Traducido del inglés al español - www.onlinedoctranslator.

com

axiomas

Artículo

Aplicaciones Modelo matemático óptimo para resolver problemas difíciles

para empresas que producen y procesan productos agrícolas en Vietnam

Han Khanh Nguyen

Facultad de Economía, Universidad Thu Dau Mot, Número 6, Tran Van On Street, Phu Hoa Ward, Thu
Dau Mot 590000, Vietnam; khanhnh@tdmu.edu.vn ; Teléfono: +84-933-727-969

Resumen:Durante los meses de la epidemia de COVID-19, la cantidad de empresas de procesamiento y fabricación de

productos agrícolas en Vietnam enfrentó muchas dificultades en el consumo de productos agrícolas, incluso cuando no
podían vender. Por lo tanto, las empresas son cada vez más difíciles. Muchas empresas no son lo suficientemente
fuertes para restaurar la producción, por lo que es necesario encontrar soluciones para superar este difícil período. En
esta investigación, el autor utilizó la aplicación de técnicas estadísticas modernas, junto con el método Gray, para
predecir los resultados comerciales de las empresas en el futuro, combinado con el modelo de eficiencia de medida
basada en Super-slacks (Super-SBM) para ayudar las empresas seleccionan a los socios adecuados en una cadena de
suministro para lograr sus objetivos comerciales. Por nuestro enfoque propuesto, la solución seleccionada (AG6
combinado con AG10) debe implementarse en el futuro para mejorar la eficiencia para ayudar a estabilizar la producción
y aumentar la productividad; por lo tanto, ambas partes pueden no solo mejorar la calidad de sus productos, sino
también alcanzar los objetivos comerciales y el desarrollo sostenible. De hecho, es necesario profundizar en este
estudio, en combinación con estos factores y otros modelos cuantitativos, para brindar a los inversores una visión más
----
--- integral, ayudándolos a tomar las decisiones correctas y desarrollar adecuadamente sus negocios y desarrollo social y

Citación:Nguyen, H.-K. Aplicaciones Modelo

económico.

matemático óptimo para resolver problemas

difíciles para Palabras clave:agricultura; sustentabilidad; matemática aplicada; pronóstico gris

Empresas que producen y procesan
productos agrícolas en Vietnam.
axiomas2021,10, 90. https://doi.org/
10.3390/axioms10020090 1. Introducción
Actualmente, la cantidad de empresas que procesan y fabrican productos agrícolas en Vietnam es
Editor académico: Hans J. Haubold
grande; Según el Ministerio de Industria y Comercio, el número de empresas de fabricación y
procesamiento de alimentos, negocios de alimentos y pesca representan el 14,85% de la producción total
Recibido: 19 abril 2021
[1]. Además, recientemente el gobierno vietnamita adoptó la política de abrir el libre comercio con la
Aceptado: 11 mayo 2021
mayoría de los países del mundo. Vietnam ha atraído a muchos inversionistas extranjeros para invertir
Publicado: 14 mayo 2021
en producción y procesamiento de alimentos en la región sur; los inversores extranjeros han invertido en
cerca de 30.827 empresas, que representan el 58,4% de la producción [2]. Desde el año 2000, la
Nota del editor:MDPI se mantiene neutral
economía de Vietnam logró un rápido crecimiento, con una tasa anual promedio de alrededor del 6,5%
con respecto a reclamos jurisdiccionales en
anual. El PIB per cápita de Vietnam ha aumentado constantemente (como se muestra en la Figura1). El
mapas publicados y afiliaciones

institucionales.
ingreso promedio, medido por el poder adquisitivo, aumentó de USD 2562 en 2000 a USD 6172 en 2017 [
3].
Vietnam es un país con una economía en desarrollo, urbanización, una población joven y una rápida tasa
de crecimiento demográfico. Estos son los principales estímulos para el crecimiento de la agricultura. La
población más joven hace que los alimentos procesados sean más ventajosos para ser fácilmente aceptados y
Derechos de autor:© 2021 por el
es un factor principal en la creciente demanda de este tipo de productos. Pandemias como la gripe aviar y una
autor. Licenciatario MDPI, Basilea,
mejor educación sobre la salud han hecho que la gente de este país sea más consciente de los problemas de
Suiza. Este artículo es un artículo de
salud. Por lo tanto, se espera que en Vietnam se desarrollen productos envasados modernos y canales
acceso abierto distribuido bajo los
términos y condiciones de la licencia
minoristas. Las ventas de los supermercados alcanzaron el valor más alto, representando alrededor del 70% del

Creative Commons Attribution (CC BY) consumo del mercado. Según la encuesta de la organización Business Monitor International (BMI), en 2015 en

(https:// creativecommons.org/ Vietnam había más de 132 emporios y 724 grandes supermercados, con ventas promedio que alcanzaban los
licenses/by/ 4.0/). US$102 mil millones [4].

axiomilisegundo2021,10, 90. https://doi.org/10.3390/axioms10020090 https://www.mdpi.com/journal/axiomas

axiomas2021,10, 90 2 de 18

Figura 1.Tasa de crecimiento del PIB y PIB per cápita (Datos de:https://lienvietpostbank.com.vn/[3] (consultado
el 26 de junio de 2020)).

Según las estadísticas, en el período 2000–2017, la economía agrícola que contribuyó al PIB
disminuyó gradualmente del 24,5 % en 2000 al 15,3 % en 2017 (como se muestra en la Figura2). El
impacto del traslado de la agricultura a otras industrias y servicios redujo gradualmente el PIB del
62,5 % en 2000 al 40 % en 2017 [3].

Figura 2.Participación de la agricultura en el PIB y el empleo (Datos de:https://lienvietpostbank. com.vn/[

3], consultado el 26 de junio de 2020).

Además de cambiar la estructura laboral, la inversión total en agricultura también disminuyó.

Específicamente, en el período 2005-2016, el capital de inversión total disminuyó de 7.5% en 2005 a 6% en 2016
(como se muestra en la Figura3).

Figura 3.Inversión realizada en agricultura (Datos de:https://lienvietpostbank.com.vn/[3], consultado el

26 de junio de 2020).

La situación ahora es mucho más grave; La epidemia de COVID-19 está afectando seriamente la economía de
Vietnam, especialmente los productos agrícolas, uno de los principales productos de exportación de Vietnam.
axiomas2021,10, 90 3 de 18

sectores En 2019, el valor de exportación de los principales productos agrícolas alcanzó los 18 500 millones de
USD, un 5,3 % menos que en 2018. Las exportaciones de arroz alcanzaron los 6,34 millones de toneladas y los
2790 millones de USD, un 3,9 % más en volumen pero un 9,7 % menos en valor que en 2018. Del mismo modo,
el pimiento aumentó más de un 20% en volumen pero disminuyó casi un 6% en valor; los anacardos
aumentaron un 14% en volumen pero disminuyeron casi un 10% en valor. Según las estadísticas, el impacto del
COVID-19 en las empresas que producen y procesan productos agrícolas de Vietnam es muy grave (como se
muestra en la Figura4).

Figura 4.Las exportaciones totales de productos agrícolas de Vietnam se vieron afectadas por COVID-19 [3].

Mientras tanto, Estados Unidos, la Unión Europea y países asiáticos como Corea son los
principales mercados de exportación de productos alimenticios de Vietnam. Con acuerdos
comerciales, como el ASEAN-Corea del Sur firmado en 2007, Vietnam ha dado todas las
condiciones políticas para que las empresas coreanas puedan invertir en Vietnam. Varios
minoristas líderes en Corea también penetran oficialmente en el mercado vietnamita, como Lotte
Group, Retail Group E-mart, etc. [3].
La velocidad de crecimiento del consumo de alimentos es superior a la de todo el país. En concreto,
según el Negociado de Estadísticas, las ventas de alimentos registraron un crecimiento del 13,1% en los
primeros seis meses de 2016 y del 14,8% en 2015, superior al crecimiento de las ventas minoristas de
todo el país (respectivamente, 9,8% y 10,6%) [3]. En cuanto al índice de precios al consumidor en los
primeros seis meses de 2016, los precios de los servicios de alimentos y catering aumentaron 2,03%, y las
bebidas y el tabaco aumentaron 2,37%, cifra superior al índice de precios al consumidor del país (1,72%)
(como se muestra en la Tabla1). Esto muestra que la demanda de alimentos es bastante positiva,
mientras que el índice general tiende a bajar [3].

Tabla 1.Datos y previsión crecimiento consumo alimentos.

Nación 2013 (%) 2014 (%) 2015 (%) 2016 (%) 2017 (%) 2018 (%) 2019 (%) 2020 (%)

Porcelana 0.3 1.1 1.0 0.4 0.4 0.1 0.3 1.1

Hong Kong 2.1 0.8 2.2 − 0.2 − 0.5 0.1 0.7 − 0.1
India 2.7 6.9 2.5 4.9 4.4 6.9 3.6 3.5
Indonesia 4.4 3.9 4.1 4.4 4.9 4.9 4.7 4.5
Japón 1.6 − 1.1 − 1.3 0.8 − 0.7 0.2 0.3 0.7
Malasia 6.4 4.9 3.7 2.8 3.0 3.2 2.6 3.1
Filipinas 3.2 3.1 3.9 4.4 3.9 3.6 3.5 4.6
Singapur 2.4 3.1 6.2 4.1 4.6 5.0 2.6 3.1
Taiwán 1.5 2.5 1.5 0.5 1.4 1.9 1.6 1.5
Tailandia − 0.6 − 0.9 0.9 0.8 0.6 0.9 1.1 1.0
Vietnam 0.8 2.1 3.8 3.8 4.3 4.3 4.2 3.8
Fuentes: (Datos de:https://lienvietpostbank.com.vn/[3], consultado el 26 de junio de 2020).

Ahora, las empresas comerciales vietnamitas que procesan y fabrican productos agrícolas
están haciendo negocios y compitiendo en un entorno globalizado con una gran cantidad de
axiomas2021,10, 90 4 de 18

cambios, lo que requiere una estrategia de desarrollo adecuada para aprovechar las
oportunidades de manera efectiva y manejar adecuadamente los desafíos planteados para
garantizar una alta eficiencia y un desarrollo sostenible. Las empresas deben aprovechar las
oportunidades y definir áreas para invertir, desarrollar y encontrar soluciones para aprovechar de
manera efectiva los recursos existentes de la empresa. Pueden desarrollar la competitividad
sostenible en las áreas de sus operaciones y crear sinergia en el desarrollo de todos los sectores y
negocios. Es imposible actuar solo en una cooperación comercial severa; las empresas tienen que
cooperar y aliarse entre sí para desarrollarse juntas.
Ante la difícil situación del procesamiento y comercialización de productos agrícolas de las empresas en
Vietnam causada por el COVID-19, los autores combinaron el análisis envolvente de datos (DEA) y la teoría Gray
para ayudar a las empresas a encontrar los socios adecuados en la cadena de suministro para que las empresas
resuelvan. los problemas de encontrar proveedores y encontrar clientes para en-
mento

Figura 5.Cadena de suministro total de alimentos (Fuente: Bruno Walter Castro-Karney [5]).

De hecho, existen muchos métodos para elegir socios en la cadena de suministro o alianza
estratégica. En el pasado, muchos investigadores en el mundo utilizaron el modelo híbrido DEA y
GM (1,1) para investigar e implementar alianzas estratégicas para muchos negocios y obtener
buenos resultados. En 2004, Kauser y Shaw utilizaron los modelos DEA y GM (1,1) para realizar una
investigación empírica de acuerdos de alianzas estratégicas entre empresas del Reino Unido de
Gran Bretaña e Irlanda del Norte y sus socios europeos, japoneses y estadounidenses [6]. Los
resultados de este estudio arrojaron luz sobre la alianza estratégica internacional de las empresas
del Reino Unido de Gran Bretaña e Irlanda del Norte e identificaron los objetivos y motivos de la
estrategia de alianza internacional. En 2008, Chia-Nan Wang y Ya-Ru Lee combinaron modelos
híbridos DEA y GM (1,1) para evaluar la eficiencia y resolver problemas de la cadena de suministro
para empresas de electrónica en Taiwán [7]. En 2009, Lin Chin-Tsai, Hwang Shiuh-Nan y Chan Chia-
Ho utilizaron el modelo CCR y el modelo Gray combinados de la DEA para seleccionar socios para
empresas en la industria de fabricación de diodos emisores de luz [8]. En 2016, Chia-Nan Wang y
Xuan-Tho Nguyen combinaron los modelos DEA y GM (1,1) para estudiar y evaluar alianzas
estratégicas para fabricantes de automóviles [9]. En 2017, Chia-Nan Wang y Han-Khanh Nguyen
combinaron los modelos DEA y la teoría Grey para encontrar una solución para mejorar la calidad
del desarrollo urbano [10].
Además de eso, existe mucha investigación en el área de selección de socios en una cadena de
suministro [11–13]: En 2000, Feng Wei-dong, Chen Jian y Zhao Chunjun estudiaron procesos de selección
de socios y modelos de optimización para corporaciones virtuales basados en algoritmos genéticos [14
]. En 2006, Sheng-Lin Chang, Reay-Chen Wang y Shih-Yuan Wanga aplicaron cuantificadores lingüísticos
difusos para seleccionar socios de la cadena de suministro en diferentes fases del ciclo de vida del
producto.15].
axiomas2021,10, 90 5 de 18

2. Metodología
En este estudio, los autores utilizaron la teoría del sistema Gray para predecir la situación comercial
de las empresas de producción y procesamiento agrícola en Vietnam en el período 2020-2023. Esto se
combinó con los resultados de la evaluación de la eficiencia productiva y empresarial de estos negocios
en el período 2016-2019. A partir de ahí, los autores proponen soluciones para ayudar a las empresas a
superar el difícil período debido a la pandemia de COVID-19 para promover el desarrollo sostenible en el
futuro.

2.1. Modelo de pronóstico gris

La teoría del sistema Gray, fundada en 1982 por Julong Deng, es un nuevo enfoque que se centra
en el estudio de los sistemas de información de incertidumbre con un tamaño de muestra pequeño. La
teoría del sistema gris se refiere a sistemas de información inciertos con información parcialmente
conocida a través de la recopilación o disponibilidad de datos. Así, el desarrollo del comportamiento
sistemático de las empresas y la ley puede ser descrito y monitoreado con precisión. Se aplican las
aplicaciones de la teoría del sistema de Gray. Oficialmente en 1982,Sistemas y Cartas de Control, una
revista holandesa internacional, publicó su primer artículo sobre la teoría del sistema gris, "Control
Issues of Grey Systems", de Julong Deng [dieciséis]. Desde entonces, las aplicaciones exitosas en muchas
áreas han llamado la atención de investigadores de todo el mundo.17–22].
El proceso de predicción de GM (1,1) en este estudio se muestra en la Figura6:

Figura 6.El proceso de predicción de grises (Datos de:http://citeseerx.ist.psu.edu/[23,24], consultado el 26 de

junio de 2020).

Evaluación de errores de pronóstico:

Para evaluar la precisión de los resultados del pronóstico, los autores utilizan el error porcentual absoluto
medio (MAPE), que es una herramienta para medir el valor exacto en las estadísticas para identificar los
modelos de rendimiento de Gray con un buen rendimiento. Cuanto menor sea el MAPE, más se acercará el
valor previsto al valor real [25].
[ ∣ ∣ ]
1 ∣∣uni -i∣ F∣
norte

MAPE = ∑∣ A ∣ ×100 (1)

norte
i=1 i

dónde:
nortees el número de puntos
ajustados; Aies el valor real; Fies el
valor de pronóstico.
Σes la notación de suma (el valor absoluto se suma para cada punto previsto en el tiempo).
MAPE dividido en cuatro rangos como Tabla2espectáculos
axiomas2021,10, 90 6 de 18

Tabla 2.Los grados del MAPE.

MAPA (%) Evaluar

≤10 Autenticidad
10–20 Bueno

20–50 Calificado
≥50 No cualificado
Fuentes: [25].

2.2. Modelo de supereficiencia no radial (Super–SBM)

El análisis DEA es una herramienta utilizada en el análisis del desempeño de las empresas. El
enfoque DEA aplica y desarrolla la integración de modelos matemáticos lineales en modelos
económicos [26,27]. Este método se basa en datos comerciales anteriores de la empresa para
construir el límite de producción en el plano no paramétrico (límite de producción). Las personas
usan esta línea de producción para calcular y evaluar el desempeño de un negocio. Ahora, los
investigadores están comenzando a estudiar una serie de modelos de análisis DEA extendidos que
abordan las limitaciones de la DEA, así como su práctica generalizada en el análisis económico en
todo el mundo.
En esta sección, el autor utiliza el modelo Super-SBM. El modelo Super-SBM viene dado por la
siguiente ecuación [28]:

1−1 i=1s−i/X i0
=
metro∑metro

mínimoρ (2)
1 +1 s∑si=1s−i/yi0

st : X0=Xλ+S−, Y0= Yλ-S+, (λ≥0, X≥0, Y≥0) (3)

Suponer que (pags*, λ*,s−∗,s+∗) es la condición óptima de SBM, y (X0,Y0)es el SBM-
eficiente de DMU. Cuandopags* = 1,s−∗=0 ys+∗=0 (o no hay entrada excesiva y una salida de
caída corta). Por lo tanto, se introdujo un modelo de supereficiencia para clasificar las DMU,
y se definió mediante la siguiente fórmula [28]:

1
i=1Xi/Xi0
metro∑metro

mínimod=
1
(4)
s∑sr=1yr/yr0

λjXj,y≤∑
norte norte

S tX≥ ∑ λjXj,X≥X0,y≤y0,y≥0,λ≥0 (5)

j=1,6=0 j=1,6=0

Suponga que el denominador es 1 para que la función objetivo sea una entrada de orientación del
modelo Super-SBM. El valor de retroalimentación obtenido de la función objetivo es mayor o equivalente
a 1. Es sencillo darse cuenta de que las entradas son positivas; sin embargo, las salidas pueden
convertirse en un valor negativo. La solución adecuada para resolver este problema es utilizar el manual
DEA-Solver Pro 4.1, de la siguiente manera:
SuponeryRo≤0. Ha definidoy+ yy+ − rpor [28]:
r

y+ = máximo { yrjy∣∣ rj>0 }

, (6)
r
j=1,...,norte

y+ = min { yrjy∣∣ rj>0 }

. (7)
r
j=1,...,norte

Si no hay componente positivo en la salidar, se vuelvey+ r =y+ − r=1. El

elementosr+/yr0se utiliza en lugar de lo siguiente, mientras que elyr0no cambia [28]:
Cuandoy+r> y+ − r, el elemento es:

y+ ( + +
)
sr+/−ryr− yr (8)
y+r− yr0
axiomas2021,10, 90 7 de 18

Cuandoy+r =y+ − r, el elemento se convierte en:

( y+ ) 2
s+ −r
(9)
r/
B(y+r − yr0)

Aquí,Brepresenta un gran valor positivo; en el DEA-Solver, el valor deBes alrededor de 100.

El denominador es ciertamente más bajo quey+ − r, y aumenta con la disminución de la
distanciay+r− yr0y viceversa. Por lo tanto, este modelo afecta significativamente el no positivo
valor de salida La puntuación obtenida es constante, y es unidimensional a las unidades de
medida.

3. Descripción de los datos

3.1. Colección de DMU

Después de investigar la industria de alimentos y bebidas de Vietnam, los autores descubrieron 14
empresas en el sitio web de la Oficina General de Estadísticas [29]. La sinopsis se muestra en la Tabla3.

Tabla 3.Nombres de empresas.

DMU Código Compañías

DMU1 AG1 COMIDA BINH DINH
DMU2 AG2 ALIMENTOS YENBAI
DMU3 AG3 GATO LOI

DMU4 AG4 ALIMENTOS CHOLIMEX

COLUSA-MILIKET
DMU5 AG5
PRODUCTOS ALIMENTICIOS

DMU6 AG6 DABACO

DMU7 AG7 COMIDAS DE SAO TA

DMU8 AG8 COMIDA HUNGHÍ

DMU9 AG9 KIDO
DMU10 AG10 MECOALIMENTOS

DMU11 AG11 Masan

DMU12 AG12 NAFOODS
DMU13 AG13 ALIMENTOS SAFOCO
DMU14 AG14 ALIMENTOS LAMDONG
Fuente: (Datos de:https://www.gso.gov.vn(consultado el 27 de junio de 2020) [29]).

3.2. Recopilación de entradas/salidas

La selección de los elementos analíticos en el DEA es importante porque influye directamente en

los resultados de la investigación y el análisis, así como en las conclusiones del estudio. Los factores
seleccionados para el análisis deben asegurar la integralidad de los fenómenos y eventos en estudio. Los
factores solo se utilizan cuando y solo si aclaran las relaciones y dependencias entre los fenómenos de
investigación y las representaciones hipotéticas, es decir, la prueba de hipótesis, para medir la eficiencia
adecuadamente y aplicar nuestra investigación en el modelo de pronóstico de Gray y DEA.

Con base en la revisión de la literatura, en este documento, los autores eligen cuatro entradas y dos salidas:

Entradas

(1) Activos totales (PI1): La suma de los activos circulantes y no circulantes, y este total debe ser
igual a la suma del capital contable y el pasivo total combinados.
(2) Equidad (PI2): La fuente de capital aportado por los dueños de negocios.
(3) Costo de los bienes vendidos (IP3): Los gastos para crear un producto terminado.
axiomas2021,10, 90 8 de 18

(4) Gastos Operativos Totales (PI4): Los gastos operativos totales de una empresa son los incurridos
en relación con la producción y las actividades comerciales en un ejercicio fiscal, incluidos los
gastos operativos y otros gastos.

Salidas
(1) Ventas netas (OP1): el valor total logrado por la venta de bienes, productos, empleados
proveedores y servicios que aportan los clientes.
(2) Beneficio después de impuestos sobre la renta de sociedades (OP2): Refleja el beneficio total real después de impuestos de las
actividades comerciales de una empresa (después de deducir los impuestos sobre la renta) incurrido en el año de
informe.

Las entradas y salidas que se muestran arriba reflejan todos los costos y ganancias del
negocio; son la base del cálculo, análisis y evaluación precisa en la investigación. Los autores
muestran los datos realistas en tablas.4–7de 2016 a 2019 (unidad monetaria 1000 USD).

Tabla 4.Datos en 2016 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 7992.5 7135.8 22.044,4 2156.3 24.970,8 911.7

AG2 4534.9 2947.2 11.668,8 1273.0 13.878,9 818.4

AG3 33.637,9 16,288.0 66.925,6 5194.3 78.140,3 4796.0

AG4 24.192,3 10.146,7 47.984,8 10.805,3 61.253,7 2182.0

AG5 8459.6 5329.7 14.628,9 4210.4 19,728.3 846.7

AG6 237.718,8 100.566,2 233,923.2 20.947,1 268.959,5 19,399.2

AG7 59,073.0 20.449,6 122,140.0 6545.5 132.367,6 4418.1

AG8 30,379.0 12.139,3 451,68.1 11,714.0 58.266,6 1360.8

AG9 380.444,0 266.799,0 58,665.1 45.960,2 96.251,2 51.273,7

AG10 7249.0 5072.1 15.878,5 1740.8 18,176.0 551.2

AG11 747,121.0 512.836,7 324,163.0 153.923,4 592.860,1 124.801,2

AG12 26.668,2 18,359.0 14.372,8 2826.5 19.798,5 3101.0

AG13 7142.8 4741.1 33.713,8 2636.4 37.735,4 1283.9

AG14 9886.6 7612.8 17,057.0 930.1 19,049.0 884.0

Tabla 5.Datos en 2017 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 8036.1 6983.1 23.732,6 2253.3 26.483,4 535.5

AG2 5141.0 2830,9 9691,4 956,2 11,710,2 631,2

AG3 33,349.0 19.176,1 67,780.0 5372.8 78.827,9 4567.6

AG4 27.012,3 11.427,3 53.530,1 12.449,1 68.948,7 2444.5

AG5 9523.7 5637.1 17844.3 4809.6 23,795.0 978.8

AG6 300.485,8 107.594,5 218,918.8 23.851,7 251.742,7 8603.1

AG7 70.927,4 24.686,2 138.664,7 7543.5 150.381,9 4830.7

AG8 38.065,2 12,949.0 45.717,7 11.827,6 60.019,7 2121.0

AG9 548.145,6 375.884,5 239.163,5 72.253,8 301.651,3 23.259,9

AG10 6403.9 5033.7 13.870,9 1518.8 15.828,7 426.5

AG11 758,610.0 487.186,7 308.733,7 166.404,7 568.091,1 101.469,3

AG12 37.480,6 20.644,6 15.755,6 3413.5 22.328,6 3262.4

AG13 7151.8 5002.8 35,345.1 3039.4 40.027,8 1414.2

AG14 11.206,6 7883.6 23.139,4 1013.8 25.227,3 901.0

axiomas2021,10, 90 9 de 18

Tabla 6.Datos en 2018 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 9581.0 6796.8 24.992,9 1533.3 26.942,5 425.3

AG2 5157.2 3307.8 13.717,4 1295.9 16.708,6 1489.3

AG3 43.576,9 27,375.1 75.525,9 5648.2 89.003,9 6386.1

AG4 31.631,8 14.469,5 61,367.0 17.072,3 83.979,9 4299.4

AG5 9753.0 5866.1 19.486,7 5187.7 25.783,6 1109.8

AG6 358.990,3 118.080,9 240.569,6 310,98.8 286.946,9 15.487,5

AG7 64.284,7 29.619,4 146.690,5 9121.9 163.658,9 7760.0

AG8 46.054,6 10.842,9 55.541,2 13.921,6 71.402,8 1778.4

AG9 537.905,9 359.343,9 271.425,5 70.601,7 327.113,5 11,018.4

AG10 7529.2 5058.4 21.162,2 1923.7 23.538,6 430.4

AG11 733.147,5 467.813,5 403.619,7 183.176,4 731.155,7 147.373,6

AG12 45.390,4 21.316,9 19.793,9 4312.1 25.805,3 2311.7

AG13 8517.2 5449.5 37.801,9 3703.8 43.477,9 1731.1

AG14 9361.2 8004.2 20,232.0 507.4 21.647,7 806.9

Tabla 7.Datos en 2019 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 7050.9 6708.0 29.229,6 2417.9 31.790,4 172.1

AG2 5526.9 2687.7 17,310.6 1499.2 20.347,1 1209.1

AG3 44.040,6 29.792,4 69.772,9 5773.6 82.920,7 6042.5

AG4 37.176,2 19,355.7 66.477,5 18,362.0 93.541,9 7162.4

AG5 10.503,6 6045.3 20.283,1 5443.9 26.742,9 1065.4

AG6 412.383,5 130.094,3 258.825,5 36.816,5 308.970,8 13.118,4

AG7 65.385,1 40.359,8 141.225,7 8969.1 159.485,6 9878.7

AG8 61.352,7 15.341,6 57,633.0 15.526,1 74.785,2 1756.1

AG9 512.996,5 350.634,1 239.859,9 75.166,1 309.975,7 11.424,7

AG10 7786.3 5109.3 15.603,4 1821.9 17.915,6 439.6

AG11 880.045,3 533,410.0 452.708,3 175.097,3 794.830,8 176.135,6

AG12 54.666,7 29,320.6 34.776,4 8129.0 44.795,9 2061.8

AG13 9104.7 5914.9 40,010.0 3574.0 45.722,3 1805.2

AG14 10.809,2 8214.5 12.468,4 613.6 14.081,4 754.3

Fuente: (Adaptado de:https://www.gso.gov.vn[29], consultado el 26 de junio de 2020).

4. Resultados empíricos
4.1. Resultados de la previsión

El GM (1,1) se utiliza en esta parte; los autores utilizaron un factor IP1de AG4(como tabla8) para explicar de
la siguiente manera.
axiomas2021,10, 90 10 de 18

Tabla 8.Datos de AG42016–2019 (Unidad: 1000 USD).

Año IP1 IP2 IP3 IP4 OP1 OP2

2016 24.192,34 101,46.73 47.984,84 10.805,33 61.253,66 2181.97

2017 27.012,32 11.427,31 53.530,05 12,449.08 68.948,72 2444.53

2018 31.631,81 14.469,48 61.367,03 17.072,26 83.979,90 4299.41

2019 37.176,16 19.355,74 66.477,50 18,361.96 93.541,88 7162.42

Fuente: (Adaptado de:https://www.gso.gov.vn[29], consultado el 26 de junio de 2020).

Primero, cree la serie original:

X(0)= (24.192,34; 27.012,32; 31.631,81; 37.176,16)
Luego, realice la operación de generación acumulada (AGO):
X(1)(1) = x(0)(1) = 24.192,34
X(1)(2) = x(0)(1) + x(0)(2) = 51.204,66 x(1)
(3) = x(1)(2) + x(0)(3) = 82.836,47 x(1)(4)
= x(1)(3) + x(0)(4) = 120.012,62
Luego, crea la ecuación diferente de GM (1,1).
Para encontrar la Z(1)serie, la siguiente media obtenida por la ecuación media es:
Z(1)(2) = 0,5×(24, 192.34 + 51, 204.66) = 37, 698.50Z(1)
(3) = 0,5×(51, 204.66 + 82, 836.47) = 67, 020.56Z(1)(4) =
0,5×(82, 836 .47 + 120, 012.62= 101, 424.54
Luego, resuelve las ecuaciones:
Los valores de la serie primitiva se insertan en la siguiente ecuación para encontrar a, b:

-
- 27, 012.32 + a×37, 698.50 = segundo
31, 631.81 + a×67, 020.56 = segundo
-
37, 176.16 + a×101, 424.54 = segundo

Luego, convertir a matrices a- s sigue- : -

− 37, 698.50 1 27, 012.32
Sea B =-−67, 020.56 1 -; Y = - norte
31, 631.81 -
− 101, 424.54 1 37, 176.16
Luego, usa el método de mínimos cuadrados para encontrar a y b:

[] [ ]
a T T − 0.1595
= (B B)−1 PORnorte =
b 20, 977.3607

Luego, usa a, b para crear la ecuación de blanqueamiento de la ecuación diferencial:

dx(1)(k)
dk + hacha )(k) = segundo
(1

)
⇔dx(1)
dk−0.1595x(1 =20, 977.3607

Luego, encuentre el modelo de predicción a partir de la ecuación:

20, 977.3607
X(1)(k + 1) =155, 678.66×mi0.1595κ −
0.1595

Luego, sustituya los valores deken la ecuación:

k=0; X(1)(1) = 24.192,34 X k=4; X(1)(5) = 163.212,83
k=1; (1)(2) = 51.120,30 X(1) k=5; X(1)(6) = 214.187,38
k=2; (3) = 82.706,04 X(1) k=6; X(1)(7) = 273.979,07
k=3; (4) = 119.755,21 k=7; X(1)(8) = 344.113,02
Luego, obtenga el valor pronosticado de la serie original de acuerdo con la operación de generación
acumulada de la siguiente manera:
axiomas2021,10, 90 11 de 18

X(0)(1) = 24, 192,34 x̂

(0)(2) = 26, 927.97 x̂
(0)(3) = 31, 585.74 x̂
(0)(4) = 37, 049.17
X(0)(5) = 43, 457.62– Proyectado para 2020. x̂
(0)(6) = 50, 974.55– Proyectado para 2021. x̂(0)
(7) = 59, 791.69– Proyectado para 2022. x̂(0)(8)
= 70, 133,95– Proyectado para 2023.

Usando el mismo proceso anterior, los autores tienen resultados de datos pronosticados, como se muestra en
las Tablas9–12.

Tabla 9.Datos en 2020 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 7354.71 6558.01 32.066,31 2262.78 34,263.01 145.48

AG2 5676.68 2809.93 22.857,88 1876.39 26.587,53 1700.71

AG3 51.669,73 37.372,40 72.978,71 6008.51 87.623,13 7191.86

AG4 43.457,62 24.881,29 74.405,98 22.514,85 109.386,22 11.442,66

AG5 10.954,35 6268.43 21.747,84 5809.83 28.503,35 1138.25

AG6 482.919,21 142.849,10 281.896,82 456.29,29 343.921,77 16.969,92

AG7 61.401,44 50.942,76 144.732,49 10.013,87 166.983,17 13.792,56
AG8 76.980,86 15.850,93 65.631,10 17,830.09 84.453,28 1538.55

AG9 498,933.97 33.7310,36 250.818,09 75.675,43 321.136,89 5812.87

AG10 8697.43 5143.3118,469.672063.3921,034.71 445.46

AG11 92.4426,70 545.498,51 550.431,63 18.3548,54 948.110,77 230.305,52

AG12 65.717,18 34254,28 50.275,32 12.115,28 62.184,50 1519.00

AG13 10,361.226429.2942,608.403985.0049,042.012067.60
AG14 10.046,34 8371.08 10,501.73355.8411,684.20683.19

Tabla 10.Datos en 2021 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 6959.50 6426.98 35.713,35 2368.10 37.707,66 93.30

AG2 5890.54 2746.33 30.164,66 2320.49 34.498,90 2119.04

AG3 58.678,72 45.656,39 73.977,67 6226.47 89.725,23 8125.93

AG4 50.974,55 32.485,49 82.740,81 26.913,47 126.803,32 19.175,70

AG5 11.513,49 6490.68 23.162,27 6177.47 30.191,30 1184.77

AG6 564.394,03 157.084,75 306.320,07 56.257,34 380.245,03 19.933,23

AG7 58.861,34 65.726,43 146.021,20 10.854,67 171.778,36 19.145,63
AG8 98.358,55 17,516.04 73.239,48 20.374,91 93,827.02 1392.82

AG9 482.825,60 325.707,67 251.153,08 77.229,22 325.340,36 3736.54

AG10 9550.05 5181.8919,326.992240.4322,086.48 452.28

AG11 1.001.046,23 572.282,65 659.821,09 188.058,08 1.110.715,55 297.750,29

AG12 79.295,05 41.495,46 77.501,51 19.607,18 91.869,92 1187.91

AG13 11.638,77 6989.80 45.322,45 4294.41 52.375,75 2320.69

AG14 9847.05 8545.58 7994.45 257.41 8973.87 624.35

axiomas2021,10, 90 12 de 18

Tabla 11.Datos en 2022 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 6585.52 6298.56 39.775,18 2478.33 41.498,62 59.84

AG2 6112.46 2684.18 39.807,13 2869.70 44.764,38 2640.26

AG3 66.638,47 55.776,62 74.990,30 6452.33 91.877,76 9181.31

AG4 59.791,69 42.413,67 92.009,30 32.171,44 146.993,67 32.134,80

AG5 12.101,17 6720.80 24.668,70 6568.37 31.979,21 1233.19

AG6 659.614,71 172.739,05 332.859,32 69.360,89 420.404,56 23.414,00

AG7 56.426,31 84.800,36 147.321,39 11.766,06 176.711,25 26.576,28
AG8 125.672,85 19,356.06 81.729,88 23.282,94 104.241,18 1260.90

AG9 467.237,30 314.504,08 251.488,51 78.814,92 329.598,85 2401.86

AG10 10.486,26 5220.76 20.224,10 2432.65 23.190,84 459.21

AG11 1.084.016,23 600.381,89 790.949,96 192.678,42 1.301.207,70 384.946,22

AG12 95.678,25 50.267,38 119.471,83 31.731,94 135.726,46 928.99

AG13 13.073,83 7599.19 48.209,37 4627.85 55.936,11 2604.77

AG14 9651.72 8723.73 6085.79 186.20 6892.24 570.58

Tabla 12.Datos en 2023 (Unidad: 1000 USD).

AG IP1 IP2 IP3 IP4 OP1 OP2

AG1 6231.65 6172.71 44.298,99 2593.69 45.670,71 38.38

AG2 6342.74 2623.43 52.531,93 3548.88 58.084,44 3289.69

AG3 75.677,96 68.140,11 76.016,80 6686.39 94.081,93 10.373,77

AG4 70.133,95 55.376,09 102.316,03 38.456,63 170.398,85 53.851,76

AG5 12.718,85 6959.08 26.273,10 6984.01 33,873.00 1283.58

AG6 770.900,37 189.953,38 361.697,91 85.516,53 464.805,54 27.502,58

AG7 54.092,03 109.409,57 148.633,15 12.753,97 181.785,80 36.890,87
AG8 160.572,37 21.389,38 91.204,54 26,606.02 115.811,25 1141.47

AG9 452.152,28 303.685,87 251.824,39 80.433,18 333.913,08 1543.93

AG10 11.514,25 5259.92 21.162,86 2641.37 24.350,43 466.25

AG11 1.173.863,06 629.860,82 948.138,59 197.412,27 1.524.370,01 497,677.40

AG12 115.446,40 60.893,65 184.170,82 51.354,47 200.519,08 726.51

AG13 14,685.858261.7051,280.194987.1759,738.50 2923.62

AG14 9460.26 8905.58 4632.81 134.69 5293.48 521.43

Es importante evaluar los resultados del pronóstico. La precisión del pronóstico no solo refleja la
elección del método correcto sino que también afecta directamente los resultados de una decisión. En
este estudio, el MAPE se utilizó para evaluar la precisión de los pronósticos y se muestra en la Tabla13.
Mesa13indicó que el valor de pronóstico de los AG es bueno porque el promedio MAPE de los
14 AG es 3.64 % (menos del 10 %), lo que confirma que el modelo GM (1,1) es adecuado en este
caso de estudio. Por lo tanto, esto significa que los resultados en las Tablas9–12tener buena
confiabilidad.
axiomas2021,10, 90 13 de 18

Tabla 13.resultados MAPA.

AG MAPA (%) AG MAPA (%)

AG1 6.67 AG8 3.17
AG2 5.61 AG9 3.71
AG3 3.70 AG10 5.18
AG4 1.73 AG11 2.89
AG5 0,96 AG12 5.18
AG6 2.76 AG13 1.51
AG7 2.49 AG14 5.38
Promedio de 14 AG 3.64

4.2. correlación de Pearson

El estándar de los modelos DEA convencionales no se puede emplear con datos negativos. En
este documento, el Super-SBM se emplea para mostrar que se puede proporcionar una
clasificación de eficiencia para cada unidad eficiente en comparación con otras DMU. Antes de
analizar la DEA, es importante asegurarse de que la relación entre entradas y salidas sea isotrópica
[30]. En este estudio, los autores utilizaron el análisis de correlación de Pearson para ver si
nuestros datos eran consistentes con la suposición de la DEA. El coeficiente de correlación es
siempre de (−1) a (+1). Cuando el coeficiente de correlación está cerca (+/−1), la relación es cercana
a la relación lineal perfecta.
Los resultados en la Tabla14muestran que una correlación altamente positiva cumple
con la condición previa del modelo DEA y puede usarse para el análisis de los cálculos DEA.

Tabla 14.Correlación de entradas y salidas.

IP1 IP2 IP3 IP4 OP1 OP2 IP1 IP2 IP3 IP4 OP1 OP2
2016 2017
IP1 1,00 0,99 0,84 0,97 0,91 0,99 1,00 0,99 0,94 0,95 0,97 0,88
IP2 0,99 1,00 0,78 0,97 0,88 0,99 0,99 1,00 0,89 0,96 0,94 0,89
IP3 0,84 0,78 1,00 0,81 0,97 0,80 0,94 0,89 1,00 0,85 0,97 0,78
IP4 0,97 0,97 0,81 1,00 0,93 0,99 0,95 0,96 0,85 1,00 0,95 0,98
OP1 0.91 0.88 0.97 0,93 1,00 0,90 0,97 0,94 0,97 0,95 1,00 0,91
OP2 0.99 0.99 0.80 0.99 0,90 1,00 0,88 0,89 0,78 0,98 0,91 1,00
2018 2019
IP1 1,00 0,98 0,97 0,93 0,96 0,80 1,00 0,98 0,97 0,96 0,97 0,84
IP2 0,98 1,00 0,93 0,94 0,94 0,81 0,98 1,00 0,93 0,98 0,95 0,85
IP3 0,97 0,93 1,00 0,90 0,97 0,79 0,97 0,93 1,00 0,93 0,98 0,83
IP4 0,93 0,94 0,90 1,00 0,97 0,95 0,96 0,98 0,93 1,00 0,98 0,93
OP1 0,96 0,94 0.97 0.97 1,00 0,91 0,97 0,95 0,98 0,98 1,00 0,92
OP2 0.80 0.81 0.79 0,95 0,91 1,00 0,84 0,85 0,83 0,93 0,92 1,00

4.3. Alianza de Análisis

4.3.1. Análisis antes de Alianza
Los resultados provienen del Super SBM-IV utilizando los datos reales de 2019 para evaluar la
situación comercial de todas las DMU antes de las alianzas. Este resultado será la base para que
seleccionemos la DMU objetivo (los resultados se presentan en la Tabla15).
axiomas2021,10, 90 14 de 18

Tabla 15.Clasifica y puntúa antes de las alianzas.

Rango Código Puntaje

1 AG14 1.9101

2 AG7 1.8966

3 AG2 1.7952

4 AG6 1.5029

5 AG4 1.4183

6 AG13 1.3195

7 AG5 1.1853

8 AG1 1.0933

9 AG3 1.0424

10 AG11 1.0000

11 AG10 0.8770

12 AG8 0.7690

13 AG9 0.6228

14 AG12 0.5817

4.3.2. Análisis después de la Alianza

Aquí, según la puntuación y la clasificación de todos los AG en 2019, los autores establecieron AG10
(Mechanics Construction and Foodstuff Joint–StockCompany, Tan An City, Vietnam) como AG objetivo
para la alianza estratégica. En 2019, AG10Puntuación= 0,8770 < 1; AG10Rango= 11 (11/14 AG). Esto demuestra
un resultado inadecuado en sus negocios en este año. Por lo tanto, deberían mejorar la eficiencia a
través de modelos de alianza en el futuro. Para implementar nuestra investigación empírica, los autores
combinan AG10con el resto de los AG y utilice el modelo Super-SBM (DEA-Solver Pro 8.0) para calcular 27
AG. La puntuación y clasificación de todos los AG y alianzas virtuales se muestran en la Tabladieciséis.

Tabla 16.Ranking de rendimiento de virtual.

Código Puntaje Rango Código Puntaje Rango

AG2 1.7952 1 AG6 0.9585 15

AG14 1.7709 2 AG3+ AG10 0.9475 dieciséis

AG7+ AG10 1.1869 3 AG10 0.8770 17

AG5 1.1853 4 AG2+ AG10 0.8213 18
AG13 1.1753 5 AG1+ AG10 0.8020 19
AG6+ AG10 1.1190 6 AG8+ AG10 0.7947 20
AG4+ AG10 1.1147 7 AG5+ AG10 0.7835 21
AG4 1.1112 8 AG8+ AG10 0.7690 22
AG1 1.0933 9 AG8 0.6754 23
AG7 1.0604 10 AG14+ AG10 0.6303 24
AG3 1.0363 11 AG9+ AG10 0.6067 25
AG13+ AG10 1.0329 12 AG12+ AG10 0.6063 26
AG11 1.0133 13 AG12 0.5817 27
AG11+ AG10 1.0000 14

En esta investigación, AG10se configura como la empresa objetivo, que ocupó el puesto 11 en
comparación con las otras 14 AG en 2019. AG10, fundada en 2005, es ahora un proveedor de
axiomas2021,10, 90 15 de 18

insumos de combustibles a empresas productoras de alimentos líderes en el país con alta participación
de mercado y crecimiento. AG10tiene su sede en el centro de las provincias arroceras del sureste, por lo
que tiene la ventaja de comprar arroz barato y de alta calidad en la región. Además, AG10es también una
empresa especializada en la fabricación, procesamiento, importación y exportación, así como el
consumo interno de productos alimenticios, productos agrícolas, empaques de todo tipo, maquinaria de
procesamiento de alimentos, comercio de bienes y servicios de transporte.
Con base en los resultados de la Tabladieciséis, la combinación de AG10y otras empresas de agroprocesamiento
se divide en dos grupos principales de la siguiente manera:
Grupo 1: Este grupo es una alianza entre AG10y empresas que procesan y producen
productos agrícolas que traen buenos efectos a las partes al unirse a la alianza. Las empresas
de este grupo muestran que la alianza en este período crea la fuerza para las empresas y
asegura el suministro de materias primas, asegura el consumo de productos de salida para
las empresas y crea una estrecha cohesión de todas las partes en la cadena de suministro de
la fabricación y procesamiento de productos agrícolas. Este grupo incluye las siguientes
combinaciones: AG7+AG10, AG6+AG10, AG4+AG10, AG13+AG10, AG11+AG10
(como se muestra en la Tabla17).

Tabla 17.La cooperativa de las buenas alianzas.

AG objetivo10 Combinación virtual

Combinación virtual Diferencia (1)–(2)
Clasificación (1) Clasificación (2)

AG7+ AG10 17 3 14
AG6+ AG10 17 6 11
AG4+ AG10 17 7 10
AG13+ AG10 17 12 5
AG11+ AG10 17 14 3
AG3+ AG10 17 dieciséis 1

Grupo 2:En este grupo, hay siete AG combinados con AG10; ningún progreso sucede
después de esta alianza. Por lo tanto, estas combinaciones no serán una prioridad al
seleccionar socios de alianzas estratégicas en el futuro. Este grupo incluye AG2+ AG10, AG1+
AG10, AG8+ AG10, AG5+ AG10, AG14+ AG10, AG9+ AG10y AG12+ AG10, que se muestran en la
Tabla18.

Tabla 18.Las alianzas inapropiadas.

AG objetivo10 vir Combinación tual

Combinación virtual Diferencia (1)–(2)
Clasificación (1) Clasificación (2)

AG2+ AG10 17 18 −1
AG1+ AG10 17 19 −2
AG8+ AG10 17 20 −3
AG5+ AG10 17 21 −4
AG14+ AG10 17 23 −6
AG9+ AG10 17 24 −7
AG12+ AG10 17 26 −9

4.4. Selección de alianza de socios

Los resultados de las tablasdieciséisy17Mostrar AG7+ AG10, AG6+ AG10, AG4+ AG10,
AG13+ AG10y AG11+ AG10ser un buen resultado. Sin embargo, no todas estas empresas
están dispuestas a cooperar y tener una alianza con AG.10, ya que depende de muchos
otros factores, como el producto y sector de actividad de las empresas que
axiomas2021,10, 90 16 de 18

no son realmente adecuados con AG10. En particular, AG6(Grupo Dabaco, Bac Ninh, Vietnam),
RangoAG6= 4, PuntuaciónAG6= 1.5029 se muestra como una alianza con AG10y dar un buen
efecto.
el AG6(Dabaco Group) es una corporación multidisciplinaria, en la que los principales sectores son la producción de
alimentos para animales, la cría de ganado, las aves de corral y el procesamiento de alimentos. El Grupo Dabaco es una de las
diez fábricas de piensos más grandes de Vietnam. Actualmente, el Grupo Dabaco cuenta con seis fábricas de alimentos con una
capacidad total de 85 toneladas por hora, una de las cuales se especializa en la producción de alimentos para peces.

Así, en la cadena de suministro (Figura7): AG10es ahora un proveedor de combustibles de entrada a las
principales empresas productoras de alimentos del país con una alta participación de mercado y crecimiento. Cuando
tiene una estrategia de alianza con AG6, se convierte en el proveedor de combustibles de entrada para AG6, reduciendo
los costos intermedios y la reducción de los costos de producción. De hecho, la última vez que los mariscos El mercado
de exportación se enfrentaba a muchas dificultades, como la constante fluctuación de los precios de las materias
primas y una producción muy limitada, el vínculo entre AG6y AG10en la cadena de suministro se convirtió en la solución
óptima. Por un lado, ofrece un proveedor estable, de buena calidad y bajo costo. El otro lado ofrece una enorme base
de consumidores. Por lo tanto, aplicar una estrategia de alianza aumentará las ventas y las ganancias como mejores
oportunidades de crecimiento. Una vez que los insumos ganaderos estables ayuden a estabilizar la producción y
aumentar la productividad, ambas partes podrán no solo mejorar la calidad de sus productos, sino también alcanzar los
objetivos comerciales y el desarrollo sostenible.

Figura 7.La cadena de suministro básica (Adaptado de:https://www.mdpi.com/2071-1050/11/20/5751[31], consultado el 26 de junio de 2020).

Así, AG6+AG10deben incorporar en el futuro para mejorar su eficiencia empresarial. Por lo tanto,
esta cooperativa de alianza será la primera prioridad al elegir una cooperativa de alianza. Esta asociación
ha apoyado a las empresas a cooperar para fabricar nuevos productos con costos razonables y ayudar a
las empresas a participar en coaliciones para superar las dificultades comerciales más fácilmente,
promoviendo así la venta de sus bienes. En producción real, la implementación de la alianza entre AG6y
AG10ayudará a garantizar que la situación de producción sea ininterrumpida. AG10será un proveedor
completo de materias primas clave para AG6, ayudando a AG6
estabilizar la situación de producción y mejorar la eficiencia comercial para el negocio. Por su
parte AG10garantizará entonces la salida para las empresas fortaleciendo así su posición en
el mercado. Por tanto, esta alianza facilita a los negocios alcanzar los objetivos estratégicos
de cada negocio.
En una nueva era de globalización, la alianza es una estrategia inteligente; cuando la
competitividad se vuelve más feroz, ayuda a las empresas a reducir el riesgo y penetrar en el
mercado más fácilmente. Sin embargo, hacer que la alianza estratégica sea exitosa es un gran
desafío. Para las empresas que desean aumentar los beneficios operativos, la alianza estratégica
no es la única opción. La implementación de una alianza estratégica puede conducir a una menor
competitividad o convertir grandes empresas en negocios más grandes o incluso más pequeños.
Para las empresas que poseen activos fijos, no se garantiza que los costos operativos y de capital
posean una mayor eficiencia. Las empresas quieren ganar competitividad; por lo tanto, no es
necesario hacer una alianza con las mejores empresas de la industria. Las pequeñas empresas
quieren formar alianzas estratégicas con grandes empresas;

5. Conclusiones
Esta investigación proporciona soluciones para determinar la selección de socios en una cadena de
suministro. Se utilizaron modelos híbridos DEA y GM (1,1) para ayudar a las empresas a determinar la selección
de socios en una cadena de suministro para su empresa. La solución elegida era adecuada y buena para que las
empresas estratégicas aprovecharan al máximo sus objetivos comerciales y posiblemente explotaran las
oportunidades del entorno, abordaran los desafíos y aprovecharan la capacidad.
axiomas2021,10, 90 17 de 18

de la industria agrícola en Vietnam. Los gerentes pueden confiar en los resultados del estudio para determinar
decisiones estratégicas generales para sus negocios; los ministerios de industria y comercio también pueden utilizar los
resultados de la investigación para desarrollar estrategias adecuadas para que la industria de alimentos y bebidas se
desarrolle perfectamente en la modernización y la sostenibilidad, produciendo así productos básicos a gran escala
sobre la base de la promoción de las ventajas comparativas; aplicar la ciencia y la tecnología para aumentar la
productividad, la calidad, la eficiencia y la competitividad; garantizar firmemente la seguridad alimentaria nacional tanto
de forma inmediata como a largo plazo; satisfacer diversas necesidades de bienes nacionales y de exportación; mejorar
la eficiencia en el uso de la tierra, el agua, la mano de obra y el capital; y elevar los ingresos y el nivel de vida de los
trabajadores.
Los resultados de este estudio muestran que la combinación de un modelo Híbrido DEA y GM
(1,1) puede ayudar a las empresas que producen y procesan productos agrícolas en Vietnam a
elegir el socio adecuado para superar el período afectado por COVID-19 y garantizar un futuro
desarrollo sostenible.
En cuanto a las limitaciones de este estudio, de hecho, hay muchos otros factores de la cadena de
suministro que afectan las alianzas, a saber: factores climáticos, factores estacionales, políticas
gubernamentales. Otra limitación es que el estudio solo se enfoca en modelos cuantitativos.
De hecho, es necesario profundizar en este estudio, en combinación con estos factores y
otros modelos cuantitativos, para brindar a los inversores una visión más integral, ayudándolos a
tomar las decisiones correctas y desarrollar adecuadamente sus negocios y desarrollo social y
económico.

Fondos:Esta investigación no recibió financiación externa.

Declaración de la Junta de Revisión Institucional:No aplica.

Declaración de consentimiento informado:No aplica.

Declaración de disponibilidad de datos:Datos disponibles en un repositorio de acceso público.

Conflictos de interés:Los autores declaran no tener conflicto de intereses.

Referencias
1. Oficina General de Estadística. Informe de Situación Económica y Social del IV Trimestre y 2020. Disponible en línea:https://www.gso.gov. vn/
(consultado el 10 de mayo de 2021).
2. Dong Son. Más de 38 mil millones de dólares invertidos en Vietnam. Disponible en linea:https://doisong.vn/(consultado el 26 de junio de 2020).
3. Informe de la industria de procesamiento de producción de alimentos y bebidas y propuesta de expansión para otorgar crédito al sector en Lienviet
Postbank. Disponible en linea:http://research.lienvietpostbank.com.vn(consultado el 26 de junio de 2020).
4. Los supermercados en Vietnam se duplicarán en los próximos 5 años. Disponible en linea:http://nhipcaudautu.vn(consultado el 27 de junio de 2020).
5. Castro-Karney, BW Reformulación de alimentos reales con cadenas de suministro. Disponible en linea:https://cursos.washington.edu/(consultado el 27 de
junio de 2020).
6. Kauser, S.; Shaw, V. Alianzas Estratégicas Internacionales: Objetivos, motivos y éxito.J. Globo. Marca.2004,17, 7–43. [Referencia cruzada]
7. Wang, C.-N.; Lee, Y.-R. Modelo de aplicación de GM (1, 1) y DEA para alianza estratégica en Taiwán. En Actas de la Octava Conferencia Internacional
sobre Diseño y Aplicaciones de Sistemas Inteligentes de 2008, Kaohsiung, Taiwán, 26–28 de noviembre de 2008.
8. Tsai, LC; Nan, HS; Ho, CC Un modelo de pronóstico de análisis envolvente de datos Integrar GM(1,1) con el modelo CCR.Sistema J. Gray.
2009,21, 337–350.
9. Wang, CN; Nguyen, XT; Wang, YH Selección de socios de alianza estratégica de la industria del automóvil: la aplicación de un modelo híbrido DEA y
teoría gris.Sustentabilidad2016,8, 173. [Referencia cruzada]
10. Wang, CN; Nguyen, HK Mejora de la calidad del desarrollo urbano en función de los resultados de la evaluación del rendimiento eficiente de los inversores:
un estudio de caso en Vietnam.Sustentabilidad2017,9, 1397. [Referencia cruzada]
11. Wang, CN; Nguyen, XT; Le, TD; Hsueh, MH Un enfoque de selección de socios para alianzas estratégicas en la industria aeroespacial y de defensa global.J.
Transporte Aéreo Administrar2018,69, 190–204. [Referencia cruzada]
12. Wang, CN; Ho, HXT; Luo, SH; Lin, TF Un enfoque integrado para evaluar y seleccionar proveedores de logística ecológica para el
desarrollo sostenible.Sustentabilidad2017,9, 218. [Referencia cruzada]
13. Wang, CN; Tsai, TT; Huang, YF Un modelo para optimizar la selección de ubicaciones para centrales eléctricas de energía de biomasa.Procesos2019,7,
353. [Referencia cruzada]

14. Weidong, F.; Jian, C.; Chunjun, Z. Proceso de selección de socios y modelo de optimización para corporaciones virtuales basado en algoritmos genéticos.
Ciencia de Tsinghua. Tecnología2000,2000, 10.
15. Chang, S.-L.; Wang, RC-C.; Wang, S.-Y. Aplicación del cuantificador lingüístico difuso para seleccionar socios de la cadena de suministro en diferentes fases del ciclo de
vida del producto.En t. J.Prod. economía2006,100, 348–359. [Referencia cruzada]
axiomas2021,10, 90 18 de 18

16. Ju-Long, D. Problemas de control de los sistemas grises.sist. Control. Letón.mil novecientos ochenta y dos,1, 288–294. [Referencia cruzada]

17. Xu, Q.; Xu, K. Análisis estadístico y predicción de accidentes fatales en la industria metalúrgica en China.En t. J. Medio Ambiente. Res. Salud pública
2020,17, 3790. [Referencia cruzada] [PubMed]
18. Rezić, I.; Kiš, A. Diseño del enfoque experimental para optimizar los tratamientos de telas hidrofóbicas.Polímeros2020,12, 2131. [Referencia cruzada] [
PubMed]
19. Hao, W.; Liu, F. Monitoreo de temperatura de ejes y análisis de predicción de redes neuronales para trenes de alta velocidad en operación. Simetría2020,12,
1662. [Referencia cruzada]
20. Manickam, S.; Barros, A. Análisis de mediciones de radar de apertura sintética de nieve en terreno complejo: comportamiento de escala y sensibilidad a la humedad de
la nieve y la cobertura del suelo.Sensores remotos2020,12, 483. [Referencia cruzada]
21. Kim, S.-K.; Yeun, CY Un sistema de colas versátil para operaciones de plataforma de economía colaborativa.Matemáticas2019,7, 1005. [Referencia
cruzada]
22. Li, P.; Liu, J.; Wei, C. Un método dinámico de toma de decisiones basado en el modelo GM(1,1) con números borrosos de Pitágoras para seleccionar
empresas de eliminación de desechos.Sustentabilidad2019,11, 5557. [Referencia cruzada]
23. Julong, D. Modelado de cinco pasos de Gray Systems. EnSistema Grejf; China Ocean Press: Pekín, China, 1998; págs. 91–102.
24. Julong, D. Introducción a la teoría del sistema gris.Sistema J. Gray.1989,1, 1–24.
25. Nguyen, H.-K. Combinación de modelos DEA y ARIMA para la selección de socios en la cadena de suministro de la industria de la construcción de Vietnam.
Matemáticas2020,8, 866. [Referencia cruzada]
26. Kaoru, T. Una medida de eficiencia basada en Slacks en el análisis envolvente de datos.EUR. J.Oper. Res.2001,130, 498–509.
27. Kaoru, T. Variaciones sobre el tema de la medida de eficiencia basada en holguras en DEA.EUR. J.Oper. Res.2010,200, 901–907.
28. Farrell, MJ La Medida de la Eficiencia Productiva.Estado JR. Soc. Ser. A1957,120, 253–290. [Referencia cruzada]
29. Estadísticas 2020. Oficina General de Estadísticas de Vietnam. Disponible en linea:https://www.gso.gov.vn(consultado el 27 de junio de 2020).
30. Le, T.-M.; Wang, C.-N.; Nguyen, H.-K. Uso del algoritmo de optimización para evaluar y predecir el desempeño comercial de las empresas de logística: un
estudio de caso en Vietnam.aplicación economía2020,52, 4196–4212. [Referencia cruzada]
31. Vanichchinchai, A. El efecto de la manufactura esbelta en la relación y el desempeño de la cadena de suministro.Sustentabilidad2019,11, 5751. [Referencia
cruzada]