la volatilidad del precio de la vivienda
en Finlandia. Los modelos de memoria larga (ARFIMA, CGARCH y FIGARCH) brindan mejores
pronósticos fuera de la muestra para el rendimiento y la volatilidad del precio de la vivienda;
superan a sus contrapartes de memoria corta en la mayoría de las regiones. Además, el desempeño
del ajuste dentro de la muestra de los modelos varía de una región a otra, mientras que en algunas
áreas, los modelos manifiestan un patrón geográfico en sus desempeños de pronóstico fuera de la
muestra.

Limitaciones/implicaciones de la investigación: los resultados de la investigación tienen

implicaciones vitales, a saber, la asignación de cartera, la evaluación del riesgo de inversión y la toma
de decisiones.

Originalidad/valor: según el leal saber y entender del autor, para Finlandia aún no se ha realizado
una previsión empírica de la rentabilidad o la volatilidad del precio de la vivienda. Por lo tanto, este
estudio tiene como objetivo cerrar esa brecha comparando el desempeño de diferentes modelos
en el modelado, así como pronosticando los rendimientos del precio de la vivienda y la volatilidad
del mercado estudiado.

Introducción

Pronosticar la rentabilidad y la volatilidad de los precios de la vivienda es vital para numerosos

sectores, como los consumidores,

políticos, inversores y gestores de riesgos. Las razones son, en primer lugar, la dualidad de los activos
de vivienda. papel de la inversión y el consumo; por lo tanto, la previsión precisa de la dinámica del
precio de la vivienda desempeña un papel crucial en la asignación de activos y la toma de decisiones
de inversión. En segundo lugar, la vivienda es un componente sustancial de la economía del país. En
particular, en Finlandia, más de la mitad de la riqueza total de los hogares (50,3 %) se encuentra en
forma de vivienda (Estadísticas de Finlandia, 2016). En los EE. UU., la vivienda es el mayor
componente de la riqueza de los hogares; representó, respectivamente, el 28,3 y el 24,6 % del
patrimonio neto total de los hogares y del activo de los hogares (Datos de cuentas financieras, 2018).
En el Reino Unido, Savills (2019) estimó el valor total del stock de viviendas en £7,29 billones,
destacando una parte esencial que la vivienda y su mercado tienen en la sostenibilidad de la
economía. En tercer lugar, la vivienda afecta la economía del país al influir en muchas partes
involucradas en las actividades de vivienda e hipotecas. Por lo tanto, una previsión precisa del precio
de la vivienda beneficiaría a los consumidores y a las partes hipotecarias (Segnon et al., 2020). Por
último, la información sobre la dinámica de los precios de la vivienda brinda recomendaciones a los
responsables de la formulación de políticas de vivienda y son los insumos fundamentales para
delinear los planes y las políticas de vivienda, como subrayan Zhou y Haurin (2010).

Habiendo notado la importancia del mercado de la vivienda, el análisis de precios de la vivienda de

individuos mercados ha sido objeto de un número creciente de estudios. Sin embargo, el enfoque
ha estado en un número restringido de países, a saber, EE. UU., Reino Unido, Canadá y Australia
(Apergis y Payne, 2020). Para Finlandia, aunque más de la mitad del total de hogares la riqueza está
en forma de vivienda, según lo informado por Estadísticas de Finlandia (2016), todavía tiene que
haber pronóstico empírico de la rentabilidad del precio de la vivienda y/o la volatilidad. Por lo tanto,
este estudio tiene como objetivo cerrar esa brecha comparando el rendimiento de diferentes
modelos en el modelado, así como pronosticar la rentabilidad y la volatilidad del precio de la
vivienda. Proporcionando así la información sobre la modelo preciso para modelar y pronosticar el
mercado inmobiliario finlandés, además ampliando la literatura en curso sobre el análisis del
mercado inmobiliario de varios países.

4. Resultados y discusiones

4.1 Previsión de la rentabilidad del precio de la vivienda Se comparan las prestaciones de los
modelos ARMA y ARFIMA, en cada categoría de apartamento, para ciudades y subáreas sin efectos
sustanciales de agrupamiento, es decir, aquellas regiones con tanto la media constante como la
varianza. Recuerde que en la categoría de apartamentos de una habitación, hay 10
ciudades/subáreas y ocho de ellas exhibieron un comportamiento de memoria larga. En las dos
habitaciones y categorías de apartamentos más grandes (más de tres habitaciones), hay 15 y 8
ciudades/subáreas, respectivamente. En total, las series de 14 y 7 retornos exhibieron un
comportamiento de dependencia de largo alcance en cada categoría de apartamento,
respectivamente. La tabla 1 informa sobre los mejores rendimientos del precio de la vivienda
realizando modelos dentro y fuera de la muestra para cada ciudad y subárea, en cada tipo
apartamento. En el Apéndice, la Tabla A1 detalla los criterios de información de Akaike (AIC) de
cadmodelo, mientras que la Tabla A2 presenta el error cuadrático medio (RMSE) y la media Error
Absoluto (MAE); las métricas utilizadas en la evaluación de la precisión del pronóstico de cada
modelo. Un valor de criterio más bajo describe el rendimiento de un mejor modelo.
Investigar qué característica (memoria corta o larga) es crucial en el precio de la vivienda en
Finlandia modelado de retornos, los resultados son mixtos; las prestaciones de los dos modelos
difieren según el apartamento tipos y entre ciudades y subáreas. En primer lugar, en la categoría de
apartamentos de una habitación, el modelo ARMA se ubica como el modelo de desempeño líder en
la muestra en seis de las ocho ciudades/subáreas. En segundo lugar, en la categoría de piso de dos
habitaciones, está el modelo ARFIMA, que destaca en 11 de 14 ciudades/subáreas. Por último, en
el tipo de piso más grande (más de tres habitaciones), ambos modelos dividen la clasificación ya que
el modelo ARMA se ajusta mejor a los rendimientos de precios de la vivienda en tres
ciudades/subáreas, mientras que ARFIMA se desempeña bien en cuatro de siete ciudades/subáreas.
Estos resultados están en línea con los resultados del estudio de Jadevicius y Huston (2015) y las
recomendaciones de Hepsen y Vatansever (2011). Jadevicius y Houston destacaron que el enfoque
de modelado ARIMA contribuye en gran medida a examinar los mercados inmobiliarios. Hepsen y
Vatansever señalaron que el modelado de precios de la vivienda con ARIMA proporciona
percepciones para una variedad de partes interesadas. Además, la capacidad del modelo ARFIMA
para capturar la característica de memoria larga del precio de la vivienda vuelve, especialmente en
la categoría de apartamentos de dos habitaciones; destaca la alta persistencia de los precios de la
vivienda (Dufitinema y Pynnönen, 2020).

El rendimiento de los pronósticos fuera de la muestra de los dos modelos se investiga mediante la
estimación de los modelos en el conjunto de datos de entrenamiento, la generación de pronósticos
de retorno de 5 años y la validación de las predicciones construidas utilizando el conjunto de prueba.
En general, en los tres tipos de apartamentos, el modelo ARFIMA supera al ARMA en la mayoría de
las regiones. El modelo ARFIMA proporciona las mejores previsiones de rentabilidad en 5 de 8, 10
de 14 y 5 de 7 ciudades/subáreas en las categorías de apartamentos de una habitación, dos
habitaciones y más grandes (más de tres habitaciones), respectivamente. Dada la fuerte evidencia
de memoria larga encontrada en los rendimientos de los precios de la vivienda en Finlandia por
Dufitinema y Pynnönen (2020), estos resultados confirman nuevamente la capacidad de los modelos
de memoria larga para capturar estas dependencias de largo alcance y su superioridad para
pronosticar los rendimientos de los precios de la vivienda. En la categoría de apartamentos de dos
habitaciones, surge una observación interesante, el mejor modelo de desempeño dentro de la
muestra también produce pronósticos precisos fuera de la muestra. Este comentario se observa en
11 de las 14 ciudades/subáreas. Por un lado, contradice estudios previos, que expresaron que un
mejor ajuste dentro de la muestra no sugiere automáticamente un desempeño de pronóstico
superior (Newell et al., 2002; Stevenson y McGrath, 2003). Por otro lado, la observación se alineó
con los hallazgos de Jadevicius y Houston (2015) de que el mismo modelo [ARIMA(3,0,3)] brindó
mejores resultados de modelado dentro y fuera de la muestra para el mercado inmobiliario lituano.

En resumen, con respecto a la modelización de los rendimientos de los precios de la vivienda

finlandeses, el corto o el largo El rendimiento del modelo de memoria está impulsado por el
conjunto de datos de precios de la vivienda que se está estudiando. Por lo tanto, entre ciudades y
subáreas, uno debe habilitar diferentes dinámicas de precios de la vivienda en lugar de imponer un
modelo en el conjunto completo de datos. Con respecto a la previsión de la rentabilidad de los
precios de la vivienda, la los modelos de memoria larga superan a sus pares de memoria corta. Este
resultado destaca la ventaja de los modelos de memoria larga para pronosticar diferentes precios
de activos.

4.2 Previsión de la volatilidad de los precios de la vivienda Para las regiones con variación variable
en el tiempo, es decir, aquellas ciudades y subáreas con Se comparan efectos ARCH, modelos GARCH
de memoria corta y larga. esos son los Modelos EGARCH, FIGARCH y CGARCH. La Tabla 2 reporta la
mejor volatilidad del precio de la vivienda. realizando modelos dentro y fuera de la muestra para
cada ciudad y subárea, en cada tipo apartamento. En el Apéndice, los ajustes dentro de la muestra
de los modelos se detallan en la Tabla A3 y sus precisiones de pronóstico RMSE y MAE en la Tabla
A4.

En su mayoría, el modelo mejor clasificado para la modelización de la volatilidad del precio de la

vivienda en Finlandia, en todos tres tipos de apartamentos, es el modelo EGARCH. Ocupa el primer
lugar en 17 de 28 ciudades/subáreas.

En resumen, para un mayor número de ciudades y subáreas finlandesas, el modelo EGARCH es el

mejor modelo para modelar las volatilidades de los precios de la vivienda. En las restantes regiones,
la EGARCH cambia de lugar con el modelo FIGARCH. Sin embargo, no se indica geográficamente; el
rendimiento del modelo varía de una región a otra. Por lo tanto, de nuevo como arriba, cuando Al
modelar la volatilidad del precio de la vivienda, se deben permitir diferentes dinámicas de precios
de la vivienda en las ciudades, subáreas y tipos de apartamentos. En cuanto a los modelos fuera de
muestra Al pronosticar el desempeño, los modelos de memoria larga (CGARCH y FIGARCH) toman
la delantera, dominando a sus contrapartes de memoria corta. Aparte de algunas regiones (una
ciudad y una subárea), el desempeño de los pronósticos de los modelos varía entre ciudades y
subáreas y según el tipo de región.

apartamento: no se observa ningún patrón geográfico o regional.

5. Conclusiones, implicaciones y futuras investigaciones

En los últimos años, la previsión del mercado inmobiliario ha sido objeto de una amplia investigación
debido a

el papel vital de las previsiones de precios de la vivienda en la asignación de activos, el consumo, la

inversión, la decisión política;

y también en la predicción de impagos hipotecarios. Este artículo determina, en la vivienda

finlandesa

mercado, qué modelo es más capaz de pronosticar los movimientos tanto de la rentabilidad como
de la volatilidad de los precios de la vivienda.

Los dos modelos que compiten son el modelo ARMA y el modelo ARFIMA para la rentabilidad del
precio de la vivienda.
Para la volatilidad del precio de la vivienda, el modelo EGARCH compite con FIGARCH y CGARCH

modelos El estudio utiliza índices de precios de la vivienda trimestrales para 15 regiones principales
de Finlandia, que abarcan

desde el primer trimestre (Q1) de 1988 hasta el cuarto trimestre (Q4) de 2018.

Hay varios hallazgos importantes. En primer lugar, para investigar si la función de memoria corta o
larga captura los movimientos de retorno de los precios de la vivienda, el rendimiento de los
modelos se basa en el conjunto de datos de precios de la vivienda que se investiga. Por el contrario,
el modelo ARFIMA encabeza la previsión de rentabilidad del precio de la vivienda; supera al modelo
ARMA en la mayoría de las regiones. Este resultado indica que las dependencias de largo alcance
que exhibe el precio de la vivienda son un componente crucial en su pronóstico. En segundo lugar,
el modelo EGARCH se ubica como el modelo líder para la modelización de la volatilidad del precio
de la vivienda en Finlandia, lo que destaca la importancia de la volatilidad asimétrica en la
modelización de la volatilidad del precio de la vivienda. Los modelos GARCH de memoria larga
(CGARCH y FIGARCH) superan al EGARCH en la previsión de la volatilidad del precio de la vivienda,
lo que indica la dependencia a largo plazo de la volatilidad del precio de la vivienda y la capacidad
de los modelos de memoria larga para capturar y predecir esta propiedad de la volatilidad del precio
de la vivienda. Por último, en los tres tipos de apartamentos, no se observa ningún patrón geográfico
o regional para el ajuste de los modelos dentro de la muestra; el desempeño de cada modelo varía
de una región a otra tanto en términos de volatilidad como de rentabilidad de los precios de la
vivienda. Para el análisis fuera de la muestra, sin embargo, surgen algunas observaciones
interesantes. Para la rentabilidad de los precios de la vivienda, especialmente en la categoría de
apartamentos de dos habitaciones, el mismo modelo proporciona los mejores pronósticos dentro y
fuera de la muestra. mientras que Una visión de las perspectivas de los precios de la vivienda sería
beneficiosa para los economistas y las instituciones normativas. Asimismo, como señalan Balcilara
et al. (2015), pronosticar los movimientos del mercado de la vivienda juega un papel importante en
las autoridades de política monetaria y su disposición a “apoyarse contra el viento”.

Además, como se ha descubierto que la vivienda juega un papel crucial en los factores
macroeconómicos

fluctuaciones (Kishor y Marfatia, 2018), sería de interés investigar la interacción entre los precios de
la vivienda y las variables como las tasas de desempleo y las tasas de interés de una región a otra.
La información de estos predictores macroeconómicos se puede utilizar para mejorar la precisión
del pronóstico. En el mismo sentido, la existencia del quiebre estructural en el mercado de la
vivienda estudiado amerita un examen. En este aspecto, los datos se pueden dividir en submuestras
compatibles con las fechas de ruptura y, por lo tanto, mejorar la precisión del pronóstico.

LECTURA 8: Is artificial intelligence an enabler of supply chain resiliency post COVID‑19? An

exploratory state‑of‑the‑art review for future research

Resumen
Las situaciones desafiantes y las interrupciones que ocurrieron debido al brote de la pandemia de
COVID-19 han creado

una gran necesidad de resiliencia en la cadena de suministro (SCR). Ha habido un interés creciente
entre los investigadores por investigar la resiliencia en las operaciones de la cadena de suministro
para superar los riesgos y las interrupciones y lograr una gestión de proyectos exitosa. La cadena de
suministro de todo negocio requiere de proyectos innovadores para lograr una ventaja competitiva
en el mercado. Este estudio se realizó para identificar la importancia de la inteligencia artificial (IA)
para crear una cadena de suministro sostenible y resiliente, y también para brindar soluciones
óptimas para la mitigación de riesgos de la cadena de suministro. Se ha llevado a cabo una revisión
sistemática de la literatura para examinar la posible contribución o dirección de la investigación en
el campo de la IA y la RCS. En total, 162 artículos fueron preseleccionados de la base de datos
SCOPUS en el campo de investigación elegido. Se empleó Structural Topic Modeling (STM), un
enfoque basado en big data, para generar varios temas temáticos de IA en SCR basados en los
artículos preseleccionados, y se discutieron todos los temas. Además, el análisis bibliométrico se
realizó utilizando R-package para investigar las tendencias de investigación en el área de IA en SCR.
Con base en la revisión de la literatura realizada, se propuso un marco de investigación para la IA en
SCR que facilitará a los investigadores y profesionales mejorar el desarrollo tecnológico en las
empresas de la cadena de suministro. El propósito es combatir los riesgos e interrupciones
repentinos para que la gestión de proyectos funcione bien después de COVID-19. El estudio también
será útil para que futuros investigadores y profesionales identifiquen direcciones de investigación
basadas en la literatura existente cubierta en este documento en el campo de SCR. Se proponen
direcciones de investigación futuras para la gestión de la cadena de suministro resiliente habilitada
por IA. Este estudio también proporcionará varias implicaciones para que los gerentes de la cadena
de suministro logren la resiliencia requerida en sus cadenas de suministro después de COVID-19 al
centrarse en los elementos del marco de investigación propuesto.

1. Introducción

El brote de coronavirus (COVID-19) no solo ha provocado una tragedia mundial en vidas humanas,
sino que también ha afectado las actividades comerciales y económicas, por ejemplo, los procesos
de fabricación, la logística y las cadenas de suministro, la hospitalidad y muchas otras (Golan et al.
2020). COVID-19 ha desafiado a académicos y profesionales por el flujo fluido del proceso, ya que
esta pandemia se convirtió en una de las interrupciones de la cadena de suministro más graves de
la historia (Spieske y Birkel 2021). Estas interrupciones, ya sean causadas por humanos o naturales,
son una parte integral de todas las cadenas de suministro a nivel mundial, independientemente de
la naturaleza de los bienes o servicios proporcionados o el nicho de mercado en el que operan estas
cadenas de suministro (Golan et al. 2020) . La mayoría de las empresas de todo el mundo se
enfrentan a enormes desafíos en cada etapa de sus cadenas de suministro. Obligaciones de entrega
que no se cumplen por parte de los proveedores, demandas impredecibles de los clientes y compras
de pánico son algunos de los desafíos que enfrentan las empresas (Ivanov 2020). Estos riesgos e
interrupciones crearon la necesidad de mejorar la resiliencia de las cadenas de suministro para
enfrentar este tipo de riesgos e interrupciones repentinos. Además, el cambio en el entorno del
mercado está obligando a las empresas a actualizar con frecuencia sus procesos y productos (Haus-
Reve et al. 2019). Para lograr un liderazgo efectivo en el mercado, la gestión y el lanzamiento de
proyectos de innovación se vuelven cruciales, lo que complica aún más la gestión de la cadena de
suministro (SCM) (Kwak et al. 2018). Además, la transformación digital conduce a varios desarrollos
tecnológicos en la cadena de suministro (Kwak et al. 2018), por lo que la gestión de proyectos se
vuelve vital para SCM (Gaudenzi y Christopher 2016). Asimismo, Shishodia et al. (2019) en su estudio
enfatizaron una cadena de suministro impulsada por proyectos que es una combinación de gestión
de proyectos y cadena de suministro y requiere coordinación entre las actividades del proyecto en
el sitio y los procesos de la cadena de suministro fuera del sitio.

Análisis de texto usando modelado de temas estructurales

El modelado de temas (TM) se utiliza para escanear y analizar textos de un conjunto de documentos,
y se considera una técnica de aprendizaje automático no supervisado. Es una técnica esencial que
agrupa grupos de palabras automáticamente, aprende a sí mismo agrupando expresiones similares
y explora diferentes temas que describen mejor los documentos recopilados (Kuhn 2018; Sharma
et al. 2021). El TM permite a los investigadores organizar y estudiar muchos documentos. Un
método probabilístico para definir los documentos recopilados en términos de

temas se llama modelado de temas estructurales (STM), que es una forma de STM (Kuhn 2018). El
objetivo de STM es permitir que un investigador documente metadatos encontrando temas y
analizando su conexión (Roberts et al. 2019).

Con base en la frecuencia y similitud de palabras, se analizó el texto de los documentos y se

generaron temas temáticos utilizando STM. Es un modelo generativo de conteo de palabras, lo que
implica que para cada documento se define el método de generación de datos. Luego, al usar los
datos, encuentra los valores más probables para los parámetros en el modelo (Roberts et al. 2019).

5 temas de investigación emergentes de la IA

y resiliencia de la cadena de suministro

5.1 Riesgos asociados a la gestión de la cadena de suministro

En este contexto, el riesgo se puede definir como la posibilidad de que surjan repercusiones
negativas inesperadas o no deseadas de una actividad o evento (Rowe 1980), y desastres naturales
o provocados por el hombre (Shahed et al. 2021). Los riesgos asociados a la cadena de suministro
se pueden definir como la interrupción causada por la exposición a un evento o actividad que afecta
la gestión de la red de la cadena de suministro (Christopher y Lee 2004). En este moderno 1,261 /
5,000

Resultados de traducción

y el entorno global, la gestión de riesgos se está convirtiendo gradualmente en

Esto supone un desafío debido a las incertidumbres asociadas con la oferta y la demanda, la
subcontratación de empresas globales y los ciclos de vida cortos de los productos (Ghadge et al.
2012). Además, los riesgos asociados con una gestión de proyectos mal manejada se reflejan en
toda la cadena de suministro porque los riesgos del proyecto no se comunican bien en toda la
cadena de suministro (Thunberg et al. 2017). Del mismo modo, Zuo et al. (2009) afirmó que la
disponibilidad de fuentes internacionales ya no es beneficiosa debido a la falta de comunicación
entre la gestión de proyectos y los equipos de adquisiciones y debido a la falta de gestión en toda la
cadena de suministro. Por otro lado, el abastecimiento global a menudo está relacionado con
complejidades en comparación con una cadena de suministro o proyecto interno simple, por
ejemplo, regulaciones de exportación, impuestos, aranceles de importación y exportación,
fluctuaciones del tipo de cambio, aumento de los costos de transporte, etc. (Tang y Musa 2011).

Shahed et al. (2021) se refirieron a los riesgos de la cadena de suministro experimentados debido a
interrupciones causadas por desastres naturales como un brote de coronavirus. Desde noviembre
de 2019, el coronavirus (SARS-COV-2) se ha convertido en un riesgo de interrupción y ha destruido
todas las actividades de la cadena de suministro (Taqi et al. 2020) a través de instalaciones de
transporte aéreo restringido, una-

disponibilidad del suministro de materias primas, cierre de fronteras y el cierre total de las
actividades de producción (Chowdhury et al. 2020). La pandemia en curso ha afectado
significativamente a todo tipo de cadena de suministro, como la cadena de suministro de alimentos
(Barman et al. 2021), la cadena de suministro de medicamentos (Goodarzian et al. 2021a), la cadena
de suministro de productos comerciales (Paul y Chowdhury 2020), etc.

La pandemia creó interrupciones duales como un rápido aumento en la demanda de productos de

alta demanda como desinfectante para manos, papel higiénico, etc., y una disminución en el
suministro de materia prima en las cadenas de suministro (Koonin 2020). Para reducir los impactos
negativos de la pandemia de COVID-19, se propuso una gestión ágil de proyectos (Koch y Schermuly
2021). Se estableció un modelo de recuperación de la producción mediante el uso de un enfoque
de modelado matemático para superar estas interrupciones en la cadena de suministro de
productos esenciales y de alta demanda durante la pandemia (Paul y Chowdhury 2020). Para
desarrollar SCM sostenible, se aplicó un enfoque de excelencia operativa a través del papel del
análisis de big data (Bag et al. 2020). Además, se identificaron 33 barreras en las innovaciones para
SCM sostenible en la industria manufacturera de un país en desarrollo, y se proporcionó un marco
para superar estas barreras mediante el uso de lo mejor y lo peor.
(Gupta et al. 2020). Sin embargo, Fasan et al. (2021)

informó que las empresas con prácticas verdes de SCM experimentaron menos retornos anormales
negativos de acciones durante la pandemia. Sugirieron que la SCM verde se identifique como una
herramienta eficaz de gestión de riesgos. Así, propusimos las siguientes proposiciones:

Propuesta 1: Desarrollar un modelo de cadena de suministro utilizando

Técnicas de IA para mitigar riesgos e interrupciones repentinos

causada por la pandemia de COVID-19.

Propuesta 2: Recomendar la aplicabilidad y los beneficios de la tecnología emergente como IA,

soluciones de impresión 3D,

blockchain, automatización, etc., para resolver problemas en tiempo real y crear una cadena de
suministro resistente después de COVID-19.

Proposición 3: Evaluar tanto las fortalezas como las debilidades de tecnologías habilitadas para IA
en la gestión de proyectos y RSC post-COVID-19.

Propuesta 4: Analizar la efectividad de las tecnologías avanzadas para reducir los impactos sociales,
económicos y ambientales del transporte y la logística.

Proposición 5: La emergencia del COVID-19 implica la necesidad crítica de implementar prácticas

sostenibles en logística y transporte.

Propuesta 6: Desarrollar un modelo basado en IA para resolver problemas sociales y ambientales en

cadenas de suministro y enlaces. con el desarrollo sostenible.

Propuesta 7: Los estudios futuros pueden evaluar el impacto de diferentes prácticas sostenibles de
transporte y logística tales como como el diseño ecológico, la cadena de suministro de carbono cero
neto, la gestión de la investigación y el desarrollo, etc.

5.2 Transporte y logística sostenibles

El crecimiento y el desarrollo de una economía conducen a un aumento masivo de las actividades

de transporte. En los países industrializados, el transporte se ha convertido en un elemento crucial
y actividad básica para el desarrollo social y económico. Como el producto interno bruto crece, las
actividades de transporte ciertamente aumentan (Faulin et al. 2019). El transporte está relacionado
con varios efectos externos adversos, como la contaminación del aire y el ruido, las emisiones de
gases de efecto invernadero, los accidentes, etc. Además, es uno de los principales contribuyentes
al cambio climático inducido por el hombre. Se informa que las emisiones de gases de efecto
invernadero han crecido globalmente a un ritmo más rápido en el sector del transporte. que en
 cualquier otro sector (Tchanche 2021). logística y Las actividades de transporte tienen numerosos
efectos perjudiciales sobre el entorno social y natural que es necesario reducir. Por lo tanto, el
desarrollo sostenible del transporte y la logística requiere actividades sostenibles que reduzcan los
impactos ambientales adversos y generen beneficios sociales y económicos significativos (Abbasi y
Nilsson 2016).

Topic label Words with the highest probability Frex Lift

Risk associated with supply chain Supplier, risk, chain, network, Risk, probability, take, Partner, pre-emptiv
manage- ment disrupt, model, cost propagate, global, chain, total acknowledge, brand, encount
Sustainable transportation and Supplier, chain, transport, system, Transport, secure, interdepend, inter-depend,
Forest, scancargo, cover,
terminal,
logistics supplier, infrastruc- surround,
network, perform ture, ANN, theft, combine unimodal
Resiliency in supply chain Resilient, supplier, chain, network, Resiliency, literature, capable, Absorption, agency, alike, an
use, design nation,
perform, research methodology approach, synthesis, threat
originality value,
Supplier risk management System, supplier, risk, studies, Active, aggregate, prepared, Aggregate, date, duration, ga
management, contract,
purpose, key prepared,
supplier, resiliency weight, proactive, goal water, layer
Datadrivensupply chain model, data, Decision, inform, Forecast, lockdown, local, monitor, Policy maker, lockdown, m
demand, data, peak,stock,
product, use real-time, covid- Basel, license
Decision model in supply chain Supplier, model, disrupt, supplier, Retail, supplier, profit, genetic, Multi-period, assign, avers, cap
algo- region, deci- cost-
rithm,chain, proposed sionsupport system, algorithm risk, JIT (just in time)
Technology management in supply Supplier, chain, disrupt, technology, Technology, firm, innovation, food, Care,magnitude, multi-stage,
chain firm, ripple, risk,
firms effect, management pandemic, adopt indirect, organization, patien
Network design in supply chain supplier, network, Chain, improve, Cluster, flexible, improve, logistics, Inbound, tend, remove, sto
manage- farm, waste, per-
ment, perform, cluster inventories, topology son, character

Machine learning in supply chain Data, supplier, chain, disrupt, use, Feature, machine, lean, learn, infer, Clarities, list, transit, wait, re
machine, data seamless

Optimization algorithm in supply Supplier, chain, algorithm, Multi-object, optimization, genet, Interdictor, queue, refineries
optimization, model, disrupt, algorithm, minim, solution, level, classic, intense, later
chain cost configuration

Resiliencia en la cadena de suministro

Se han observado muchas fallas o interrupciones en la cadena de suministro por las cuales las
empresas se ven afectadas debido a los cambios inesperados en la demanda de los consumidores y
en parte debido a la incapacidad de adopción de nuevas innovaciones tecnológicas (Singh et al.
2019). Los riesgos económicos y comerciales recientes que ocurrieron debido al brote de la
pandemia de COVID-19 han cambiado el enfoque de los profesionales e investigadores para
desarrollar una red de cadena de suministro resistente (Spieske y Birkel 2021). Aunque la resiliencia
se considera un concepto amplio, la preocupación central implica la medición de la eficacia y el
rendimiento de todo el sistema que comprende la línea de producción, la red de la cadena de
suministro, la red de telecomunicaciones, etc. (Singh et al. 2019). En todo el proyecto, incluso el
retraso en algunas actividades puede interrumpir toda la red y reducir la resiliencia del proyecto. En
este sentido, las disrupciones provocadas por la pandemia de COVID-19 son probablemente las más
graves de la última década en la cadena de suministro global (Araz et al. 2020). La literatura previa
da evidencia de varios estudios para explicar los antecedentes de la RCS (Bode et al. 2011; Kim et al.
2015).

Para gestionar de manera eficiente las interrupciones en la cadena de suministro en caso de una
pandemia, un sistema de apoyo a la toma de decisiones basado en el Sistema de Inferencia Fuzzy
(FIS) es eficaz para gestionar la demanda de suministros sanitarios (Govindan et al. 2020). Teniendo
en cuenta el brote y los riesgos correspondientes en la cadena de suministro, se propone un modelo
de simulación para gestionar la interrupción de la cadena de suministro global y predecir los
resultados graves del impacto de COVID-19 en el desempeño de la cadena de suministro (Ivanov y
Dolgui 2020). Kumar y Anbanandam (2020) ofrecieron un marco SAP-LAP para mejorar la resiliencia
de la cadena de suministro e iniciar procesos de creación de resiliencia. Además, se desarrolló un
modelo basado en agentes (ABM) utilizando un software de simulación que proporciona planes de
recuperación y varias estrategias para gestionar la demanda vertiginosa de artículos esenciales
durante la pandemia (Rahman et al. 2021). Así, propusimos las siguientes proposiciones:

Propuesta 8: Se requiere un modelo de recuperación de la cadena de suministro utilizando

tecnología innovadora y análisis de big data para superar los problemas de SCR durante un brote.

Proposición 9: La emergencia de COVID-19 ha creado la necesidad de estrategias resilientes para

reducir la producción y complejidades de entrega.

Proposición 10: Evaluar no solo el modelo de recuperación a corto plazo para SCR sino también las
estrategias a largo plazo para recuperar y recupere fuerzas después de la pandemia mediante el uso
de la eficiencia de la IA.

Proposición 11: Los estudios futuros deben integrar el rol de la gestión de proyectos en la SCR post
pandemia porque solo existe un número limitado de estudios sobre gestión de proyectos y SCR.

5.4 Gestión de riesgos de proveedores

La gestión de riesgos de proveedores considera los riesgos asociados con las irregularidades o
conductas indebidas de los proveedores (Canzaniello et al. 2017). La decisión de selección de
proveedores se considera uno de los principales problemas en el contexto de la gestión de proyectos
(Sabbaghi 2020) y SCM que enfrentan los gerentes para mantener la competitividad (Bai y Sarkis
2010). El riesgo asociado con la selección de proveedores puede causar interrupciones en toda la
gestión del proyecto y, posteriormente, afectar la cadena de suministro. Además, el costo total de
compra está influenciado por la selección del proveedor adecuado, que impacto en el costo total
del producto final (Pazhani et al. 2016). sol et al. (2012) propusieron un modelo de gestión de riesgos
de calidad y desarrollaron un modelo de solución de gráfico P para mitigar los riesgos de calidad en
una cadena de suministro de estructura proveedor-ensamblador. Se estudió el problema en la
cadena de suministro de manufactura que comprende múltiples proveedores y múltiples
incertidumbres, y se formuló una política integrada de gestión de inventarios

mediante el uso del enfoque de programación dinámica estocástica para permitir la gestión de
riesgos del proveedor (Song et al. 2014). Wu et al. (2010) desarrollaron un modelo difuso de
programación multiobjetivo para la selección de proveedores considerando factores de riesgo.
Muchos estudios relacionados con la gestión de riesgos de proveedores tienen similitudes con el
trabajo de modelado de decisiones. Se desarrolló un modelo de decisión aplicando un enfoque
tradicional de gestión de riesgos de suministro considerando factores de riesgo cualitativos y
cuantitativos en la selección de proveedores y evaluando otras estrategias para la mitigación de
riesgos (Yoon et al. 2018). Además, se utilizó un enfoque de extracción de datos para la gestión de
riesgos del proveedor al determinar la asociación latente entre los datos de precalificación del
proveedor y la calificación general del proveedor (Jain et al. 2014). Sin embargo, existen muchas
técnicas en IA como redes bayesianas, lógica difusa, evolución diferencial, etc., que no se emplean
en este campo de investigación de gestión de riesgos de proveedores (Hamdi et al. 2018). En el
campo de la gestión de riesgos de la cadena de suministro y la selección de proveedores, Hamdi et
al. (2018) realizaron un estudio de revisión de la literatura y concluyeron que la investigación en
este campo no se considera suficiente en comparación con otros campos de la gestión de riesgos de
la cadena de suministro. Así, propusimos las siguientes proposiciones:

Proposición 12: Desarrollar un marco habilitado para IA para mitigar los riesgos asociados con la
selección de proveedores y gestión de proyectos.

Proposición 13: Desarrollar un modelo de gestión de riesgos de proveedores utilizando técnicas de

IA como lógica difusa, bayesiana redes, redes neuronales artificiales (ANNs), evolución diferencial,
etc.

Proposición 14: Existe la necesidad de más investigación científica en este campo de SCM que
ofrezca soluciones óptimas usando análisis de big data.

Proposición 15: Los estudios futuros pueden incorporar verde Prácticas SCM en la gestión de
selección de proveedores.
Cadena de suministro basada en datos

Una cadena de suministro basada en datos es una cadena de suministro que emplea big data como
el núcleo de las técnicas cualitativas y cuantitativas para mejorar la competitividad de la cadena de
suministro (Shamsuzzoha et al. 2020). Hoy en día, las empresas están invirtiendo mucho en
proyectos basados en tecnología de la información para optimizar los niveles de inventario,
automatizar transacciones, rastrear el suministro y las operaciones, y varias decisiones de la cadena
de suministro (Yu et al. 2018). Esta tendencia de la cadena de suministro automatizada o basada en
datos ofrece importantes perspectivas para mejorar la eficiencia y reducir los costos (Wu et al.
2016). El alcance mundial de la cadena de suministro aporta un gran volumen de datos recopilados
de sus numerosos procesos. Estos grandes datos se analizan y(Hazen et al. 2014). Implementación
de una estrategia de big data en

la gestión del proyecto y la cadena de suministro podrían generar mejoras potenciales en la eficacia
y la eficiencia a través de todas las actividades del proyecto, como la previsión de la demanda, el
seguimiento de la ubicación, la planificación del suministro, la aceptación de productos y servicios,
la comprensión del comportamiento de los proveedores y los clientes, etc. (Kwon et al. . 2014).

Durante la próxima década, se esperan grandes cambios en la cadena de suministro y la logística,

como la influencia de la tecnología en la información o los flujos de datos, la toma de decisiones
autónoma, nuevos modelos de cooperación en las conexiones de redes de valor, análisis de big data,
etc. (Nitsche et al. 2021). ). Wanke et al. (2017) sugirieron que un buen modelo de asignación de
inventario gestiona varias decisiones con respecto al plan logístico de inventarios de vendedores a
consumidores cuando no hay existencias suficientes para satisfacer la demanda de cada
consumidor. Se puede emplear un enfoque basado en datos para determinar los factores que
permiten la resiliencia en la cadena de suministro y se puede enfatizar la importancia del
intercambio de información de calidad y la confianza rápida (Papadopoulos et al. 2017). Cavalcante
et al. (2019) desarrollaron una técnica híbrida basada en datos para teorizar los conceptos de
rendimiento de la cadena de suministro resiliente. Además, con base en el intercambio de
información y el uso de la estrategia de la industria híbrida 3.5, también se puede desarrollar un
enfoque de administración y asignación de recursos materiales en las cadenas de suministro que
pueden cumplir con una tasa de cumplimiento material del consumidor de alrededor del 90 por
ciento (Kuo et al. 2021). Así, propusimos las siguientes proposiciones:

Proposición 16: Se debe desarrollar un enfoque multiproducto y multihorizonte utilizando big data
e IA para traer resiliencia en la cadena de suministro post-COVID-19.

Proposición 17: La emergencia de COVID-19 indica la necesidad de un modelo de pronóstico basado

en datos que proporcione la demanda y la oferta aumentan durante un brote y permite a las
empresas de la cadena de suministro monitorear sus operaciones en consecuencia.

Proposición 18: En un escenario que cambia rápidamente, se requiere modificar las estrategias
existentes para superar la oferta. interrupciones de la cadena durante la pandemia.
Modelo de decisión en la cadena de suministro

En cada nivel de la cadena de suministro, la toma de decisiones efectiva juega un papel vital en la
reducción del costo del inventario, satisfacer las demandas de los consumidores, expandir la
participación de mercado y mejorar el nivel de servicio al cliente (Singh et al. 2019). De igual forma,
la toma de decisiones ejerce un impacto significativo sobre las capacidades resilientes de la
empresa. Para esto proceso de red. Este modelo se utilizó para reducir los riesgos en

el proceso logístico, para analizar las interrupciones basadas en la seguridad y proporcionar un nivel
de seguridad aceptable. Para cuantificar varias estrategias resilientes para la mitigación de riesgos,
se puede desarrollar un modelo de soporte de decisiones con la combinación del proceso de red
analítica en capas (ANP) y la teoría gris como en el estudio de caso de las empresas productoras de
productos electrónicos realizado por Rajesh (2020).

Se recomienda un sistema de soporte de decisiones basado en ontologías para fortalecer la

resiliencia en la cadena de suministro durante una interrupción mediante el uso de PSO-DE como
técnica de optimización (Singh et al. 2019). Al contemplar la conciencia de los consumidores en línea
con respecto a las emisiones de carbono, se puede establecer un modelo de toma de decisiones
bajo en carbono basado en tiendas y vendedores en línea (Wu et al. 2021). Pamúcar et al. (2020)
propusieron un enfoque neutrosófico difuso para la toma de decisiones para la selección y
evaluación de proveedores. Además, se debe examinar el impacto de las interrupciones de COVID-
19 en las decisiones de la cadena de suministro y se puede proponer un modelo de optimización
estocástica para compartir y asignar un recurso crítico durante una pandemia (Mehrotra et al. 2020).
Así, propusimos las siguientes proposiciones:

Proposición 19: investigar los facilitadores de una cadena de suministro sostenible y proponer un
modelo de decisión basado en IApara superar los desafíos que se presentan debido a las pandemias.

Propuesta 20: Desarrollar el modelo utilizando fuzzy MIC-MAC y fuzzy TISM y en base a las
recomendaciones de expertos. daciones sin parcialidad.

Gestión de la tecnología en las empresas de la cadena de suministro

La gestión de tecnología se define ampliamente como “un proceso que incluye la planificación,
dirección, control y coordinación del desarrollo e implementación de capacidades tecnológicas para
dar forma y lograr los objetivos estratégicos y operativos de una organización” (Cetindamar et al.
2009). ). Es crucial evaluar el impacto de la tecnología de la información en la organización actual,
ya que se ha convertido en un aspecto fundamental de SCM. Una SCM eficiente y exitosa se basa en
la gestión de la calidad y la tecnología dentro del sistema técnico y social de la cadena de suministro.
Estos sistemas técnicos y sociales se establecen sobre las conexiones de varios factores que se
encuentran dentro de la gestión de calidad y tecnología (Kuei et al. 2001). En transporte y logística,
el desarrollo tecnológico está trayendo eficiencia y mejoras. Las actividades relacionadas con la
innovación tecnológica pueden ayudar a las empresas de la cadena de suministro a aumentar la
productividad, reducir riesgos y costos (Fu et al. 2021).

Lee et al. (2018) afirmaron que la innovación tecnológica es un factor importante para el crecimiento
sostenible de la empresa y en los últimos años, muchas empresas están cambiando su atención a la
gestión de la tecnología para lograr competitividad ventaja tiva.

Proposición 21: Desarrollar un marco utilizando técnicas de IA para facilitar estrategias de

recuperación y operaciones en cadenas de suministro que abarcan diversos sectores.

Proposición 22: Identificar los impulsores y las barreras en la gestión de la tecnología para crear un
entorno sostenible y resiliente. cadena de suministro ciente.

5.8 Diseño de redes en la cadena de suministro

El diseño de red en la cadena de suministro a veces se considera una planificación estratégica de la

cadena de suministro, que forma parte del proceso de planificación de SCM. Gobierna la estructura
física y la infraestructura de la cadena de suministro (Govindan et al. 2017). La capacidad de una
empresa o sistema para volver a su condición inicial o más bien a un estado más ventajoso después
de la interrupción se denomina resiliencia (Tang 2006). Esta habilidad en SCM está directamente
influenciada por el diseño de la red, que es una de las partes más importantes de cualquier proyecto.
Sin embargo, una red resistente de la cadena de suministro debe operar de manera efectiva en
ambas situaciones, ya sea normalmente o durante las interrupciones (Hasani et al. 2021). En el área
de la creación de modelos confiables de diseño de redes de cadenas de suministro, muchos estudios
consideran la probabilidad de falla como una restricción preespecificada para el transporte o las
instalaciones bajo interrupciones (Hatefi et al. 2015). En lo que respecta a las interrupciones
causadas por la pandemia de COVID-19, existe una necesidad crítica de un diseño de red sostenible
para superar los desafíos presentes y futuros. Según Majumdar et al. (2020)

Proposición 23: Uso de la técnica de IA para minimizar los riesgos del diseño de red de cadena de
suministro resiliente de dos niveles.

Proposición 24: Explorar el papel de las técnicas de la industria 4.0 en la creación de un diseño de
red de cadena de suministro resiliente.

Propuesta 25: Para determinar la eficacia de la IA aplicaciones en la gestión y recuperación de la

cadena de suministro de interrupciones repentinas como una pandemia.

Aprendizaje automático en la cadena de suministro

El aprendizaje automático es la herramienta que facilita la reducción y eliminación del impacto

negativo de la interpretación de datos porque no implica la participación humana directa. Responde
rápidamente a las demandas de las industrias al incorporar el gran conjunto de datos como entrada
al sistema (Tjahjono et al. 2017). Para sobrevivir a la creciente competencia, la automatización está
creciendo rápidamente en las entidades industriales donde utilizan sistemas habilitados por
software como medio de comunicación (Siderska y Jadaan 2018). El aprendizaje automático se
considera una de las mejores herramientas en el escenario actual, ya que se centra en la
optimización de recursos en la cadena de suministro (Nagar et al. 2021). El aprendizaje automático
ayuda a los administradores de proyectos a organizar fácilmente miles de tareas mientras
administran todos los recursos y proyectos. Sindhwani et al. (2019) informaron que la entrada y el
análisis de datos en la cadena de suministro tradicional y la gestión de proyectos se realizaron
manualmente, lo que limita el manejo efectivo de los problemas a lo largo de la cadena de
suministro. Además, el análisis de datos no fue adecuado en algunos casos, lo que condujo a la
interpretación de una influencia negativa en la confiabilidad de las operaciones comerciales (Kersten
et al. 2019).

Proposición 26: Explorar otras técnicas de aprendizaje automático y un conjunto de datos más rico
en funciones como Deep aprendizaje y redes neuronales, etc. y examinar su aplicabilidad y eficacia.

Proposición 27: Identificar las barreras en SCR y soluciones de big data utilizando técnicas de
aprendizaje automático aplicando relaciones causa-efecto.

Algoritmo de optimización en la cadena de suministro

Un algoritmo de optimización es un método para comparar varias soluciones hasta generar una
solución efectiva y óptima para un problema (Sadeghi et al. 2021). En esta era de digitalización e
inteligencia artificial, la regulación de la cadena de suministro a través de tecnologías emergentes
se convierte en una parte integral de las empresas para generar una producción sostenible. El
algoritmo de optimización proporciona un sistema eficaz para gestionar y controlar grandes
proyectos. El alcance de los grandes datos en muchos campos es enorme, pero hay escasez de
literatura sobre el diseño y la formulación de modelos de optimización utilizando análisis de grandes
datos para los problemas relacionados con la cadena de suministro (Goodarzian et al. 2021b). Se
propuso un modelo de optimización de distribución de la cadena de suministro de dos etapas
utilizando una optimización de enjambre de partículas modificada (MPSO) para resolver problemas
de control de inventario y ubicación integrada (Mousavi et al. 2017). Fathi et al. (2021) desarrollaron
un modelo de optimización para la cadena de suministro de inventario de ubicación mediante el
empleo de un enfoque de dos fases basado en la optimización estocástica y la teoría de colas, y se
creó un algoritmo genético híbrido para tratar matemáticamente el problema. Sin embargo, para
resolver los problemas sustanciales en la cadena de suministro utilizando características de big data,
se propusieron dos algoritmos metaheurísticos híbridos (Goodarzian et al. 2021b).

Proposición 28: La adopción de algoritmos de IA para realizar análisis de datos en tiempo real para
resolver los problemas de resiliencia en la cadena de suministro durante las interrupciones.
Proposición 29: Explorar la fuerza de las técnicas de IA y los algoritmos de optimización para
encontrar soluciones para crear sus- Redes sostenibles de cadena de suministro multietapa o
multicanal.

Nayal et al. (2021) evaluaron los desafíos de emplear el aprendizaje automático y la IA en la cadena
de suministro agrícola para reducir los impactos de COVID-19 mediante el uso de un enfoque híbrido
de Delphi ISM-Fuzzy MICMAC-ANP. Informaron que la privacidad y la seguridad de los datos son los
mayores desafíos en la implementación del aprendizaje automático y la IA en la cadena de
suministro, aunque estas aplicaciones tecnológicas resultaron ser un poderoso habilitador para
predecir con precisión y minimizar las incertidumbres. IoT es una herramienta robusta para SCR, ya
que permite que los artículos rastreen y determinen métricas cruciales a lo largo de toda la cadena
de suministro (Kara et al. 2020). En otro estudio, se adoptaron las estrategias a corto y largo plazo,
y se desarrolló el modelo SCR mediante el uso de un método mixto secuencial para la evaluación de
la resiliencia, el análisis del impacto financiero (FI) y la integración del tiempo de recuperación (TTR).
Los resultados del estudio respaldaron el uso avanzado de las tecnologías de la industria 4.0 para
mitigar los riesgos relacionados con la pandemia, además, el análisis de big data desempeña un
papel crucial en las actividades de la cadena de suministro al proporcionar información en tiempo
real para reducir las interrupciones (Belhadi et al. 2021b) . Además, se recomienda que a nivel de
tienda minorista, las empresas implementen un sistema de pago sin contacto para garantizar las
medidas de seguridad (Mollenkopf et al. 2020). De manera similar, se propuso facilitar el flujo de
capital para hacer frente a la escasez de capital para la digitalización y la reestructuración de la
cadena de suministro durante o después de COVID-19 (Deaton y Deaton 2020).

Discusión y modelo de investigación propuesto

Mejorar la capacidad tecnológica en las cadenas de suministro es crucial para superar las
perturbaciones provocadas por la pandemia. Por lo tanto, los requisitos y la aceptación de los
servicios móviles han crecido significativamente ya que los clientes prefieren recibir productos y
servicios en la puerta de su casa durante el COVID-19 (Choi 2020). Para ello, se sugiere que las
empresas utilicen las ventas en línea, la digitalización, los servicios móviles y las tecnologías de la
información para observar la cadena de suministro y mitigar los riesgos asociados. En este sentido,
se recomiendan varias tecnologías como IA, impresión 3D, análisis de Big Data, computación en la
nube e IoT (Chowdhury et al. 2021). Además, para predecir interrupciones en la cadena de
suministro, se sugiere agregar agilidad a los datos (Brintrup et al. 2020). En la figura 10 se propone
un marco de investigación futuro.

El marco de investigación propuesto comprende diez temas de investigación emergentes de SCR en

la primera etapa. La segunda etapa involucra varias técnicas de IA que se pueden incorporar para
lograr resiliencia en la cadena de suministro. En la última etapa, se presentan los beneficios de
implementar técnicas de IA en SCM. Estos beneficios se pueden lograr durante o después de una
pandemia para superar las interrupciones.

Conclusiones
La transmisión generalizada del nuevo COVID-19 ha generado graves incertidumbres en la cadena
de suministro global. Los efectos de la pandemia han interrumpido toda la cadena de suministro,
principalmente en todos los sectores. En este sentido, académicos y profesionales han cambiado su
enfoque para crear una cadena de suministro más sostenible y resistente. Para ello, el desarrollo
tecnológico basado en IA ha proporcionado herramientas y técnicas para implementar en las
operaciones de suministro. El estudio actual se centra en el trabajo de investigación realizado en el
campo de la IA en SCR. Se identificaron los diversos temas, a saber, Riesgo asociado con SCM,
transporte y logística sostenibles, resiliencia en la cadena de suministro, gestión de riesgos de
proveedores, cadena de suministro basada en datos, modelo de decisión en la cadena de suministro,
gestión de tecnología en las empresas de la cadena de suministro, diseño de red en el scs, machine
learning en cadena de suministro, algoritmo de optimización en scs. Se realizaron análisis
bibliométricos y STM para comprender las tendencias de investigación en IA y SCR. Esta
investigación proporcionará una visión más profunda y mejor de la implicación de la IA en la SCR y
ayudará a la SCM a mitigar los riesgos asociados. Se intenta incluir la mayoría de los trabajos previos
relacionados con IA en SCR en base a los temas identificados. El estudio se limita solo a artículos de
revistas y no incluye otros documentos como documentos de conferencias, informes de campo,
informes de empresas, capítulos de libros, etc. El análisis bibliométrico permitirá al investigador
clasificar el patrón de crecimiento y la cantidad de la literatura previa disponible sobre IA en SCR.
En consecuencia, recomendamos futuros estudios sobre la implicación de la IA y la mitigación de las
barreras en SCR. También se recomienda analizar los efectos perjudiciales impacto de la IA en la
SCR, y proporcionar evidencia sobre la debilidad y los desafíos de las tecnologías habilitadas para la
IA en el contexto de la SCR.

LECTURA 9: Operations management and collaboration in agri- food supply chains

RESUMEN

Las cadenas de suministro agroalimentario se refieren a las conexiones que existen entre las partes
interesadas agroalimentarias desde los procesos relacionados con la granja hasta la mesa. En este
entorno, operaciones como la planificación y el control son fundamentales para mejorar el
desempeño y las decisiones de las cadenas de suministro agroalimentarias, que se consideran
complejas principalmente debido a la presencia de una alta variedad de información y variables que
se requiere manejar simultaneamente. Por lo tanto, el uso de una combinación de métodos,
metodologías y multidisciplinares Los enfoques son una de las tendencias clave en la investigación
para manejar estas complejidades. El propósito de esto es beneficiar al sector agroalimentario
mediante la identificación de soluciones sostenibles que mejoren las oportunidades sociales lazos,
así como medios de subsistencia, economías locales y nacionales. A partir de ello, se esperan
impactos en términos de Proporcionar a las partes interesadas escenarios validados para mejorar la
resiliencia de la cadena de suministro agroalimentaria, establecer Directrices para la toma de
decisiones agroalimentarias para mejorar la entrega de calidad agrícola y fortalecer la
agroalimentación. posición de las partes interesadas en las cadenas de suministro locales y globales.
Sin embargo, dado que las interdependencies entre las partes interesadas agroalimentarias están
relacionadas con varias actividades, recursos y sistemas agroalimentarios, la el establecimiento de
modelos comerciales colaborativos a lo largo de la cadena de suministro agroalimentario se ha
vuelto más más importante que nunca, especialmente para apoyar las cadenas mundiales de
suministro agroalimentario, la seguridad alimentaria y la trazabilidad en respuesta a los desafíos
globales sostenibles. Por lo tanto, alineado con la investigación H2020 RUC-APS proyecto, esta
investigación se enfoca en abordar los desafíos clave de toma de decisiones en la cadena de
suministro agroalimentaria entornos mediante la conexión de metodologías clave de gestión de
operaciones con la investigación colaborativa enfoques en las regiones de Europa, Asia y América
del Sur. El objetivo es identificar la opera-situaciones de gestión de las decisiones en las que la
incertidumbre en el sector agroalimentario dificulta la toma de decisiones. dominio, dentro del
estudio e implementación de enfoques basados en la Gestión de Operaciones en cadenas de
suministro de alimentos.

Este número especial está dedicado a la memoria de nuestro querido colega, mentor y amigo, el
profesor Martin Mortimer, quien falleció después de una breve enfermedad.

La industria alimentaria es una de las industrias más importantes del

mundo, en parte local, en parte global, a veces manual, a veces altamente automatizado, incluidos
productores o procesadores de alimentos individuales y empresas desde pequeñas hasta
multinacionales. En los últimos años, la industria alimentaria ha comenzado a recibir más atención
por parte de la comunidad académica en las áreas de

operaciones y gestión de la cadena de suministro. Este número especial

surgió después de reuniones de investigación clave: la EURO-

Sesión especial de 2018 sobre "Avances en agronegocios" en Valencia, España, julio de 2018, Sesión
especial de PRO-VE-2018 sobre "Sistemas cognitivos en cadenas de valor de alimentos y
agronegocios" en Cardiff, Reino Unido, septiembre de 2018. Los participantes y otros investigadores
respondieron a la convocatoria de ponencias.

Una cadena de suministro agroalimentaria también puede considerarse como un

red compleja donde una variedad de actores interactúan para tomar las decisiones correctas con el
fin de cumplir con los requisitos del cliente final. Estos desafíos abarcan varias dimensiones de la
agricultura. Los recursos naturales como el agua, el suelo y los nutrientes se encuentran
actualmente bajo presión, y las condiciones climáticas se están volviendo más volátiles e inciertas,
con efectos adversos

efectos en las cadenas de suministro agroalimentarias. Es difícil visualizar y comprender las

interrelaciones entre las limitaciones y los desafíos de todas las dimensiones, por lo tanto, es difícil
predecir comportamientos futuros para mitigar condiciones inesperadas y su efecto en toda la
cadena agrícola (Hernández et al. 2017).

La cadena de suministro generalmente está compuesta por actores como productores grandes,
medianos y pequeños que cultivan y comercializan productos alimenticios; procesadores
intermedios que procesan, fabrican y comercializan productos primarios y de valor agregado;

distribuidores tales como mayoristas y minoristas que comercializan

y vender la comida; consumidores que compran, compran y consumen alimentos; y organizaciones

tanto gubernamentales como no gubernamentales que establecen las normas que controlan la
cadena de suministro agroalimentaria. Estos actores necesitan reaccionar de manera eficiente a la
creciente población mundial actual y las demandas dinámicas del mercado, las regulaciones
complejas y los altos variedad de productos, manteniendo altos estándares en los alimentos cultivo
y producción. Estas son las fuentes clave de incertidumbre que conducen a los desafíos gerenciales
del desempeño efectivo y eficiente de las operaciones en el sector agroalimentario. Por lo tanto, al
mejorar el intercambio de información y la colaboración entre las cadenas de suministro
agroalimentario, se reduce lacosto y el desperdicio, así como un equilibrio entre la oferta y la
demanda de alimentos. De hecho, la colaboración entre las partes interesadas a lo largo de la
cadena de suministro agroalimentaria es más importante que nunca (Hernández et al. 2014), y la
correcta aplicación de los conceptos de gestión de operaciones para mejorar la colaboración en la
cadena de suministro agroalimentaria respaldará procesos eficientes de toma de decisiones. para
el cultivo y la producción de alimentos, y ayudar a satisfacer las especificaciones de demanda de los
clientes finales, minimizando riesgos e incertidumbres.

Para los productos agrícolas, el desarrollo exitoso de la cadena de suministro

Los proyectos de ment reducen no solo los costos de transacción sino también las barreras
institucionales que desacoplan los vínculos individuales en

canales de distribución tradicionales (Van Roekel et al. 2002). Pero

se vuelve difícil lidiar con tal sistema cuando las estructuras no están claramente definidas. Por lo
tanto, se requiere investigación avanzada de la cadena de suministro agroalimentario,
especialmente para proporcionar una comprensión integrada de la toma de decisiones eficiente de
la cadena de suministro agroalimentario bajo incertidumbre en términos de clima, sostenibilidad y
mercado.

Después de un minucioso proceso de revisión y revisión, presentamos

siete documentos seleccionados por su relevancia y calidad que abarcan una amplia gama de temas
clave. Los tres primeros papeles

ver los problemas de colaboración. En primer lugar, el efecto de la colaboración

Zaridis et al estudian la variación del rendimiento a través de una gran encuesta sobre la estrategia
de precios y la estrategia de calidad. A continuación, Fikar y Leithner analizan los efectos de la
colaboración entre productores locales y ofrecen un sistema de apoyo a la toma de decisiones para
las operaciones logísticas entre socios. Ghadge et al. analice las barreras para la sostenibilidad en
un sector específico de la industria alimentaria, centrándose en los productores de queso artesanal
en el Reino Unido. La sostenibilidad también es el tema del artículo de Ramanathan et al. que analiza
el impacto de la colaboración en la sostenibilidad verde para las cadenas de suministro de alimentos,
en particular, la selección de socios y la formación de equipos. Las colaboraciones se ven afectadas
por las turbulencias en el sector empresarial. Despoudi et al. observe los factores de turbulencia y
sus impactos en los productores de alimentos. También analiza los problemas que pueden afectar
a las empresas agroalimentarias en el artículo de Pereira et al que explora las estrategias de
mitigación de riesgos en las cadenas de suministro de alimentos, centrándose en los productores de
mango en Brasil y concluyendo que la principal estrategia de mitigación de riesgos es la
colaboración. Otro tema de riesgo importante para las empresas agroalimentarias es la cuestión de
la seguridad alimentaria. Esto es estudiado por Lu et al, quienes identifican y priorizan los factores
clave en la gestión de la seguridad alimentaria, con base en un estudio de caso de Chile.

Esperamos que estos documentos, que cubren una amplia gama de métodos de investigación,
situaciones, tipos de empresas y ubicaciones— ayudará a los investigadores a avanzar en la gestión
de colaboraciones en la industria agroalimentaria.

LECTURA 10: Personnel Costs and Labour Productivity: The Case of European Manufacturing
Industry

Resumen: El objetivo del artículo es evaluar el impacto de los costes de personal en la productividad
laboral aparente empleando los datos de panel 1995-2018 de la industria manufacturera en 27
países europeos. los paises. Se emplearon los métodos de prueba t de muestras independientes,
análisis de correlación, prueba de causalidad de Granger, prueba de raíz unitaria y ARDL. El análisis
muestra que existe una relación a largo plazo entre los costes de personal y la productividad laboral
aparente, y no existen diferencias significativas entre los países europeos en cuanto al impacto de
los costes de personal en la productividad laboral aparente, pero varía en el tiempo. Las empresas
a menudo evitan aumentar los salarios, ya que disminuyen las ganancias de la empresa, y buscan
aumentar la facturación para reducir el costo de los bienes vendidos. Esta investigación muestra
que el crecimiento de los costos de personal no necesariamente significa una menor rentabilidad.
El crecimiento de los costes de personal aumenta la tasa bruta de explotación si la rotación por
persona ocupada es estable. El crecimiento de la facturación tiene un efecto positivo en la
productividad laboral aparente, pero un impacto negativo en la tasa operativa bruta. Por lo tanto,
el impacto de la rotación sobre la productividad laboral aparente es significativamente menor que
el impacto de los costos de personal sobre la productividad laboral aparente.

1. Introducción

La alta calidad de la mano de obra se puede considerar como un indicador de

la productividad, que es uno de los motores endógenos clave de la competitividad de una empresa.
El problema de investigación sobre cómo aumentar la productividad laboral sigue siendo un tema
de actualidad tanto para las naciones en desarrollo como para las desarrolladas, ya que está
estrechamente relacionado con los procesos de desarrollo sostenible a largo plazo (Herman 2020).
La cuestión de si los costos de personal y los salarios son importantes para el nivel de productividad
laboral y permiten atraer empleados motivados es relevante para todas las empresas que desean
obtener ventajas comparativas en los mercados competidores. El enfoque inverso establece que las
empresas consideran el crecimiento de la productividad como base para el aumento de los salarios
(Yusof 2008; Sharpe et al. 2008). Sin embargo, cuando se buscan formas prácticas de aumentar la
productividad, también surge la pregunta de cómo el crecimiento de los salarios y los costos
generales de personal pueden afectar el crecimiento de la productividad.

La lista de factores endógenos y exógenos que influyen en la productividad es ampliamente

discutida y analizada empíricamente en la literatura académica cuando se buscan oportunidades
para mejorar los indicadores de productividad total y parcial de los factores, como la productividad
laboral y la productividad del capital. Dado que nuestro estudio empírico se centra en los vínculos
entre los indicadores de personal y la productividad laboral, concentramos nuestra atención en
argumentar la causalidad que va desde los salarios reales y otros componentes de los costos de
personal a la productividad laboral. Algunos economistas destacaron las ganancias económicas de
un empleador a partir de políticas salariales más altas que intentaban explicar los vínculos positivos
entre salarios más altos pagados y productividad, moral y lealtad (Leibenstein 1957; Reynolds 1978;
Solow 1979; Dunlop 1985; Lawrence 2016). La relación entre salarios y productividad llamó mucho
la atención de los investigadores que intentaban justificar los vínculos entre estos dos indicadores
(Katz 1986; Erenburg 1998; Wakeford 2004; Mora et al. 2005; Feldstein 2008; Zhang y Liu 2013;
Stansbury y Summers 2018; Herman 2020). Otros estudios empíricos se dirigieron hacia el análisis
de la interrelación en un conjunto de indicadores: productividad laboral, salarios reales, empleo
temporal y desempleo (Alexander 1993; Yusof 2008; López-Villavicencio y Silva 2011; Cirillo y Ricci
2020) o productividad, salarios reales e inflación (Kumar et al. 2012; Tang 2014; Yildirim 2015; Piper
et al. 2020). El impacto de los factores endógenos (como el sistema de capacitación del personal, la
inversión intangible en recursos humanos y conocimiento) en la productividad laboral también se
probó empíricamente en la literatura moderna (Black y Lynch 2002; Corrado et al. 2014; Dosi et al.
2019). La evidencia empírica del impacto de la regulación del mercado laboral en el crecimiento de
la productividad se presentó en estudios empíricos (Storm y Naastepad 2007; Bassanini y Venn
2008; Kleinknecht 2020). Se analizaron y discutieron los efectos de las PG (brechas salariales entre
ejecutivos y empleados) en la productividad de la empresa (Faleye et al. 2013; Banker et al. 2016;
Dai et al. 2017), mientras que se examinaron los efectos de la desigualdad salarial en la
productividad laboral. por Liu (2002); Policardo et al. (2019); Kampelman et al. (2018) analizaron
empíricamente los vínculos entre la productividad laboral y el sistema nacional de educación y
formación, lo que podría tratarse como un problema estrechamente relacionado con la calidad de
los recursos humanos y la productividad laboral.

Metodología
Este estudio empírico utiliza datos anuales de industrias manufactureras en 27 países europeos.

países para el período 1995-2018. El sector manufacturero incluye una amplia gama de actividades
y técnicas de producción, desde pequeñas empresas que utilizan técnicas de producción
tradicionales (p. ej., fabricación de instrumentos musicales), hasta empresas muy grandes ubicadas
en la cima de una pirámide alta y amplia de proveedores de piezas y componentes colectivamente.
fabricación de productos complejos, como aviones (Eurostat 2021). Dos países europeos no están
incluidos en el análisis econométrico, ya que Irlanda se encuentra como un caso atípico y Malta
tiene muchos datos perdidos. El análisis engloba todos los indicadores relacionados con la
productividad y los costes de personal que proporciona Eurostat para la industria manufacturera.
Las variables de control se seleccionan en función de su impacto potencial en los indicadores de
productividad (es decir, indicadores relacionados con la industria o la macroeconomía).

Conclusiones

La productividad laboral aparente varía significativamente entre los países europeos y

el ALP más alto (en Dinamarca) supera al ALP más bajo (en Bulgaria) más de ocho veces. ALP está
creciendo más lento que el costo de personal en países con menor productividad. Una parte
relativamente pequeña de los costos de personal en la producción y en el VAB, así como una tasa
operativa bruta significativamente más alta, dan la base para aumentar aún más los salarios, lo que
aumenta el problema del ALP estancado en los países menos productivos.

Nuestra investigación muestra que los costos de personal tienen un impacto positivo en la
productividad laboral aparente. La prueba de límite ARDL muestra que existe una relación a largo
plazo entre estos indicadores. Un aumento del 1% en los costos de personal tiene un efecto a largo
plazo de 1,7776% en la productividad laboral aparente, suponiendo que el impacto de otros
indicadores en ALP no sea significativo. El análisis muestra que no hay diferencias significativas en
los países europeos en el impacto de AC en ALP, pero varía con el tiempo.

Las empresas a menudo evitan aumentar los salarios, ya que disminuyen las ganancias de la
empresa, y buscan aumentar la facturación para reducir el costo de los bienes vendidos. Esta
investigación muestra que el crecimiento de AC no significa necesariamente una menor
rentabilidad. Crecimiento de AC por

1 mil euros aumenta el GOR entre un 0,6% y un 4,6% si la facturación por persona empleada es
estable. El crecimiento de la facturación tiene un efecto positivo en ALP pero un impacto negativo
en GOR. Un aumento del 1% en la facturación por persona ocupada tiene un efecto a largo plazo
del 0,0565% sobre la productividad laboral aparente. Por lo tanto, el impacto de la rotación en ALP
es notablemente menor que el impacto de AC en ALP.

Dado que el crecimiento de ALP se está desacelerando en todos los países europeos, los países de
menor productividad pueden tardar muchos años en ponerse al día con otros países europeos, y
necesita cambios y esfuerzos significativos. En primer lugar, los países son diferentes en la
tecnología utilizada, nivel de automatización de procesos en las empresas. En segundo lugar, los
gerentes de las empresas manufactureras buscan aumentar sus ganancias y aumentar los salarios
hasta cierto punto. Sabiendo eso, los empleados no están dispuestos a ser mucho más productivos.
Por lo tanto, no solo un aumento en los salarios, sino también una mayor inversión en nuevas
tecnologías puede conducir a un crecimiento más rápido de la productividad en los países menos
productivos. Sin embargo, cambiar la mentalidad de los gerentes puede requerir mucho más
esfuerzo y tiempo.

Esta investigación contribuye a la literatura existente que investiga el vínculo entre la productividad
y los salarios y fomenta la discusión sobre cómo resolver el problema del lento crecimiento de la
productividad laboral. Los resultados de esta investigación pueden ser útiles para los empresarios y
los responsables políticos que intentan encontrar una solución para aumentar la productividad
laboral, especialmente en los países menos productivos.

Esta investigación no analiza el impacto del nivel de tecnología, la inversión en tecnología, así como
otros indicadores, que pueden influir en la productividad laboral aparente. No tiene en cuenta los
cambios en el salario debido a los cambios en el tipo y la calidad de los especialistas necesarios para
las empresas debido a los cambios en la tecnología. Sin embargo, los resultados de esta
investigación demuestran que el aumento de los salarios, a pesar de las razones para ello, tiene un
impacto positivo en la productividad laboral aparente.

LECTURA 11: Supply chain for small and medium-sized industrial services companies:
Development and application of a management model (Cadena de suministro para pequeñas y
medianas empresas de servicios industriales: Desarrollo y aplicación de modelo de gestión)

Resumen

El objetivo de la presente investigación fue proyectar un modelo de gestión de cadenas de

suministro para pequeñas y medianas empresas del sector de servicios industriales del estado de
Nuevo León, México. Se enmarcó en la investigación acción desarrollada en la realidad de pymes
mexicanas, es de corte cualitativo, de diseño no experimental, se apoyó en el diseño de
cuestionarios como instrumentos de recolección de información, aplicados mediante encuestas a
actores en los procesos propios de las cadenas de suministro de servicios de las pymes; también
se realizaron entrevistas a gerentes y directivos de dichas empresas. Los hallazgos demuestran
que existen debilidades y fortalezas en estas empresas que las hacen más o menos competitivas en
el mercado. A partir de las debilidades detectadas, se proyectan cuatro dimensiones para el
desarrollo de la cadena de suministro: estratégica, estructural, relacional y control. Se realizó el
mapeo de la cadena de suministro de proyectos para la instalación de sistemas de protección
contra incendio en una pyme mexicana y se identificaron procesos, sub procesos y actividades
de la cadena, enmarcados en cinco fases. Se concluye la necesidad de implantar un sistema de
trabajo estandarizado integrando la empresa en un mismo objetivo de forma clara. Institucionalizar
el proceso de la cadena de servicios mejorando la carga laboral. El modelo planteado es
perfectamente aplicable en pymes, proyecta beneficios en cuando a estandarización del trabajo,
establecimiento de alcances y responsabilidades en los cargos, documentación necesaria para
los procesos y mejora del desempeño laboral a causa de la restructuración del trabajo y la gestión
del liderazgo.

Introducción

Las pequeñas y medianas empresas (pymes), hacen la mayoría en casi todos los países
del mundo. Para la European Commission (2019), representan el 99% de todos los negocios
registrados en la región, además de generar en los últimos cinco años el 85% de los nuevos
puestos de trabajo, y dos terceras partes del total de empleos en el sector privado. Estos datos
ponen en relieve la importancia de las mipymes y pymes en el crecimiento de las naciones.

A partir de la década de los 80’s se incrementa el interés de su estudio (Bernatonyte, Vilke &
Volochovic, 2015), demostrando la India la aportación de este tipo de empresas a su
crecimiento económico y desarrollo social (Government of India, 2015). De la misma manera,
países como China, Alemania, Japón, Rusia y Brasil han vivido procesos similares, dando muestra
de incrementos a nivel de productividad y crecimiento económico (Shaffer, 2002; OECD, 2004;
Beck et al, 2005; Leegwater & Shaw, 2008).

En el caso particular de México del 100% de los establecimientos comerciales (5,654,014),

el 94.3% son MiPyMEs, el 5.6% son PyMEs y solo el 0.2% son grandes organizaciones
(Instituto Nacional de Estadística y Geografía [INEGI], 2019), demostrando cifras del INEGI,
que 4 de cada 10 puestos de trabajo son generados por las MipyMEs con aportaciones del 10%
al producto interno bruto (PIB) del país, y las PyMEs alrededor del 25% al PIB nacional,
proporcionando empleo a 3 de cada 10 personas ocupadas. Como unidades de negocio que
operan en diferentes sectores de actividad, deben, obligatoriamente, ser productivas para evitar
su fracaso e impulsar el crecimiento económico y social (Van Stel et al, 2005), sin embargo, un
problema que enfrentan las PyMEs en México es su supervivencia. Según el INEGI (2019), el 34%
de los negocios del sector comercial sobreviven después de un año, después de 5 años sobrevive el
25%, y a los 25 años sobrevive solo el 9%, evidenciándose un 80% de fracaso antes de los cinco
años de operación de pymes en México, producto de una inadecuada gestión financiera, que hace
que el 90% cese operaciones antes de los diez años por problemas que se hubieran solucionado
mediante una consultoría integral (Salles, 2012).

2. Cadena de suministro: análisis desde el valor en pymes

organizaciones; influye directamente en la rentabilidad de la empresa al propiciar

desempeños ordenados y articulados que conllevan a ofrecer a los clientes productos requeridos
en un entorno de racionalización de costos, mediante procesos de negocios eficaces y eficientes,
impactando en los ingresos de la empresa.

Bajo desempeños armónicos, la garantía de valor es fundamental. Una gestión adecuada de

la cadena de suministro para desarrollar las operaciones de cualquier empresa; a su vez
considerándolo como un nuevo enfoque importante (Moreno et al, 2021) para que las
empresas representen pilares para construir un crecimiento competitivo y sostenible en las
organizaciones (Flynn et al, 2010; Johnson & Templar, 2011).

Asimismo, la integración de las diferentes etapas que conforman la cadena de suministro,

impacta objetivos y la estrategia empresarial como un proceso evolutivo que requiere de
supervisión constante (Stevens & Johnson, 2016). A nivel de las Pymes, se requiere de esta
integración de manera que desarrollen procesos que faciliten la adquisición de conocimientos
para proyectar desde la articulación de actividades, desempeños eficientes y sustentables
que garanticen la permanencia de las empresas en los mercados.

Al respecto, plantea Marneou & Guerrero (2010), que una gran mayoría de pymes
realizan estos procesos de integración empíricamente, desde el ensayo y error, teniendo
como consecuencia que solo el 34% sobrevivan después del primer año. Los desaciertos en la
gestión en las etapas as cadenas de suministro deben gestionarse; esto implica planificación,
organización de recursos, y el direccionamiento y control de los mismos en cada una de las
fases que la integra. Sin embargo, la etapa de planificación de la cadena de suministro resulta
ser un tema poco desarrollado en las pymes (Calderón et al, 2017). En su mayoría estas unidades
de negocio, forman parte de una cadena de suministro con vínculos informales entre sus eslabones,
lo cual se traduce en un ineficiente uso de recursos que impacta negativamente en su rentabilidad.

Para reducir estas ineficiencias en las cadenas, se revisaron y analizaron modelos de gestión de
cadenas de suministro propuestos por Stevens & Johnson (2016), Porter (1987), Andersen (1999),
Ballou (2004), Chopra & Meindl (2008), Dumas et al, (2013); a partir de ellos, se identifican
elementos esenciales que permiten su comprensión, análisis y proyección en pequeñas y
medianas empresas mexicanas.

3. Elementos metodológicos de la investigación

La investigación es de corte cualitativo, de diseño no experimental. Se cataloga como
investigación acción, en el sentido que se desarrolla en la realidad de pymes del sector de servicios
industriales del estado de Nuevo León. La pyme objeto de estudio, se dedica a la
comercialización, elaboración de proyectos de instalación y mantenimiento de equipos para
tratamiento de agua y sistemas contra incendio a nivel industrial, comercial y residencial, la
cual inició sus operaciones en 1997.

La empresa forma parte del sector de servicios industriales y tiene socios comerciales para el
suministro de materiales de la alta calidad, lo que es un factor adicional al servicio que ofrece.
Actualmente cuenta con 18 trabajadores en el área técnica, administrativa y gerencial y opera
con una estructura organizacional simple.

Resultados del diagnóstico realizado y sustentación del modelo propuesto

fase, información relativa al servicio al cliente, personal e infraestructura de la empresa

fundamentalmente. A nivel del personal, los hallazgos demuestran que en general ofrece
respuestas rápidas a los clientes, tienen un conocimiento adecuado de los productos y servicios
que ofrece la empresa y es empático, respetuoso y paciente.

En referencia a los vendedores, su desempeño proyecta diferencias entre ellos (grupo de

vendedores) en cuanto al dominio de los aspectos técnicos de los productos. El tiempo de
respuesta en la elaboración de un proyecto no fue la adecuada, y no se mostraba la realización de
seguimiento a procesos propios de su cargo (por ejemplo: cotizaciones requeridas). Cabe
mencionar que en la visita realizada a los puntos de venta se observó que la presentación del
personal y la infraestructura no era la adecuada, ya que el establecimiento estaba desordenado,
sucio y no había lugar en donde atender a los clientes.

Estos aspectos relativos al servicio, fueron comparados con la realidad de dos empresas
con similares características, elegidas de manera aleatoria. El resultado obtenido, fue que
la pyme objeto de estudio en esta investigación, resultó ser superior en amabilidad, empatía,
compresión de las necesidades del cliente, conocimientos técnicos de los productos que ofrece y
claridad en la información. No obstante, la competencia de la empresa presenta mejor
infraestructura en sus puntos de venta. Estos resultados permitieron tener una visión
general de la pyme estudiada y de su entorno de trabajo, proyectando el análisis de otros
elementos y dimensiones que contribuyen a responder al objetivo de investigación formulado.

En una segunda fase, con base en las entrevistas y los cuestionarios se elaboró el diagnostico
de las dimensiones estratégica, relacional, estructural y control.

En la dimensión relacional se encontró que al contratar servicios externos los flujos de las
diferentes cadenas de suministro presentan inexactitudes en la información. No obstante,
la empresa tiene buenas relaciones con sus proveedores para el suministro de materiales,
lo que asegura la calidad de los productos que ofrece. Cabe mencionar que algunos proveedores
han traspasado su relación comercial al plano de la colaboración proporcionando información
para la gestión y venta en sectores en donde se puedan requerir proyectos y equipos para el
tratamiento de agua.

Por lo que respecta a la dimensión estratégica se observó que la empresa no tiene un proceso
de planeación estratégica definido, no obstante que cuenta con una misión y visión. Así mismo,
se advirtieron limitaciones para comunicar los servicios y productos que ofrece. También quedo de
manifiesto que no tienen identificados sus mercados específicos y una tendencia a ofrecer
servicios en los que carecen de la capacitación técnica necesaria. Además, pese a que existe una
reunión anual para fijar objetivos de ventas, no se realiza una planeación financiera, además de
que la dirección toma decisiones de inversión en activos fijos sin un análisis de sus beneficios.
Adicionalmente, la estrategia de comercialización es que los clientes los busquen y no ha realizado
un estudio de mercado para identificar a sus clientes y a sus competidores.

Modelo de cadena de suministro para pymes de servicios industriales. Propuesta y aplicación

Se seleccionó para la modelización, la cadena de suministro de proyectos para la

instalación de sistemas de protección contra incendio. Para el mapeo fue necesario identificar los
procesos, sub procesos y actividades de la cadena, además de tener la documentación necesaria
para llevarlos a cabo.

En el mapeo se detallaron 5 procesos que integran la cadena de suministro: 1) Ingeniería,

2) Proyecto,

3) Desarrollo y control, 4) Finalización y cierre de proyecto, 5) Servicio post- venta. Cabe

mencionar que estos procesos siguen el orden establecido y se retroalimentan mutuamente
(Figura
La dimensión relacional impacta directamente a las otras dimensiones, ya que dependiendo de
las relaciones que se tengan con los diferentes grupos de interés, internos y externos, se podría
modificar la estrategia planteada para el mercado objetivo, la manera de gestionar las diferentes
cadenas de suministro y los mecanismos de control para la mejora continua. Dichos grupos de
interés tienen que ser identificados y gestionados mediante el liderazgo que tengan los directivos
con dichos grupos. Esta dimensión tiene como objetivo generar las sinergias estratégicas
necesarias entre los procesos y los grupos de interés que participan en el funcionamiento de la
empresa, con el fin de que sirvan de motor de la estructura.

La dimensión estratégica se enfoca en dos elementos claves para la definición del negocio:
el mercado y servicio, sin dejar de lado la estructura organizacional a la que influye y
condiciona. En esta dimensión se busca determinar los productos a ofrecer, segmentar a los
clientes, establecer el nivel de servicio, definir la capacidad instalada y analizar a la competencia
a fin de determinar las áreas en donde se genera valor para la organización. Esta dimensión tiene
la finalidad de que, mediante el análisis, se adecuen los productos y los mecanismos de acción
para que la empresa pueda competir sólidamente y guie sus operaciones logísticas de forma
particular para los diferentes clientes.

La dimensión estructural se integra por la cadena de suministro y organizacional, los

cuales definen la estructura de la empresa con base en los requerimientos establecidos en
la dimensión estratégica. En esta dimensión se busca identificar las diferentes cadenas de
suministro.

La dimensión de control busca la mejora continua de la empresa. En esta dimensión se busca

establecer los indicadores de gestión que permitan dar seguimiento a las diferentes cadenas de
suministro. Esta dimensión tiene como finalidad que, mediante el seguimiento y evaluación, se
logre la estabilización y la eficiencia de los procesos que integran la cadena de suministro.
Consideraciones finales

En diferentes estudios se reconoce la importancia de las PyMEs como uno de los factores
que promueven el crecimiento económico. En el caso de México, las condiciones de
emprendimiento no surgen a partir de la identificación de oportunidades de negocio y
representan una manera de autoempleo con conocimiento empírico de las operaciones más no
de la gestión, por lo que la tasa de mortalidad de estas organizaciones es alta y pocas las que logran
consolidarse.

Por lo planteado en el párrafo anterior en esta investigación se estableció un modelo

basado en la cadena de suministro para apoyar a las PyMEs a sobrevivir en un primer momento
y, posteriormente, apoyarlas en su crecimiento mediante el mejoramiento de su cadena de
suministro.

El modelo planteado se aplicó en una PyME del sector de servicios procesos, con lo cual se
comprobó que el modelo planteado es perfectamente aplicable en PyMEs de dicho sector, dado
los beneficios generados en la empresa en cuando a estandarización del trabajo, establecimiento
de alcances y responsabilidades en los cargos, la documentación necesaria para los procesos
y mejora del desempeño laboral a causa de la restructuración del trabajo y la gestión del
liderazgo. Así mismo, se puso de manifiesto la factibilidad de replicar la aplicación del modelo
en otras empresas del ramo de servicios.

En futuras investigaciones se analizaáa la etapa de retroalimentación del modelo, debido al tiempo

que se requiere entre la etapa de aprendizaje y retroalimentación. Así mismo, se recomienda
implementar el modelo propuesto en diversos sectores de la economía, debido a que se estima
que la teorización y metodología propuesta es susceptible de aplicarse en cualquier PyMe.

LECTURA 12: The impact of Industry 4.0 on the reconciliation of dynamic capabilities: evidence
from the European manufacturing industries

RESUMEN

La Industria 4.0 ofrece un enorme potencial para implementar la sostenibilidad, que es una
preocupación creciente para las industrias manufactureras globales. Este artículo investiga el
impacto de la implementación de Industry 4.0 con énfasis específico en la transformación digital en
las dimensiones de sostenibilidad de las industrias manufactureras europeas. Al hacerlo,
proponemos un marco para identificar las implicaciones de la Industria 4.0 en la reconciliación de
las capacidades dinámicas, competencias y requisitos del mercado nuevos y existentes de la
empresa para lograr una ventaja competitiva sostenible. Utilizando un diseño de investigación de
casos múltiples, estudiamos seis empresas manufactureras europeas, incluidas la fabricación
aeroespacial (AM) y la electrónica.

fabricación de componentes y sistemas (ECS). La novedad de nuestro estudio radica en desarrollar

un conjunto de proposiciones teóricas que revelan interrelaciones entre Industria 4.0, las
capacidades dinámicas de la empresa y distintas dimensiones de la sustentabilidad. Nuestros
hallazgos muestran que la reconciliación de dinámicas capacidades media el impacto de la Industria
4.0 en los aspectos económicos, ambientales y sociales. El estudio proporciona información a los
profesionales para fortalecer sus capacidades dinámicas con el fin de lograr sostenibilidad al
implementar la Industria 4.0. Además, los hallazgos también facilitan las decisiones de inversión en
proyectos de Industria 4.0.

Introducción

La creciente tendencia hacia un entorno de fabricación digitalizado es un tema emergente para

investigadores y profesionales de diferentes campos (Hannola et al. 2018). Varias industrias
manufactureras europeas han invertido en un número cada vez mayor de actividades para
desarrollar y explorar el potencial de la innovación digital para apoyar la Industria 4.0 con el fin de
seguir siendo competitivos. La integración de sistemas inteligentes e inteligentes y la adopción de
tecnología digital ha dado lugar a nuevos enfoques y capacidades de gestión. La adopción de estas
nuevas oportunidades potenciales a través de soluciones digitalizadas en el contexto de la Industria
4.0 se ha vuelto cada vez más importante debido al aumento de los requisitos de los clientes para
las cadenas de valor (Mukherjee, Mitchell y Talbot 2000; Cagliano y Spina 2000). Además, el entorno
corporativo se está volviendo muy dinámico en términos de factores económicos (costos, recursos,
productividad, complejidad del producto), sociales (clientes exigentes, mercados cambiantes,
culturas organizacionales cambiantes) y ambientales (eficiencia energética, desperdicio y cambio
climático). cambios) (Christopher 2016; Simchi-Levi, Kamisky y Levi 2003; Ben-daya, Hassini y
Bahroun 2019). Para sobrevivir en un entorno tan complejo, las empresas necesitan volverse
extremadamente ágiles y construir una alta nivel de resiliencia, capacidades gerenciales y
flexibilidad estructural que permitan respuestas rápidas a estos desafíos. Para lograr flexibilidad y
resiliencia, los costos adicionales en forma de recursos adicionales están aumentando (Ben-daya,
Hassini y Bahroun 2019). En este contexto, los recursos adicionales incluyen, por ejemplo,
inversiones en activos existentes o nuevos o aprendizaje organizacional. Estas inversiones se basan
en nuevas soluciones de software o avances en la ciencia de datos debido a las nuevas tecnologías
de automatización, que ayudan a desarrollar capacidades dinámicas y procesos comerciales
sostenibles o a ampliar las capacidades de los procesos existentes. En este artículo, consideramos
este constructo a través de la lente de la vista basada en recursos (RBV) basada en la investigación
de Penrose. Penrose (1959) describió a la empresa como un conjunto de recursos y proporcionó una
teoría de la gestión eficaz de estos recursos que permite la creación de una ventaja competitiva. La
investigación de Penrose establece el dogma de que el desempeño y el crecimiento de la empresa
se ven facilitados y limitados por las capacidades y el mejor uso de los recursos disponibles (Penrose
1959). Teniendo en cuenta el impacto de la Industria 4.0 en los recursos, las empresas podrían
ampliar los recursos que poseen (es decir, activos, capacidades, procesos y conocimientos) para
formular e implementar estrategias competitivas mediante la explotación del efecto de las
capacidades dinámicas (Teece, Pisano y Shuen1997). Es necesario evaluar estas relaciones causales
entre los recursos, la creación de oportunidades productivas sostenibles para el crecimiento y la
innovación. La sustentabilidad organizacional y las operaciones sustentables constan de tres
componentes centrales: desempeño económico, ambiental y social (Gimenez, Sierra y Rodon 2012).
Varios estudios sugieren que las inversiones en recursos de TI y soluciones digitales extendidas
pueden proporcionar ventajas competitivas y competencias empresariales sostenibles (Clemons y
Row 1991; Wade y Hulland 2004; Melville, Kraemer y Gurbaxani 2004; Rivard, Raymond y Verreault
2006). La Industria 4.0 puede respaldar la creación de valor sostenible en todas las dimensiones de
la sostenibilidad (Stock y Seliger 2016). En un contexto más específico, algunos investigadores
también sugieren implicaciones positivas de Industria 4.0 en la ventaja competitiva sostenible de las
organizaciones (Charro y Schaefer 2018; Synnes y Welo 2016; Wang, Gunasekaran, et al. 2016). Sin
embargo, revisando la idea de Penrose de que el desempeño de una empresa depende de su
capacidad y recursos, por lo tanto, es necesario comprender el papel de la capacidad dinámica en
el impacto de la Industria 4.0 en el logro de una ventaja competitiva sostenible, que es un vacío en
la literatura.

Este estudio es el primero de su tipo en investigar el estado actual de tecnologías digitales

innovadoras y sistemas de información en Las industrias manufactureras europeas y el impacto de
estas tecnologías en el desarrollo operativo sostenible (p. las dimensiones económica, ambiental y
social) para lograr una ventaja competitiva. El estudio también es único, ya que tiene en cuenta
diversas aplicaciones de la Industria 4.0 en Europa.

industrias manufactureras que utilizan estudios de casos múltiples en lugar de que considerar un
aspecto particular como el big data o el internet de las cosas. Esto ayuda a validar los datos
recopilados de diferentes compañías de casos sobre la conciliación de capacidades dinámicas y
ventaja competitiva sostenible. El estudio proporciona nuevos conocimientos sobre la digitalización.
esfuerzos que se han llevado a cabo dentro de proyectos de innovación en el dominio de la
fabricación aeroespacial europea (AM) y el dominio de componentes y sistemas electrónicos (ECS).

La atención se centra en la evaluación del impacto de los países desarrollados y tecnologías digitales
implementadas (parcialmente) y en la reconciliación de capacidades para mejorar el desempeño y
el sustento de la empresa. desarrollo sostenible. Este desarrollo lleva a los investigadores y
profesionales a los siguientes desafíos: La transformación digital desencadenada por el paradigma
Industria 4.0 requiere un replanteamiento y un cambio de mentalidad que determina minas cómo
se fabrican los productos y se producen, distribuyen/suministran, venden y utilizan los servicios en
la cadena de suministro (Spath 2013).

Trabajo relacionado

Varios estudios demuestran que I4.0 mejora la sostenibilidad y la seguridad de las industrias y la
sociedad. I4.0 permite la interacción entre el mundo físico y su contraparte digital (Spath 2013,
Kusiak 2018; Sjo€din et al. 2018). Una razón clave para que los fabricantes adopten tecnologías de
digitalización industrial, como internet de las cosas, sistema físico cibernético (CPS), big data o
inteligencia artificial (IA), es aumentar la productividad y la eficiencia a través de una gestión
inteligente y remota. Otro tema obligado por las industrias manufactureras es la inclusión de rutinas
para recopilar y procesar información y datos para vincular las experiencias del cliente con el diseño
de ingeniería y los procesos de fabricación (Garvin 1998, Sisinni et al. 2018). La integración de
tecnologías de análisis de datos permite a las empresas recopilar una gran cantidad de datos sobre
clientes individuales y sus características únicas. Esto permite a las empresas crear valores
distintivos innovadores para clientes individuales mediante el desarrollo de procesos de ventas
personalizados, diseño de productos y producción y servicios personalizados (Feng y Shanthikumar
2018). El desarrollo de las tecnologías digitales crea la oportunidad para que los países, pero
también industrias enteras, se conviertan en líderes en mercados y regiones específicos (Made
Smarter Review 2017).

Grupo 1: impacto en el negocio y las operaciones

Existen varios estudios en la literatura que investigan la impacto de la Industria 4.0 desde la
perspectiva comercial y operativos Los estudios de impacto comercial parecen sugerir
colectivamente que los gobiernos y las industrias ahora están viendo la fabricación desde una
perspectiva diferente y están tratando de beneficiarse de esta ola de revolución industrial. Nagy et
al. (2018) estudiaron el impacto de Industria 4.0 e IoT en la estrategia comercial de empresas de
fabricación y logística en Hungría utilizando el modelo de las cinco fuerzas de Porter. Ellos
encontraron que el impacto no se limita al proceso de producción sino que abarca otras funciones
de la empresa. Esto crea un mayor nivel de servicios logísticos, procesos más eficientes con sus
asociados, y un mayor rendimiento y competitividad del mercado y financiero, lo que a su vez se
traduce en una mayor sostenibilidad económica. Porter y Heppelmann (2014) examinaron el
impacto de los productos conectados inteligentes en la estructura de la industria y los límites de la
industria y discutieron nuevas opciones estratégicas junto con sus ventajas y desventajas. Strange y
Zucchella (2017) estudiaron el efecto de la Industria 4.0 sobre la naturaleza de la competencia y
estrategias corporativas en muchas industrias dentro de un contexto de cadena de valor global.

Clúster 2: impacto tecnológico y ambiental

Los estudios de este clúster pertenecen a la solución tecnológica que impactan la dimensión
ambiental de la sostenibilidad Estos son diferentes del grupo anterior, ya que los documentos
incluidos aquí se centran más en las características tecnológicas de la Industria 4.0 y menos en las
implicaciones en la producción, la logística y las cadenas de suministro. Según Machado, Winroth y
da Silva (2019), las soluciones I4.0 pueden crear una competitividad empresarial sostenible en
términos de productividad mejorada, flexibilidad y eficiencia de los recursos basada en la reducción
del desperdicio, el consumo de energía y el consumo excesivo (por ejemplo, el excedente de energía
renovable compartido). con otras fábricas). Stock y Seliger (2016) dan ejemplos de redes cerradas
de creación de valor, que describen la vinculación cruzada inteligente entre empresas y la creación
de valor mejorada a través de una cadena de valor digitalizada de los ciclos de vida del producto o
la reutilización de recursos y herramientas (Kiel et al. 2017). Santos et al. (2019) presentó un nuevo
e innovadora solución para diagnosticar y mejorar la productividad y el desempeño ambiental en
un sistema de producción definido. El planteamiento se examina a través de una empresa de casos
ubicada en el norte de España. Los hallazgos sugieren que es posible mejorar la productividad y el
desempeño ambiental al mismo tiempo. Además, el resultado refuerza la noción de que la
eliminación de residuos tiene un impacto positivo en la mejora del desempeño ambiental. Wang,
Wan y col. (2016) desarrollaron un marco para un sistema multiagente autoorganizado con un
sistema de coordinación y retroalimentación basado en big data.

Identificación de KPI con respecto a TBL

Para evaluar la integración de nuevas tecnologías en los procesos de producción y operación,

logística y cadena de suministro es crucial medir los efectos que se derivan de los mismos (Seuring
y Mu€ller 2008). Al construir un marco de evaluación de impacto con medidas e indicadores
específicos y apropiados que puedan capturar fundamentalmente esas dimensiones e impactos, se
puede examinar la utilidad de las tecnologías emergentes en las industrias manufactureras
europeas. Por lo tanto, se requiere una combinación de métodos para dibujar una imagen más
holística que incluya instrumentos tanto cualitativos como cuantitativos. El enfoque TBL sirve como
un instrumento fundamental para observar las tres dimensiones de la sostenibilidad operativa y el
progreso (Elkington 1998). Como se describe en nuestro marco, el modelo TBL tradicional está
influenciado por factores de contingencia, caracterizado por aspectos técnicos yprevistos al
considerar el futuro, como la estrategia de la empresa, la cultura organizacional, la gestión de
riesgos y la necesidad de mayor transparencia, interactúan con el desarrollo tecnológico y pueden
tener impactos retrospectivos. Estos impactos tienen que ser evaluados.

La gestión del desempeño es esencial para una organización mecanismo a través del cual
proporcionar información a los tomadores de decisiones. Se pueden utilizar marcos especiales para
la medición del desempeño para capturar y evaluar los datos de desempeño, lo que permite derivar
los factores clave de éxito en Procesos de negocios. Especialmente en relación con la innovación
procesos, dichos marcos son adecuados para vincular las métricas de innovación para medir la
eficiencia y la eficacia de las actividades de I+D de la Industria 4.0 (Dziallas y Blind 2019).

El impacto de la Industria 4.0 en las capacidades dinámicas

Sin embargo, el impacto de la Industria 4.0 desde la perspectiva basada en recursos también invita
a las empresas a pensar en una reconciliación de las capacidades existentes y el desarrollo de nuevas
competencias comerciales (Teece, Pisano y Shuen 1997). Por ejemplo, Big data tiene un alto
potencial operativo y estratégico para mejorar las capacidades dinámicas y la ventaja competitiva.
Conboy et al. (2020) identificaron el valor de las tecnologías de análisis empresarial en la capacidad
de la empresa para aprovechar los Vs de los datos. Los autores prestaron atención a cómo las
organizaciones pueden utilizar el análisis empresarial para mejorar sus actividades de quirófano en
entornos dinámicos. Al hacerlo, investigaron micro fundamentos de capacidades dinámicas
habilitados para análisis, que sirven como habilitadores para capacidades dinámicas
organizacionales. El valor de la analítica empresarial depende de la capacidad de una empresa para
utilizar las V de los datos para identificar oportunidades y amenazas, activar recursos y reconfigurar
recursos tangibles e intangibles (Conboy et al. 2020). Otros, como Singh y Del Giudice (2019),
enumeraron en el número especial 'Análisis de big data, capacidades dinámicas y rendimiento
empresarial' varios estudios que abordan el impacto de las iniciativas de big data como mediador
de capacidades dinámicas que crean desarrollo sostenible entre personas, procesos y
organizaciones para mejorar la ventaja competitiva de la empresa. El marco representado en la
Figura 1 ilustra que la influencia de los factores internos y externos del entorno de una empresa
desencadena el desarrollo tecnológico. Para apoyar una ventaja competitiva; es de suma
importancia considerar el desarrollo de capacidades dinámicas. Según Bititci et al. (2011), de la
exploración empírica y teórica de los procesos gerenciales, se puede extraer una conclusión acerca
de las capacidades dinámicas desde la perspectiva de los procesos empresariales. El estudio de
Teece, Pisano y Shuen (1997) se refiere al término “dinámico” como la capacidad de renovar
competencias para lograr congruencia con un entorno empresarial que cambia rápidamente. La
tecnología está cambiando estas capacidades y se espera que la gestión estratégica adapte, integre
y reconfigure los recursos internos y externos, los cambios estructurales, las habilidades y las
competencias funcionales para adaptarse al entorno cambiante provocado por los factores de
contingencia. Los factores de contingencia, que no se pueden predecir con precisión en el futuro,
como los factores internos (p. ej., el cambio en la cultura organizacional, la estrategia, la
productividad) y los factores externos (p. ej., el cambio en la demanda del cliente, la globalización y
la demografía) pueden desencadenar el desarrollo tecnológico. (Carter y Rogers 2008; Sousa y Voss
2008) y puede tener impactos retrospectivos en las competencias básicas de una empresa. Uno de
los principales aspectos del cambio tecnológico (Industria 4.0) es la generación de grandes
volúmenes de datos y su análisis, conocido como big data analytics, para desarrollar insights críticos
que impacten positivamente en las capacidades dinámicas de las empresas junto con el beneficio
final de lograr una ventaja competitiva (Constantiou y Kallinikos 2015; Wamba et al. 2017; Mikalef
et al. 2019). Las capacidades que se habilitan a través de un sólido análisis de big data pueden
facilitar la capacidad tecnológica transformación al permitir la reconfiguración temporal del proceso
y el ajuste de las ineficiencias operativas (Wang, Gunasekaran, et al. 2016).

Selección de muestras y recopilación de datos

En total, se llevaron a cabo seis proyectos de digitalización diferentes y se han documentado por
completo.1 Describen diferentes enfoques de soluciones digitales relacionados con la
ciberseguridad para sistemas heredados, mantenimiento de fabricación ágil, aprendizaje
automático para mejorar la toma de decisiones, digitalización fab y tecnologías de fabricación
digital. , un sistema digital de pedido a entrega para servicios de logística y una fábrica inteligente.
En nuestro estudio, estos casos específicos representan las seis áreas tecnológicas y han logrado y
documentado resultados significativos. A sugerencia de investigadores de estudios de casos como
Stuart et al. (2002), hemos desarrollado una plantilla para lograr una descripción estructurada de
los casos de digitalización en un primer paso. Como resultado, los casos de estudio se documentaron
en una estructura unificada: describiendo la situación actual y el desafío a resolver, el enfoque de
solución digital a implementar, la situación objetivo a lograr y el impacto esperado a generar en el
primer paso. La evaluación de impacto fue realizada por los propietarios del caso utilizando una
plantilla desarrollada por nosotros, que también fue la base para el análisis en este documento. Esta
plantilla fue completada por todos los propietarios de casos industriales con el apoyo del equipo de
investigación para garantizar un caso de alta calidad.

Descripciones de casos

En esta subsección, describimos las características y los antecedentes de la muestra del estudio de
caso (Tabla 3). La descripción del caso presentado se basa en la documentación original de los seis
casos seleccionados. Los socios industriales de la industria ECS (fabricante de semiconductores
(Caso A), proveedor de componentes de la industria ECS (Caso B), ensamblador de PCB (Caso C) y
fabricante de semiconductores (Caso D) y de una empresa de fabricación aeroespacial (Caso E y
Caso F )) son responsables de las descripciones de los casos. Aquí presentamos cada caso
describiendo el desafío industrial y la solución prevista. Posteriormente, nos enfocamos en los
análisis de casos para explorar el impacto esperado de los casos individuales (Felsberger,
Wankmu€ller, Reiner, et al. 2019).

Análisis de los datos

Esta sección ofrece una descripción general que ilustra cómo se obtuvieron nuestros resultados.
Aplicamos el método de análisis de contenido cualitativo para extraer información relevante, p. el
impacto en las medidas de desempeño definidas, a partir de las evaluaciones de impacto y las
descripciones de casos documentados y los protocolos de entrevista. Al hacerlo, los documentos
identificados (autoevaluaciones, protocolos de entrevista y descripciones de casos) fueron
sometidos a un proceso de codificación. La codificación es una técnica exploratoria de resolución de
problemas que pasa del análisis de datos a formulaciones cualitativas (Richards y Morse 2012;
Saldan~a 2015). Un código se define como una palabra o frase corta que representa aspectos de
datos o atributos de datos. La codificación de la evaluación es un método apropiado para observar
comentario proporcionado por los participantes del estudio (Patton 2002).

Recomendaciones

Un análisis informal de los casos realizado antes del análisis de contenido ya mostró el impacto
disruptivo de la digitalización en los entornos de fabricación y cadena de suministro en la industria
ECS y AM. Además, se desarrolla una descripción general de los diferentes impactos a partir de los
resultados de las evaluaciones de impacto individuales. Nuestros primeros hallazgos están
relacionados con RQ1 e ilustran que los esfuerzos de digitalización en entornos de fabricación
afectan positivamente el rendimiento de los procesos de producción, la gestión sostenible de la
cadena de valor y la productividad general de la cadena de suministro. En este sentido, las
operaciones digitalizadas ofrecen el potencial para disminuir los defectos, reducir los costos,
aumentar la flexibilidad de producción y aumentar la sostenibilidad general de la empresa en
general. Estas mejoras crean la oportunidad de ampliar y renovar las capacidades existentes, así
como de construir otras nuevas para cumplir con los requisitos del mercado. Nuestros resultados
son parcialmente congruentes con los hallazgos de Ron (1998), ya que la flexibilidad, la reducción
de costos y un mejor manejo de materiales, así como la renovación de las capacidades del proceso,
son aspectos importantes para evaluar el desempeño de sustentabilidad de una empresa. Además,
la evaluación muestra que las empresas adquieren la capacidad de integrar y reconfigurar las
competencias internas y externas para superar los desafíos de los entornos que cambian
rápidamente. Los recursos como los activos específicos de la empresa ahora son más difíciles de
imitar por los competidores y esto es un desarrollo fundamental con respecto a la ampliación de la
estrategia comercial general de una empresa (Rivard, Raymond y Verreault).

2006; Teece, Pisano y Shuen 1997). El aumento de la experiencia en ingeniería y las instalaciones de
producción especializada conduce a una ventaja competitiva de la industria investigada, lo que
promueve y justifica la inversión en este tipo de proyectos de innovación. El impacto en los procesos
organizacionales y específicos de la empresa se demuestra en los hallazgos de casos individuales. La
implementación de los casos seleccionados obliga a crear rutinas de recopilación y procesamiento
de la información y, por tanto, a la creación de nuevas rutinas de coordinación de los procesos de
fabricación. Estas diferencias en evolución en las capacidades parecen tener un impacto significativo
en las variables de desempeño económico, como el costo, la velocidad y la calidad general del
proceso y del producto. Los cambios tecnológicos pueden tener efectos devastadores en las
habilidades y capacidades de una empresa para competir en un mercado.

Hallazgos de casos individuales

Caso A: fabricante de semiconductores (sistema de detección de intrusos para ciberseguridad)

Las redes de producción seguras son un requisito fundamental para

implementando aplicaciones de Industria 4.0 en entornos reales de producción. En el futuro, las

desviaciones del comportamiento normal en la red de producción deberán detectarse
automáticamente mediante sistemas inteligentes de detección de anomalías. Ni un conocimiento
más profundo de la red de producción,

tampoco debería ser necesario un modelado manual del comportamiento de la red. Una extensión
de la red no debería causar un esfuerzo de configuración adicional para tales sistemas. El sistema
de detección de anomalías está diseñado como un sistema de autoaprendizaje, basado en archivos
de registro y seguimientos de red. Estas reglas se prueban durante un período de tiempo definido.
Las reglas confirmadas se ingresan en una base de datos de reglas, mientras que las reglas no
confirmadas se descartan. Establecido

En las reglas validadas, el “comportamiento normal del sistema” debe distinguirse del
“comportamiento anormal del sistema” en el seguimiento del plan de producción. En caso de
violación de las reglas, se informa al departamento de seguridad de TI del dispositivo afectado y la
sección correspondiente del archivo de registro registrado. Los beneficios de explotar un sistema de
detección de anomalías en una red de producción de Industria 4.0 son tres: Primero, ayuda a
detectar cualquier tráfico de red sospechoso que pueda ser causado por un usuario legítimo (debido
a un uso indebido) o por un atacante malicioso (por ejemplo, debido a un intento de sabotaje, robo
de propiedad intelectual o degradación de la calidad del producto). A diferencia de las soluciones
comerciales, que se basan en firmas conocidas a priori de amenazas conocidas, los sistemas de
detección de anomalías en la red se basan en el aprendizaje automático o algoritmos estadísticos
para aprender patrones regulares de comunicación intercambiados entre diferentes equipos y
máquinas. Cualquier desviación significativa de los patrones regulares (comportamiento normal) se
marca como una anomalía. Una propiedad interesante de estos sistemas es que pueden detectar
cualquier ataque nuevo incluso si sus firmas aún no existen en la base de datos (es decir, detectar
ataques de día cero). En segundo lugar, la detección de un comportamiento anormal en una etapa
temprana puede permitir que el departamento de seguridad tome las contramedidas adecuadas
para neutralizar ataques potenciales o minimizar su riesgo, lo que puede tener un impacto positivo
en la disponibilidad, confiabilidad y fiabilidad del sistema. Y tercero, detectar y prevenir cualquier
actividad de red maliciosa puede garantizar que los procesos de producción no puedan ser tocados
por un atacante o un competidor que pueda comprometer la calidad del producto. Esto ayudará al
entorno de producción de la Industria 4.0 volverse más resistentes a posibles ataques de
ciberseguridad. A su vez, puede reducir el tiempo de inactividad del sistema causado por posibles
ataques y evitar retrasos excesivos en la respuesta a las variaciones de la demanda.

proveedor de la industria ECS (implementación de UUN y algoritmo de optimización)

Este caso se divide en dos desarrollos separados. Los El número de unidad unificado (UUN) se
implementa para todos los objetivos de pulverización catódica de metal puro. En el paso principal
del proceso, se implementarán nuevas herramientas de control y optimización. El caso es imple-
mentado en el sistema ERP de la empresa case. Las piezas especiales se implementan en el
departamento de prensado (grabado de placas), el departamento de deformación (equipo de
laminación) y en el mecanizado final de la etapa de producción. Primero, hay ha habido un aumento
en la mejora de la calidad: centrarse en una estrategia de cero defectos requiere la cooperación del
operador y un enfoque correspondiente en la calidad. Para ello, la opción El algoritmo de medición
debe dar al operador recomendaciones sobre (1) cómo, (2) cuándo y (3) dónde se fabricarán los
productos. También hubo un aumento significativo en la eficiencia energética: dado que el
calentamiento de los hornos es el principal El factor energético, el uso óptimo de los hornos
calentados y el posible desmantelamiento de los hornos no utilizados contribuyen en gran medida
a la eficiencia energética. La optimización del uso del horno se ha añadido como objetivo en el
algoritmo de optimización para evitar el calentamiento del material sin laminación posterior.

Caso E: fabricante aeroespacial (sistema de pedido a entrega basado en TI)

La implementación exitosa de un pedido a la entrega basado en TI El sistema que integra la empresa

de casos, sus proveedores y los proveedores de servicios logísticos brinda visibilidad de extremo a
extremo de los artículos en la cadena de suministro. Con la solución implementada, más del 98% de
los elementos ahora son visibles. La entrega a tiempo ahora se mide completamente y hay una
mejora continua en esta área. La capacidad de analizar los datos de rendimiento ahora permite que
el caso com empresa para desarrollar contramedidas efectivas para mejorar continuamente el
rendimiento. Esto también genera satisfacción en la fuerza laboral, especialmente para los
operadores de la cadena de suministro que tienen una visibilidad total y un mayor control sobre la
reserva y el cobro procesos. Todos los retrasos de los eventos se catalogan de acuerdo con un
criterio acordado, lo que permite un análisis rápido de dónde, cuándo y por qué ocurren las fallas.
Esto proporciona una rica fuente de datos para ayudar a la resolución de problemas y la trazabilidad.
Uno de los principales beneficios radica en las significativas reducciones de costos y mejoras en la
eficiencia obtenidas al eliminar los procesos de desperdicio y una mejor utilización de la
infraestructura de transporte. Esto también ha optimizado el transporte.

tiempo de espera. La nueva solución basada en tecnología permite a la compañía de casos cambiar
a una metodología de gestión de excepciones. Además, esta solución ha cambiado el sistema de
creencias.

Caso F: fabricante aeroespacial (configuración de fabricación inteligente)

La compañía de casos ha sido testigo de beneficios significativos como resultado del nuevo sistema
de fabricación digital, principalmente en términos de mayor flexibilidad, eficiencia y menor tiempo
de espera veces. Cambiar a nuevos métodos de producción, incluidos

Las máquinas conectadas digitalmente, las configuraciones de impresión 3D y la toma de decisiones

basada en big data reducen el tiempo del proceso a la mitad. La instalación ahora es mucho más
inteligente, tanto digital como mecánicamente y, por lo tanto, puede producir productos con la
calidad deseada a través de su proceso de alta calidad. Las máquinas se autodiagnostican y actúan
de forma inteligente, lo que reduce la intervención manual hasta el nivel más bajo.

Esto aumenta el nivel de automatización, donde solo se requiere un operador para cuidar cinco
máquinas en lugar de tener que asignar una persona a una máquina, como ocurría antes. La
trazabilidad del producto ha aumentado significativamente ya que han reducido la cantidad de
inventario y los plazos de entrega se han reducido, lo que lleva a un control mucho mayor sobre el
seguimiento de productos. Además, la configuración de fabricación única también mejora la
visibilidad del proceso.

Análisis de casos cruzados: agregación de impactos específicos de casos en las dimensiones de

rendimiento de TBL

El análisis cualitativo de los datos de casos recopilados condujo a la identificación de diferentes

impactos y mejoras identificados por los socios del caso durante la autoevaluación de impacto. Con
base en la calificación de impacto (escala de ningún impacto '1' a impacto muy alto '5') de los
propietarios de casos, identificamos 12 categorías de KPI con la clasificación más alta en una tasa de
4 a 5 en la escala (muy alto impacto). impacto). No consideramos todos los KPI evaluados dentro de
nuestro estudio, porque algunos de ellos estaban fuera del alcance. La mayoría de las medidas de
desempeño que no figuran en la lista no crearon ningún impacto, ya sea negativo o positivo, en la
empresa del caso. Las medidas de rendimiento analizadas en el análisis de casos cruzados se han
agrupado en el rendimiento relacionado dimensión. Cada medida de desempeño tiene una
definición específica, levemente modificada para nuestro propósito, pero aún basada en su
definición estándar original ISO 24000-2 y GRI. Los KPI analizados se enumeran en la Tabla 5 a
continuación:

Sobre la base de estas medidas de desempeño, llevamos a cabo el análisis de casos cruzados como
se ilustra en las tablas 6–8.

Impacto en las dimensiones y propuestas de TBL

Dimensión económica

Los casos A, B, C, D y F tratan de procesos de operación y producción.

mejoras en el proceso. Como resultado, hemos identificado algunas superposiciones en el impacto

económico al comparar casos. Al evaluar el nivel operativo de una organización de casos, son
evidentes varios impactos de las mejoras de procesos individuales. No solo pueden ocurrir mejoras
internas sino también externas. Por ejemplo, el representante del Caso A afirmó que, ‘Ciberataques

en Industria 4.0 Los CPPS pueden amenazar no solo la seguridad de la información, poniendo en
riesgo la protección de la propiedad intelectual, sino también la disponibilidad, al causar daños
físicos, que incluso pueden poner en riesgo vidas humanas o comprometer la calidad del producto
final al manipular los procesos de producción subyacentes. La implementación del IDS propuesto
puede ayudar a minimizar estos riesgos causados por ciberataques a un CPPS. El IDS del Caso A
detectará cualquier sospechoso

actividad dentro de la red de información que soporta el entorno de producción, causada ya sea por
un interno (mal uso) o por un externo (atacante). Esto ayudará a que los entornos de producción de
Industria 4.0 sean más resistentes a posibles ataques de ciberseguridad. Emplear un sistema de
detección de anomalías en la red puede prevenir un ataque cibernético que puede comprometer la
calidad de la producción. Además, sirve para aumentar la trazabilidad a lo largo del suministro

encadenar y establecer sistemas/modelos ayudan al operador en la toma de decisiones

proporcionando recomendaciones optimizadas y tiempos de proceso basados en modelos. El
gerente responsable de la integración de fábrica del Caso D declaró que, “La nueva solución es un
sistema de cámara simple que se puede colocar en un equipo de semiconductores existente para
monitorear todas las obleas en busca de defectos. El sistema de cámaras proporciona un 100% de
control de calidad a través de algoritmos definidos
por expertos en procesos”. La detección temprana y precisa automatizada de artículos defectuosos
(Caso D) conduce a una tasa de inspección más confiable y, por lo tanto, a una reducción de la
variabilidad dentro de los procesos de control. Esto permite que los departamentos operativos
aumenten el rendimiento y también tiene un impacto en los costos. Una empresa puede reducir los
costos operativos y de producción al mejorar la calidad general del producto y del proceso a través
de sistemas automatizados. La calidad general mejorada del proceso conduce a menos tiempo de
inactividad y actividades de mantenimiento.

El uso de soluciones automatizadas aumenta el OEE en términos de una mayor disponibilidad del
sistema y una mejor planificación del proceso, lo que reduce la dependencia de la intervención
humana. Los casos B, C, D y E tuvieron impactos notables en la trazabilidad y la transparencia.

Dimensión ambiental

La optimización de los procesos productivos hace posible para apagar las máquinas según el
requisito de capacidad y así ahorrar costos de energía. Por ejemplo, el Caso B trata de la reducción
de los tiempos de calentamiento, con base en mediciones de temperatura en línea, lo que lleva a
un consumo de energía reducido que se refleja en menos energía eléctrica e hidrógeno puro. El
representante del Caso B ha presentado el impacto en la dimensión ambiental de la siguiente
manera: “El algoritmo de optimización permite apagar los hornos en función de la previsión de
requisitos de capacidad y, por lo tanto, ahorrar costos de energía. Una de las mayores oportunidades
energéticas en este caso será la reorganización de los hornos de precalentamiento. Si el algoritmo
puede reorganizar la carga del horno, un horno puede apagarse por completo o puede ponerse en
modo de espera, lo que reducirá el consumo de energía al menos en un 10 %».

Además, se puede identificar un alto potencial en todos los casos para reducir la energía eléctrica.
Por lo tanto, los costos de producción se pueden reducir mediante el uso de sistemas de fabricación
más eficientes energéticamente. Esto conduce a ventajas de precios sobre los competidores y
fortalece la competitividad de las empresas europeas AM y ECS. Los equipos de producción
modernos y las máquinas operadas de manera óptima emitirán menos contaminantes y utilizarán
los recursos limitados con más moderación para proteger el medio ambiente. El gran impacto del
ahorro de energía y recursos se demostró con éxito mediante un excelente concepto de gestión de
datos energéticos, como se muestra en el Caso D.

Lo que reduce ligeramente el uso de material, lo que lleva a un aumento en la eficiencia de recursos
y materiales. Con la mejora de la estabilidad del proceso, la calidad del producto también mejorará,
lo que resultará en una reducción de la tasa de desechos. Un aumento en la trazabilidad y la
transparencia de los procesos de fabricación en el Caso C condujo a menos muestreos, menos
reelaboraciones y, por lo tanto, menos ajustes del proceso, lo que en general resultó en un menor
consumo de material y energía del equipo. En general, se debe señalar que solo hay un pequeño
impacto en el ahorro de energía relacionado con casos individuales en comparación con una
implementación de automatización completa en toda la fábrica como en el Caso F.

Dimensión social
En todos los casos, la Industria 4.0 obliga a aumentar el conocimiento

y habilidades La implementación de más herramientas de visualización y el aumento de la

transparencia y la trazabilidad de los productos y sistemas de producción conducen a una mejor
usabilidad y aceptación entre los empleados. Los conocimientos de los Casos B, C y D muestran que
los lugares de trabajo individuales enriquecidos con pantallas en máquinas individuales para cada
trabajador mejoran la satisfacción general de la fuerza laboral. Por ejemplo, los expertos del Caso C
mencionaron, “esperamos tener un desarrollo de conocimiento significativo para nuestros expertos
en procesos”. Además, "... un mayor conocimiento en las personas conduce a un mayor nivel de
calificación, elevando así satisfacción de la fuerza laboral y conocimiento general del sistema en los
departamentos. Esto indica que, un aumento en el conocimiento de los individuos conduce a una
mayor calificación de los empleados y, por lo tanto, a una reducción de la complejidad, aumentando
así la satisfacción de los empleados. El sistema IDS implementado dentro del caso A aumenta el nivel
de información oportuna de los administradores de seguridad, mejorando así el tiempo de
respuesta para tomar contramedidas para neutralizar los ataques o minimizar los riesgos asociados.
Se ha notado un aumento significativo en la calificación de los empleados y el cambio en el conjunto
de habilidades en las configuraciones de tecnología de fabricación digital. Los esfuerzos de
digitalización conducen a que los empleados procesen una mayor cantidad de conocimiento.
Además, el mejor calificados están los empleados, más probable es que un producto pueda ser
entregado a tiempo. Una idea fundamental a lo largo de todos los casos es el miedo de los
empleados a la pérdida de puestos de trabajo - un miedo general de

La 'Industria 4.0' y temas relacionados se nota en la fuerza laboral. Las empresas del caso esperan
un desarrollo y una ganancia de conocimiento significativos, especialmente para los expertos en
procesos específicos. Las soluciones digitales desarrolladas en los casos A, C y D son muy
innovadoras y utilizan diferentes componentes de hardware y software. Por lo tanto, los empleados
desarrollan mejores habilidades de resolución de problemas e innovación. Esos desarrollos
conducen a un aumento en el aprendizaje organizacional y las empresas se benefician del
conocimiento adicional. Por otro lado, los propietarios de casos mencionaron que perciben la
necesidad de profesionales de TI externos para apoyar los desarrollos a corto plazo. Esto se debe a
que todavía hay muy poco conocimiento al que recurrir dentro de los propios rangos de las
empresas durante la fase de desarrollo y especialmente la fase de implementación. Por lo tanto,
esta adquisición adicional de recursos externos puede generar mayores costos de TI. Con el tiempo,
se creará una importante base de conocimientos que reducirá el tiempo de estudio de los
trabajadores nuevos y existentes. En una fábrica altamente automatizada, como la empresa Case D,
no hay recursos humanos disponibles para trabajos que no agregan valor, p. inspección manual de
calidad. La inspección de calidad es una tarea muy monótona y agotadora, que se racionaliza en la
futura fábrica. Por lo tanto, el operador puede utilizarse para realizar tareas mucho más
importantes, lo que también aumenta la satisfacción de la mano de obra. Esto conduce a la mejora
de las condiciones de los trabajadores también. Puede surgir un aumento en el apoyo a las
decisiones gerenciales a través del aumento de las habilidades de resolución de problemas de los
individuos. Se observa un impacto general en la innovación y las habilidades para resolver
problemas en todos los casos investigados, lo que conduce a una mejor conciencia de los sistemas
subyacentes y, por lo tanto, conducirá a una colaboración activa entre el usuario y el sistema. Con
la implementación del nuevo sistema resaltado en el Caso E, las personas ahora pierden menos
tiempo en investigaciones y más bien gestionan las entregas por excepción, lo que ofrece a las
personas oportunidades más eficientes. El nuevo sistema brinda mayor satisfacción a la fuerza
laboral y principalmente a los operadores de la cadena de suministro que tienen una visibilidad
completa de los artículos en la cadena de suministro. El representante del Caso E afirmó: “Todos los
retrasos de eventos se catalogan de acuerdo con un criterio acordado, lo que permite un análisis
rápido de dónde, cuándo y por qué ocurren las fallas. Esto proporciona una rica fuente de datos
para ayudar a resolver problemas”. El sistema con todos los datos registrados tiene el potencial de
mejorar las habilidades de resolución de problemas de los operadores de la cadena de suministro,
quienes podrían encontrar problemas, identificar sus causas fundamentales y determinar cómo
evitarlos en el futuro. En la etapa inicial de implementación del proyecto en el Caso F, había mucho
miedo entre los empleados en cuanto a lo que traería esta nueva tecnología. Sin embargo, algunos
aceptaron esto muy rápidamente y querían ser parte de ello. Lo apreciaron como el futuro y querían
aprovechar la oportunidad para mejorar su conjunto de habilidades.

Conclusión e implicaciones

Los resultados de nuestro estudio de caso múltiple contribuyen a la evaluación de la mejora de

procesos a través de la implementación de Industria 4.0. Nuestra investigación subraya los
beneficios concretos de los esfuerzos de digitalización en la FA europea y la industria manufacturera
ECS. La evaluación de impacto tiene como objetivo analizar rigurosamente los beneficios obtenidos
a través de las tecnologías implementadas en las empresas del caso. Con esto, contribuimos al
creciente flujo de investigación en este campo y enriquecemos tanto a la academia como a los
profesionales al documentar las observaciones empíricas del análisis de casos. Para analizar el
impacto de la adopción de tecnología en varios niveles en una empresa, se utiliza el modelo TBL,
que diferencia entre la dimensión social, económica y ambiental. Con base en nuestros hallazgos,
podemos corroborar la declaración de Stark et al. (2014) que cada dimensión de sostenibilidad
representa un sistema específico que evoluciona en torno a una solución de creación de valor digital.
Una solución digital puede crear impactos directos en una dimensión de sostenibilidad, pero
simultáneamente puede tener impactos indirectos en las otras dos dimensiones, las llamadas
relaciones causales. Los resultados de nuestro estudio ayudan a los responsables de la toma de
decisiones industriales a evaluar la relevancia de invertir en digitalización. Postulamos que las
empresas manufactureras definitivamente pueden beneficiarse de un mayor nivel de
automatización haciéndoles conscientes de las mejoras obtenidas a través de una mayor flexibilidad
y calidad del proceso que conducen a una mejor calidad del producto y del servicio al mismo tiempo
que reducen los costos operativos a lo largo de la cadena de valor. Además, el análisis muestra que
las tecnologías digitales tienen el potencial de una reconciliación de capacidades dinámicas para
generar una ventaja competitiva sostenible para las empresas (Teece, Pisano y Shuen 1997). Los
procesos moldeados basados en la mejora tecnológica marcan el camino a seguir en entornos
industriales que cambian rápidamente. El éxito competitivo puede surgir tanto de la renovación de
capacidades como del cumplimiento de los requisitos del mercado para remodelar la cadena de
valor sostenible de las empresas. En consecuencia, esto puede dar lugar a un mayor aumento del
rendimiento operativo y la competitividad de las empresas de fabricación en Europa. En particular,
mostramos la influencia de los esfuerzos de digitalización y las nuevas soluciones tecnológicas
(algoritmos/sensores) en los procesos de producción y operaciones, logística y cadena de suministro
(casos A-F). Además, nuestros conocimientos sobre el efecto del aprendizaje de los datos a lo largo
del tiempo ofrecen un potencial decisivo y oportunidades para futuros desarrollos relacionados con
la industria. proyectos 4.0.

Este estudio estuvo limitado por varios factores. En primer lugar, nosotros analizó solo seis casos
específicos en diferentes campos de aplicación tecnológica, como ya se explicó en la metodología
sección. En segundo lugar, sólo centramos nuestra investigación en dos industrias específicas:
industria AM y ECS. Esto se debió al hecho de que estas industrias son las primeras en adoptar
Industry tecnologías 4.0, que tiene la ventaja de que la tecnología ya están en uso y, por lo tanto,
pueden evaluarse. Hay otros sectores empresariales que ya están implementando y probando estas
tecnologías y podrían ser objeto de más investigación para generar más conocimientos de otros
proyectos de digitalización anclados en diferentes áreas de aplicación. Eso Cabe señalar también
que el vínculo con la conciliación de capacidades y nuestro marco sugerido se lleva a cabo en
general. Un análisis más profundo basado en datos cuantitativos podría proporcionar información
más detallada sobre cómo pueden cambiar las capacidades de la empresa después de implementar
ciertas tecnologías. Además, exploramos principalmente los efectos positivos de la tecnología
digital.

tecnologías de fabricación. Somos conscientes de que las desventajas y los aspectos negativos
también deben ser considerados y acompañar las transformaciones de procesos. Hasta cierto punto,
discutimos estos efectos en la parte de análisis de casos cruzados y análisis de dimensión TBL.

Las propuestas presentadas en el artículo dan otras direcciones de investigación futura. Estas
proposiciones deben ser

desarrollados para que puedan ser utilizados para generalizar. Basándonos en nuestro marco, solo
hemos analizado superficialmente

el entretejido de capacidades renovadoras, sostenibles

mejoras en la dimensión económica, medioambiental y social, así como el cumplimiento de los

requisitos del mercado y la consiguiente competitividad de las empresas. Las investigaciones futuras
deben

examinar claramente las oportunidades de estas interdependencias

cias Nuestras propuestas allanan el camino hacia una investigación intensificada en la evaluación
del impacto de la Industria 4.0 por medio de otros

metodos cientificos. Relacionado con la proposición 2, que se basa

En los resultados de la dimensión económica, los métodos cuantitativos como el modelado de
simulación pueden apoyar la evaluación general.

ción de dichas mejoras de procesos digitales. Aplicar cola-

ing teoría de redes en combinación con simulación modelado de los impactos en la calidad del
proceso, la calidad del producto

y se podría utilizar la eficacia y la eficiencia de la producción en general (Felsberger, Wankmu€ller,

Oberegger, et al. 2019; Felsberger, Rabta y Reiner 2018). En general, el incremento

en el proceso, la variabilidad influye negativamente en el rendimiento del proceso. Por lo tanto, otro
tema de investigación podría utilizarse para evaluar cómo la mejora de procesos digitales puede
reducir la variabilidad en los procesos de producción dentro de las plantas (Hopp y Spearman 2001;
Felsberger, Wankmu€ller, Oberegger, et al.

2019). Para comprender el impacto de los proyectos de Industria 4.0 en la variabilidad, la

incertidumbre y la aleatoriedad en los sistemas de fabricación, se deben realizar más investigaciones
sobre las mejoras de procesos (Dunke et al. 2018). Con respecto a la prueba de las proposiciones 3
y 4, podría ser necesario realizar métodos analíticos basados en conjuntos de datos reales. Para
cubrir todos los aspectos de la eficiencia energética y la eficiencia de los recursos materiales, un
enfoque mucho más holístico que evalúe solo esta dimensión de sostenibilidad podría conducir a
resultados prometedores. En general, examinar este complejo campo desde múltiples perspectivas
(gestión de operaciones, logística y gestión de la cadena de suministro, pero también desde una
perspectiva de ciencia de datos o innovación y comportamiento organizacional y compilarlos) podría
ofrecer el potencial para generar más información. conocimientos profundos basados en nuestro
enfoque de marco. Si bien se han realizado algunos estudios en esta dirección, aún existe la
necesidad de profundizar más. Un aumento en el apoyo a las decisiones gerenciales surge a través
del aumento de las habilidades de resolución de problemas de los individuos. El aprendizaje
organizacional es cada vez más importante en las fábricas del futuro. Teniendo en cuenta P5-P7, se
podría aplicar investigación adicional basada en una perspectiva de gestión del cambio. Para
investigar el impacto social de tales proyectos de digitalización, podría ser necesario llamar a
expertos en recursos humanos para discutir este tema en un grupo de expertos homogéneo que
abarque la empresa.

Se necesita más trabajo empírico y teórico para estrechar nuestro marco. El análisis de casos
adicionales, no solo de manera cualitativa, y las percepciones de otrosLas áreas industriales pueden
ayudarnos a comprender cómo las empresas se benefician de la transformación digital. Los
hallazgos de este estudio tienen implicaciones tanto para la investigación como para la práctica.
Para la investigación, la importancia de examinar la Industria 4.0 contribuye al desempeño
empresarial a través de la lente del RBV y el enfoque de capacidades dinámicas (Rivard, Raymond y
Verreault 2006). El marco propuesto sirve como marco de investigación pero no se limita
únicamente a su aplicación teórica. Para una organización, potencialmente puede adoptarse como
un marco de evaluación para evaluar el impacto de los esfuerzos de digitalización. Las empresas
manufactureras europeas intentan mejorar la competitividad mediante la adaptación de nuevas
tecnologías inteligentes para mejorar sus procesos comerciales existentes y aumentar el aprendizaje
organizacional. El marco podría ser utilizado como un instrumento de apoyo a la toma de decisiones
para la gestión de las organizaciones, que no solo se limita a actividades financieras o de control
como muchas otras, sino también a evaluaciones cualitativas. Según nuestros hallazgos, el impacto
en las capacidades dinámicas se puede explicar utilizando nuestro marco en este contexto
específico. De hecho, existe un fuerte vínculo entre el desarrollo sostenible, la tecnología y la
reconciliación de las capacidades dinámicas. Pudimos demostrar cómo las aplicaciones de Industria
4.0 pueden mejorar la competitividad de las empresas. En nuestro artículo, analizamos partes de
este constructo teórico con el fin de establecer la base para futuras discusiones e investigaciones en
este campo.

Para entender el impacto de la Industria 4.0 en la sociedad nos remitimos a la racionalidad del
razonamiento económico de Gorz (1989). Gorz explica que “el trabajador de proceso es el
subproducto de la digitalización, que representa una nueva interfaz entre el proceso de producción
y el trabajador. Los hábiles y no calificados trabajador de la línea de producción dejará de tener
cualquier interacción física con el producto, pero ahora se centrará principalmente en controlar y
mantener el proceso de producción”. Al-Ani (2017) afirma que, los efectos de esta transición para
los trabajadores del proceso serán difíciles de subestimar y algo contradictorios. Habrá un aumento
de la complejidad en tales entornos. Las tareas de seguimiento y control. y especialmente las
habilidades situacionales necesarias para cumplirlas ser parcialmente más complejo, en este
contexto tendrá lugar una reconversión y mejora de las cualificaciones. Se accederá a estas
habilidades más fácilmente y serán transferibles a través de más o menos todas las industrias.
intentos y ubicaciones, dando al trabajador del proceso más movilidad.

Al mismo tiempo, las capacidades utilizadas pueden generalizarse, ya que las características de la
empresa o industria ya no son tan llamativos como solían ser. Esto significa que la competencia Las
ventajas tivas para los empleados individuales serán algo menores que en el pasado. La situación
general mejorará mediante un aumento de los conocimientos técnicos en áreas individuales con
respecto a a la diferenciación y ventajas competitivas (Al-Ani 2017).

En nuestra investigación, podemos respaldar estas afirmaciones. La digitalización está cambiando

los problemas sociales, el comportamiento y las habilidades de la fuerza laboral. Debido a un
aumento de la complejidad en Las organizaciones de sistemas de fabricación necesitan mejorar sus
empleados, establecer medidas educativas y aumentar el desarrollo de los empleados. Por otro
lado, algunos expertos también han sugerido que la brecha entre la educación de empleados
jóvenes, basados en la educación gubernamentalEl sistema y los requisitos de última generación de
las empresas se están ampliando. Por lo tanto, será también una tarea indispensable del sistema
educativo público adaptar el sistema educativo alineado con el avance tecnológico.

Otro ejemplo lo da el impacto en el medio ambiente.

dimensión psíquica. Los equipos de producción modernos emitirán menos contaminantes y
utilizarán los recursos limitados con más moderación para proteger el medio ambiente. Hay un alto
impacto en

Ahorro de energía y recursos basado en excelentes datos de energía.

gestión, lo que conduce a un aumento en la eficiencia de recursos y materiales. En el Caso F, la

empresa ve claramente el impacto de la nueva planta de fabricación inteligente en el medio
ambiente. En comparación con los edificios de la década de 1950, la única instalación moderna
ciudad está equipada con nueva tecnología de construcción, por ejemplo, la calefacción y la
iluminación son significativamente diferentes y efectivas. Ahora tienen una huella de carbono
mucho más reducida, ya que la cantidad de máquinas herramienta es menor, a diferencia de la
antigua fábrica.

En términos de eficiencia de los recursos materiales, el consumo del material del producto real no
ha cambiado significativamente; sin embargo, hay una clara reducción de consumibles como
refrigerante y herramientas. En general, esto conduce a un menor uso de vertederos, energía y
consumo de materiales.

Este estudio incluye más conjuntos de variables. para llegar a un estrategia global de negocio
sostenible, es de gran importancia lograr la congruencia entre el desarrollo sostenible, las
adaptaciones tecnológicas y la creación de capacidades para cumplir requisitos del mercado de
filtros. En este trabajo, vamos junto con el hallazgos de Andreu y Ciborra (1996) y Jarvenpaa y
Leidner (1998) quienes afirman que el desarrollo TI y desde nuestra perspectiva la adaptación de las
tecnologías de Industria 4.0 puede juegan un papel importante en la creación de valor competitivo
si se implementaron de tal manera que aprovecharan las capacidades (Rivard, Raymond y Verreault
2006). Nuestros resultados recogidos en el presente estudio sugieren que esta es una investigación
prometedora. dirección. Para los gerentes, los resultados pueden reforzar su estrategia.
capacidades de gestión estratégica en relación con el papel que desempeña la Industria 4.0 para
mejorar la competitividad general de la empresa. Otro aspecto que cubrimos con nuestra
investigación es que mostramos cómo se pueden evaluar tales proyectos de Industria 4.0.
Especialmente para la alta dirección, un enfoque de evaluación cualitativa con

Los resultados que lo acompañan son prometedores, ya que tienen que defender las enormes
inversiones en este tipo de proyectos.

Este estudio ha demostrado que la integración de recursos- Las vistas basadas en capacidades
dinámicas pueden proporcionar una mayor comprensión de la contribución de las tecnologías de
fabricación digital al rendimiento de la empresa. Los resultados de este estudio contribuyen al
desarrollo de la teoría sobre cómo evaluar la mejora del proceso de la cadena de valor después de

adaptaciones técnicas. Los resultados allanan el camino para la integración de la transformación

digital y las mejoras de procesos digitales para aumentar la competitividad de las empresas
manufactureras en Europa.