8910 Traducido

Machine Translated by Google
Logística y Cadena de Suministro Más Limpias 8 (2023) 100116
Listas de contenidos disponibles en ScienceDirect
Logística y cadena de suministro más limpias
página de inicio de la revista: www.journals.elsevier.com/cleanerlogisticsandsupplychain
La evaluación y clasificación de soluciones para superar las barreras de la Industria 4.0 permitió la
adopción de una cadena de suministro de alimentos sostenible
b
Swapnil Lahane a,*, vishal paliwal , Ravi Kant b
a
Departamento de Ingeniería Mecánica, Facultad de Ingeniería de Marathwada Mitramandal, Karvenagar, Pune 411052, Maharashtra, India
b
Departamento de Ingeniería Mecánica, Instituto Nacional de Tecnología Sardar Vallabhbhai, Ichchhanath, Surat 395007, Gujarat, India
INFORMACIÓN DEL ARTÍCULO ABSTRACTO
Palabras clave: La industria alimentaria desempeña un papel importante en la economía y el PIB a pesar de tener muchos obstáculos como la seguridad
Industria 4.0 alimentaria, la seguridad alimentaria y las brechas de oferta y demanda. Por el contrario, la cadena de suministro de alimentos enfrenta
Cadena de suministro de numerosos desafíos, como la trazabilidad, el transporte y el envasado de los alimentos. La Industria 4.0 puede superar significativamente estos
alimentos Barreras
desafíos en la cadena de suministro de alimentos sostenible utilizando tecnologías como IoT, cadena de bloques, seguridad cibernética, etc. En
Soluciones
la India, la mayoría de las industrias alimentarias no logran implementar la Industria 4.0 debido a diversas barreras. Este estudio tiene como
AHP
EDAS
objetivo descubrir estas barreras críticas para permitir que la cadena de suministro de alimentos sostenible adopte la Industria 4.0 y proporcione
soluciones adecuadas. Utilizando el proceso de jerarquía analítica difusa de Pitágoras (PFAHP) y las metodologías de evaluación difusa
Conjuntos difusos pitagóricos
India pitagórica basada en la distancia de la solución promedio (PFEDAS), hemos proporcionado un marco híbrido para que el estudio priorice las
soluciones para superar las barreras de la industria. 4.0 permitió una cadena de suministro de alimentos sostenible. Los pesos relativos de cada
barrera se determinan mediante la técnica PFAHP y se prioriza la solución de estas barreras mediante el método PFEDAS. Se considera que
el estudio de caso de la industria alimentaria india demuestra la aplicabilidad del marco propuesto. El hallazgo de esta investigación revela que
las barreras basadas en aspectos "organizativos", "estratégicos" y "sociales" han obstaculizado la adopción de la cadena de suministro de
alimentos habilitada por la Industria 4.0 y su influencia negativa es de aproximadamente más del 50 % en la implementación eficiente de la
Industria 4.0. cadena de suministro de alimentos habilitada. La mala percepción de la alta dirección sobre la digitalización y la falta de voluntad
para adoptar la Industria 4.0 que permitió una cadena de suministro de alimentos sostenible son las barreras más críticas, mientras que el
compromiso y el apoyo de la alta dirección es la solución más vital seguida por el gobierno para proporcionar subsidios financieros y alivio fiscal.
Este estudio ayudará a la empresa y a los profesionales industriales a desarrollar estrategias para implementar eficientemente la Industria 4.0 en
la cadena de suministro de alimentos para lograr la sostenibilidad. Los resultados de este estudio actúan como un trampolín y ayudan a sobresalir
en las diversas misiones del gobierno de la India con respecto a Swachh Bharat Abhiyan y Clean Digital India.
2021). Sin embargo, incorporar algunas de las características y componentes de la
Industria 4.0 en el negocio alimentario podría garantizar una gestión eficaz y a largo plazo
1. Introducción
de la cadena de suministro.
El crecimiento de los componentes de la Industria 4.0 tiene una influencia beneficiosa
La comida es una de las necesidades básicas de los seres humanos y la cadena de significativa en la gestión de la cadena de suministro de procesamiento de alimentos y
suministro de alimentos es importante para el bienestar de la sociedad humana (Khan et aumenta la sostenibilidad (Khan et al., 2023; Saetta & Caldarelli, 2020). Las nuevas
al., 2023; Ghosh et al., 2022; Kayikci et al., 2022). Sin embargo, proporcionar alimentos tecnologías, como la computación en la nube, Blockchain y el Internet de las cosas (IoT),
a la enorme población mundial de manera sostenible es una tarea desafiante (Neusel y también se están utilizando cada vez más, con importantes implicaciones para la
Hirzel, 2022; Yang y Gu, 2021). Ya hemos llegado a una etapa en la que el consumo de sostenibilidad de la cadena de suministro. IoT permite recopilar e intercambiar datos en
recursos naturales es un 30% mayor que la capacidad de la naturaleza para reponerlos. tiempo real, lo que mejora la comunicación, colaboración y coordinación de la cadena de
Debido a las complejidades de la producción de alimentos, como la seguridad alimentaria, suministro. Además, la Internet de las cosas y la utilización de tecnologías de sensores
el desperdicio de alimentos y la seguridad alimentaria, gestionar la producción sostenible ayudan a cerrar la brecha entre la oferta y la demanda y mejorar la calidad de los
a través de la transformación del suministro es fundamental en la industria de fabricación alimentos y la seguridad (Morella et al., 2021).
de alimentos (Patidar et al., 2023; Amentae & Gebresenbet,
* Autor correspondiente.
Dirección de correo electrónico: swapnillahane03@gmail.com (S. Lahane).
https://doi.org/10.1016/j.clscn.2023.100116 Recibido el 1
de diciembre de 2022; Recibido en forma revisada el 28 de junio de 2023; Aceptado el 30 de junio de 2023 Disponible en
línea el 1 de julio de 2023
27723909/© 2023 El(los) autor(es). Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo la licencia CC BYNCND (http://creativecommons.org/licenses/by ncnd/4.0/).
S. Lahane y col. Logística y Cadena de Suministro Más Limpias 8 (2023) 100116
Nomenclatura sik Matriz multiplicativa de intervalos calificada por késimos expertos

SikL Matriz multiplicativa de intervalos de dikL
MCDM Toma de decisiones multicriterio Siku Matriz multiplicativa de intervalos de dikU
IoT Internet de las Cosas S Matriz multiplicativa de intervalos
IFS Conjunto difuso intuicionista τik Valor de determinación de los atributos calificados por késimos expertos
PFS Conjunto borroso pitagórico τ Valor de determinación de la matriz de comparación por pares
Proceso de jerarquía analítica difusa pitagórica PFAHP tik Ponderaciones no normalizadas de atributos calificados por késimos expertos
Evaluación difusa pitagórica de PFEDAS basada en la distancia desde t Pesos no normalizados de la matriz de comparación por pares
solución promedio mk Grado de función de membresía proporcionada por la késima decisión
yo
pene º th
Promedio difuso pitagórico creadores en la evaluación de i alternativa en relación con j
PFA Matriz de diferencias entre grado de membresía y función de no membresía criterios.
calificada por késimos expertos kk Grado de función de no membresía proporcionada por kth
yo
º
dikl Matriz de diferencias entre puntos inferiores de una función de membresía tomadores de decisiones sobre la evaluación de i alternativa en
y no membresía th criterios
relación con j
diku Matriz de diferencias entre los puntos superiores de una función de PDA Promedio de distancia positiva
membresía y de no membresía μ+ y μ− NDA Promedio de distancia negativa
Límite superior e inferior de la función de membresía υ+ y υ− Límite superior e inferior
de la función de no membresía
La tecnología blockchain también ha avanzado en los últimos años. Se trabaja en una base debido a la falta de calidad del procesamiento y embalaje, sistemas de transporte y distribución
de datos de registros distribuidos en forma de bloques cifrados de todos los eventos o insuficientes e instalaciones y procedimientos de almacenamiento inadecuados a lo largo de
transacciones digitales que han ocurrido, que pueden compartirse y confirmarse en cualquier la cadena de suministro de alimentos sostenible. La falta de un sistema de seguimiento de
momento en el futuro (Kouhizadeh et al., 2021). Si bien la tecnología Blockchain se originó alimentos en una organización también provoca el desperdicio de alimentos y crea problemas
con Bitcoin, un sistema de pago electrónico entre pares, ahora se utiliza en diversas industrias, de desarrollo insostenible. Para abordar los siguientes desafíos, la Industria 4.0 podría ser un
incluidas la atención médica, las ciudades inteligentes y la agroalimentación (Vu et al., 2021) . componente crucial en la remodelación del diseño, la distribución y la planificación de la
La cadena de suministro se beneficia de Blockchain cinco de varias maneras: trazabilidad, cadena de suministro utilizando tecnologías completamente automatizadas como Blockchain
continuidad de la información, seguridad de la información y relación entre la información y el e IoT, etc.
flujo de materiales (Patidar et al., 2023; Ojo et al., 2020). A medida que aumenta la conciencia (Latino et al., 2022; Vivaldini, 2021). La Industria 4.0 no solo mejorará la seguridad alimentaria
de los clientes y están más preocupados por la sostenibilidad del producto, una organización sino que también ayudará a entregar alimentos sostenibles de alta calidad en menos tiempo.
debe cambiar su enfoque de creación de valor. Para estos, la organización comenzó a Latino et al. (2022) realizaron un análisis bibliométrico en el campo de la digitalización de la
orientar su negocio hacia la digitalización y construir alianzas con el agricultor para trabajar en agricultura. Por ejemplo, Blockchain se puede utilizar en la trazabilidad de los alimentos para
prácticas sostenibles (Ghosh et al., 2023a). Los objetivos de desarrollo sostenible se centran garantizar que los alimentos se entreguen a los clientes antes de que se echen a perder.
en los sistemas alimentarios. El amplio alcance de los objetivos de desarrollo sostenible Utilizando diferentes tecnologías, podemos mejorar la productividad y hacer que la cadena de
requiere metodologías holísticas que incluyan análisis de sostenibilidad alimentaria suministro de alimentos sostenible funcione con éxito de la misma manera. El uso eficaz de la
previamente aislados. Por lo tanto, estos aspectos de la cadena de suministro de alimentos Industria 4.0 puede minimizar el desperdicio de alimentos y ayudar a que el proceso de la
ayudan a otros sectores como la cadena de suministro agroalimentaria, el químico, el cadena de suministro sea más fluido y eficiente. Esto se puede utilizar para pronosticar con
automóvil, la minería, los textiles y el farmacéutico a lograr los objetivos de desarrollo precisión la demanda y reducir la complejidad en la comunicación con los diferentes
sostenible en la gestión de toda la cadena de suministro (Mohseni et al., 2022) . El uso de la proveedores en todo el mundo. Alrededor del 70% de las industrias alimentarias de la India
Industria 4.0 puede impactar positivamente la cadena de suministro de alimentos sostenible son pequeñas y medianas empresas (PYME) que carecen de la implementación de la Industria
en el ecosistema. Es permitiendo una mayor flexibilidad ecológica (Guo et al., 2021). Con los 4.0 debido a limitaciones financieras, apoyo administrativo u otras razones.
rápidos cambios en las necesidades y perspectivas de los clientes, la revolución tecnológica
ha logrado avances significativos con el tiempo. Todo comenzó con la primera evolución La falta de conciencia sobre los beneficios de la Industria 4.0 que permitió una cadena de
tecnológica, donde para la fabricación de componentes mecánicos se utilizaba agua y vapor. suministro de alimentos sostenible conduce a la falta de implementación de estas tecnologías.
Además, la segunda revolución industrial, que comenzó a principios del siglo XX, hizo Además de varias ventajas de la adopción de una cadena de suministro de alimentos
hincapié en la línea de montaje y la producción en masa de mercancías mediante el uso de sostenible para los objetivos de desarrollo sostenible, todavía enfrenta desafíos y obstáculos
electricidad (Philbeck y Davis, 2019). En la década de 1970 comenzó la tercera revolución en la práctica real. Por lo tanto, esta investigación tiene como objetivo identificar desafíos
industrial, centrándose en el uso de robots industriales, seguridad de la información y sistemas críticos para la adopción de la Industria 4.0 en la cadena de suministro de alimentos sostenible
electrónicos para automatizar las unidades de producción. Nos encontramos ahora en la y brindar una solución para superarlos. Esta investigación ayudará a la organización a tomar
cuarta revolución industrial, a menudo conocida como Industria 4.0, que ha provocado un conciencia sobre las tecnologías de la Industria 4.0 y sus beneficios. Además, pueden
cambio de paradigma en las CS actuales (Ojo et al., 2018). identificar los desafíos críticos que pueden encontrar al implementar la Industria 4.0 en su
organización y conocer las soluciones que pueden ser útiles para superar la mayoría de los
desafíos. Los objetivos deben ser precisos y alineados con los motivos de su investigación
para trabajar en cualquier investigación (Rana et al., 2021).
Este trabajo de investigación tiene como objetivo encontrar barreras y soluciones para la
1.1. Motivos y objetivos de la investigación. adopción de la Industria 4.0 en el contexto de la cadena de suministro de alimentos sostenible. Las
siguientes Preguntas de investigación (PI) se pueden formular con base en los motivos de
investigación anteriores.
La seguridad alimentaria es uno de los desafíos globales más importantes en la actualidad,
debido a diversas causas económicas, ambientales y políticas.
Debido a la reciente pandemia de COVID19, ha habido un aumento de las preocupaciones Pregunta 1: ¿Cuáles son las barreras clave en la implementación de la Industria 4.0 que
sobre la seguridad alimentaria, especialmente en las regiones pobres y desarrolladas. Según permitió la gestión sostenible de la cadena de suministro de alimentos?
investigaciones recientes, el 13% de la producción mundial de alimentos se desperdicia antes RQ2: ¿Cuáles son las soluciones eminentes para superar estas barreras?
de llegar a los comerciantes (MichelVillarreal et al., 2021). Este desperdicio puede ser
2
Pregunta 3: ¿Qué se puede hacer para analizar y priorizar estas barreras y soluciones superar las barreras críticas. El artículo de investigación analiza la identificación de las
identificadas? barreras críticas para la habilitación de la Industria 4.0 y la clasificación de las soluciones
para superar estas barreras.
Se han desarrollado los siguientes objetivos de investigación (RO) para responder a las Este documento está estructurado de la siguiente manera: en la Sección 2 se describe
preguntas de investigación anteriores: una revisión de la literatura sobre las barreras y su solución para la adopción de la Industria 4.0 .
Además, la Sección 3 presenta una metodología de investigación adoptada en este estudio.
RO1: Conocer las barreras críticas en la implementación de la Industria 4.0 que permitió A continuación, la Sección 4 consiste en la aplicación empírica del marco propuesto. Después
una gestión sostenible de la cadena de suministro de alimentos. de eso, la Sección 5 presenta el resultado y la discusión. Las implicaciones gerenciales del
RO2: Identificar y ofrecer una solución a las barreras de la Industria 4.0 permitió la estudio se presentan en la Sección 6. La Sección 7 concluye la investigación.
adopción de una cadena de suministro de alimentos sostenible.
RO3: Lograr la solución dominante que reduzca el impacto de las barreras máximas para
implementar la Industria 4.0 permitiendo una cadena de suministro de alimentos sostenible. 2. Revisión de la literatura
Se realiza una revisión de la literatura para tener una idea básica sobre la investigación y
Para lograr estos objetivos, se realizan revisiones de la literatura para identificar las saber qué trabajo se ha realizado hasta el momento. En este trabajo de investigación, hemos
barreras importantes para la implementación de la Industria 4.0 en las industrias de la cadena utilizado una técnica de revisión sistemática de la literatura (SLR) para encontrar trabajos
de suministro de alimentos sostenibles. Se utiliza un marco híbrido que utiliza los métodos literarios sobre las barreras y las soluciones para permitir la Industria 4.0 en las industrias
PFAHP y PF EDAS, donde el método PFAHP examina las barreras y utiliza una comparación alimentarias. Esta investigación sigue los pasos de la SLR basados en los elementos de
por pares para determinar los pesos relativos y el enfoque PFEDAS clasifica las soluciones informe preferidos para revisiones sistemáticas y la técnica de metanálisis (PRISMA) (Latino
dominantes que ayudan. et al., 2022; Lahane y Kant, 2021). Es
Paso 1: Identificación
1. Paso 2: Detección
Paso 3: Elegibilidad
Paso 4: Incluido
Fig. 1. Diagrama de flujo PRISMA para la revisión sistemática de la literatura (Fuente: Latino et al., 2022; Tranfield et al., 2003).
3
Se utiliza principalmente para encontrar trabajos literarios sobre las barreras y las soluciones
para permitir la Industria 4.0 en las industrias alimentarias. El primer paso es la selección de
materiales a través de una base de datos conocida como proceso de recolección de
2
+ 2
materiales. Este estudio utiliza la base de datos Scopus para la búsqueda de artículos. Se
utilizan las siguientes cadenas de palabras clave para la búsqueda de artículos: “Seguridad
alimentaria”, “Industria 4.0 y seguridad alimentaria”, “cadena de suministro de alimentos”,
“barreras en la cadena de suministro de alimentos”, “soluciones a las barreras en la cadena
de suministro de alimentos”, “Indian industria de alimentos". La filtración de las búsquedas
por palabras clave después de la duplicación de publicaciones resultó en 345 artículos. En
la segunda etapa determinamos los artículos más relevantes utilizando criterios de exclusión
mediante un proceso de selección. Los criterios de exclusión detallados se presentan en la
Fig. 1. Los artículos que no abordan la cadena de suministro de alimentos con la integración
+
de la Industria 4.0 también se eliminaron mediante un análisis abstracto. Además, los
artículos escritos en idioma inglés sólo se consideran para análisis. En total se eliminaron
105 artículos y quedaron 240 artículos para la verificación de elegibilidad. La tercera ronda
incluye los artículos basados en criterios de inclusión como materias como Ciencias de la
Decisión y Negocios, Ingeniería, Gestión y Contabilidad, Ciencias Ambientales, Informática.
De ellos, solo se consideraron los artículos que abordaban las cuestiones relacionadas con
la Industria 4.0 que permitieron la adopción de la cadena de suministro de alimentos.
Finalmente, se finalizaron 130 artículos que se consideraron relevantes para los objetivos
de la presente investigación.
Todo el proceso de selección de estudios se ilustra en la Fig. 1.
2.1. Desarrollo sostenible y cadena de suministro de alimentos
La alimentación es uno de los elementos esenciales y requerimiento más crítico de la Fig. 2. Comparación espacial entre los grados de membresía intuicionista y
vida humana para sobrevivir. La cadena de suministro de alimentos desempeña un papel pitagórica (Lahane y Kant, 2021).
vital en el suministro de alimentos a los consumidores. Debido al aumento de la población,
la demanda de alimentos aumentó enormemente y es un punto de preocupación para la La cadena ve presión para proporcionar alimentos higiénicos y seguros a todas las personas
cadena de suministro de las industrias alimentarias (Patidar et al., 2023; Khan et al., 2021). del planeta. Los desechos en la cadena de suministro de las industrias alimentarias plantean
La cadena de suministro de alimentos sostenible ve presión para proporcionar alimentos diversas preocupaciones ecológicas, sociales y económicas (Accorsi et al., 2022).
higiénicos y seguros a todas las personas del planeta. Los desechos en la cadena de El desperdicio de alimentos está relacionado con un gran impacto ambiental, ya que se
suministro de las industrias alimentarias plantean diversas preocupaciones ecológicas, vierten directamente a los vertederos sin reutilizarlos ni recuperarlos (Kayikci et al., 2022).
sociales y económicas (Accorsi et al., 2022). El desperdicio de alimentos está relacionado Según una encuesta sobre el desperdicio de alimentos de las Naciones Unidas (ONU), 1/3
con un gran impacto ambiental, ya que se vierten directamente a los vertederos sin de los alimentos comestibles producidos se desperdicia y alrededor de 1/3 de la población
reutilizarlos ni recuperarlos (Kayikci et al., 2022). Según una encuesta sobre el desperdicio de las Naciones Unidas no recibe una cantidad suficiente de alimentos y duermen sin
de alimentos de las Naciones Unidas (ONU), 1/3 de los alimentos comestibles producidos comida. El desperdicio mundial de alimentos arruina la economía en $936 mil millones
se desperdicia y alrededor de 1/3 de la población de las Naciones Unidas no recibe una según la perspectiva económica (Okorie et al., 2022). Debido a la corta vida útil y el carácter
cantidad suficiente de alimentos y duermen sin comida. El desperdicio mundial de alimentos perecedero de los productos alimenticios, se produce una cantidad significativa de residuos
arruina la economía en $936 mil millones según la perspectiva económica (Okorie et al., en cada etapa de la cadena de suministro, incluidos el envío, la cosecha, el procesamiento
2022). Debido a la corta vida útil y el carácter perecedero de los productos alimenticios, se y el consumo (Mangla et al., 2018). El desperdicio de alimentos en la cadena de suministro
produce una cantidad significativa de residuos en cada etapa de la cadena de suministro, alimentario sostenible tiene un impacto directo en el deterioro biológico, lo que conduce a la
incluidos el envío, la cosecha, el procesamiento y el consumo (Mangla et al., 2018). El pobreza y la inseguridad alimentaria, así como a la economía global. Por lo tanto, una
desperdicio de alimentos en la cadena de suministro alimentario sostenible tiene un impacto reciente cadena de suministro de alimentos sostenible plantea numerosos desafíos para el
directo en el deterioro biológico, lo que conduce a la pobreza y la inseguridad alimentaria, desarrollo sostenible (Mohseni et al., 2022).
así como a la economía global. Por lo tanto, una reciente cadena de suministro de alimentos
sostenible plantea numerosos desafíos para el desarrollo sostenible (Mohseni et al., 2022).
2.3. Desarrollo sostenible y cadena de suministro de alimentos
Como resultado, reducir el desperdicio de alimentos es esencial para alcanzar los
objetivos de desarrollo sostenible (ODS) y apoyar el hambre cero. La alimentación es uno de los elementos esenciales y requerimiento más crítico de la
Varios investigadores examinan las prácticas circulares en la cadena de suministro de vida humana para sobrevivir. La cadena de suministro de alimentos desempeña un papel
alimentos en las que la reducción del desperdicio de alimentos es el principal impulsor del vital en el suministro de alimentos a los consumidores. Debido al aumento de la población,
desarrollo sostenible (Okorie et al., 2022; Mastos et al., 2021; Ada et al., 2021). la demanda de alimentos aumentó enormemente y es un motivo de preocupación para la
MichelVillarreal et al. (2021) muestran que el uso de tecnología digital en la cadena de cadena de suministro de las industrias alimentarias (Khan et al., 2021). La cadena de
suministro aumenta el rendimiento y ayuda al desarrollo sostenible. Por lo tanto, es suministro de alimentos sostenible ve presión para proporcionar alimentos higiénicos y
necesario desarrollar una cadena de suministro de alimentos sostenible que reduzca el seguros a todas las personas del planeta. Los desechos en la cadena de suministro de las
desperdicio de alimentos y alimente a las personas necesitadas (ver Fig. 2). industrias alimentarias plantean diversas preocupaciones ecológicas, sociales y económicas (Accorsi et al.
El desperdicio de alimentos está relacionado con un gran impacto ambiental, ya que se
vierten directamente a los vertederos sin reutilizarlos ni recuperarlos (Kayikci et al., 2022).
2.2. Desarrollo sostenible y cadena de suministro de alimentos Según una encuesta sobre el desperdicio de alimentos de las Naciones Unidas (ONU), 1/3
de los alimentos comestibles producidos se desperdicia y alrededor de 1/3 de la población
La alimentación es uno de los elementos esenciales y requerimiento más crítico de la de las Naciones Unidas no recibe suficiente cantidad de alimentos y duermen sin comida. El
vida humana para sobrevivir. La cadena de suministro de alimentos juega un papel vital en desperdicio mundial de alimentos arruina la economía en $936 mil millones según la
el suministro de alimentos a los consumidores. Debido al aumento de la población, la perspectiva económica (Okorie et al., 2022). Debido a la corta vida útil y al carácter
demanda de alimentos aumentó enormemente y es un motivo de preocupación para la perecedero de los productos alimenticios, se produce una cantidad significativa de residuos
en cada etapa de la cadena de suministro, incluido el envío, la cosecha,
cadena de suministro de las industrias alimentarias (Khan et al., 2021). Suministro de alimentos sostenible
4
procesamiento y consumo (Mangla et al., 2018). El desperdicio de alimentos en la cadena de 2.4.4. Barrera económica (ECOB)
suministro alimentario sostenible tiene un impacto directo en el deterioro biológico, lo que La transformación de la antigua cadena de suministro de alimentos modelada a la
conduce a la pobreza y la inseguridad alimentaria, así como a la economía global. Por lo Industria 4.0 permitió una cadena de suministro de alimentos sostenible; las industrias
tanto, una reciente cadena de suministro de alimentos sostenible plantea numerosos desafíos necesitan adoptar nuevas tecnologías en la cadena de suministro de alimentos sostenible
para el desarrollo sostenible (Mohseni et al., 2022). Como resultado, reducir el desperdicio como IoT, Blockchain, etc., lo que requiere una gran inversión. La falta de fondos de las
de alimentos es esencial para alcanzar los objetivos de desarrollo sostenible (ODS) y apoyar pymes para invertir en nuevas tecnologías es un obstáculo importante para permitir la
el hambre cero. Industria 4.0 en sus organizaciones (Ada et al., 2021). Que el gobierno no proporcione
Varios investigadores examinan las prácticas circulares en la cadena de suministro de subsidios y desgravaciones fiscales para adoptar nuevas tecnologías puede generar
alimentos en las que la reducción del desperdicio de alimentos es el principal impulsor del restricciones financieras debido a su alto costo de implementación. La organización también
desarrollo sostenible (Okorie et al., 2022; Mastos et al., 2021; Ada et al., 2021). carece de una evaluación de los beneficios económicos de invertir en tecnologías de la
MichelVillarreal et al. (2021) muestra que el uso de tecnología digital en la cadena de Industria 4.0 (Kamble et al., 2019).
suministro aumenta el rendimiento y ayuda al desarrollo sostenible. Por lo tanto, es necesario
desarrollar una cadena de suministro de alimentos sostenible que reduzca el desperdicio de 2.4.5. Barrera social (SOCB)
alimentos y alimente a las personas necesitadas. Para lograr una habilitación efectiva de la cadena de suministro de alimentos sostenible
habilitada por la Industria 4.0, una organización debe contar con la participación activa de
2.4. Las barreras a la Industria 4.0 permitieron una cadena de suministro de alimentos sostenible los empleados en el aprendizaje y el uso de estas tecnologías. Las organizaciones carecen
de participación y motivación de los empleados para la Industria 4.0, por lo que no se logra
Las tecnologías de la Industria 4.0 brindan un mundo completamente nuevo de una habilitación efectiva de la Industria 4.0 en una organización (Kumar et al., 2022). La
posibilidades sobre cómo las empresas en cadenas de suministro extendidas pueden diversidad regional y el nivel educativo de los empleados causan un impacto significativo ya
fabricar, distribuir, cooperar y comunicarse de manera más eficiente utilizando la menor que las barreras y las organizaciones carecen de capacitación y educación para estos
cantidad de recursos. Las barreras se clasifican en barreras organizativas, barreras empleados. Los empleados también temen el trabajo extra y la pérdida de empleos para los
estratégicas, barreras ambientales y regulatorias, barreras económicas, barreras sociales y trabajadores menos calificados, por lo que la organización no logra habilitar la Industria 4.0
barreras de transformación. Estas barreras se analizan brevemente a continuación. (Narwane et al., 2022).
2.4.6. Barrera de transformación (TRB)
2.4.1. Barreras organizacionales (ORGB) La Industria 4.0 permitió una cadena de suministro de alimentos sostenible que incluye
Para implementar la digitalización en la cadena de suministro de alimentos sostenible trabajar con nuevas tecnologías como IoT, Blockchain, ciberseguridad, etc. (Accorsi et al.,
habilitada por la Industria 4.0, se requiere una alta infraestructura de Internet. Especialmente 2022). Muchas organizaciones no pueden implementarlo porque no tienen el conocimiento y
los agricultores de zonas rurales tienen menos conectividad a Internet, lo que genera la experiencia adecuados en la tecnología. La cadena de suministro inicial modelada
´ ´
barreras críticas para la digitalización en las industrias alimentarias rurales (Horvath y Szabo, 2019).antiguamente sufre problemas de integración y compatibilidad con las nuevas tecnologías
Otra barrera importante muestra la resistencia de la organización a cambiar del antiguo (Dadi et al., 2021). Esta tecnología puede aumentar la eficiencia y la eficacia, pero conlleva
modelo de cadena de suministro para utilizar tecnologías habilitadas para la Industria 4.0 en un mayor riesgo para la privacidad y la seguridad de los datos. El uso de Internet puede
la cadena de suministro debido al miedo a una carga de trabajo adicional o a la falta de provocar ciberataques y se pueden filtrar datos importantes, lo que afecta a los procesos
conciencia sobre los beneficios de implementar la Industria 4.0 (Kumar et al., 2021a , b). Las organizacionales y a los proveedores (Ali y Aboelmaged, 2021).
organizaciones no cuentan con instalaciones e infraestructura preliminares de investigación
y desarrollo para desarrollar y utilizar la Industria 4.0 en la cadena de suministro de alimentos
sostenible. Carecen de inversión en nuevas tecnologías debido a una hoja de ruta estratégica 2.5. Solución para superar las barreras a la adopción de la Industria 4.0
poco clara para permitir la Industria 4.0 (Fernando et al., 2022).
La Industria 4.0 puede traer una revolución masiva en la cadena de suministro de
alimentos sostenible utilizando diferentes tecnologías como IoT, Blockchain, etc. Para
2.4.2. Barrera estratégica (STRB) implementar estas tecnologías, la organización debe superar las barreras para adoptarlas.
Es fundamental contar con el apoyo y el compromiso de la dirección para adoptar Esta revisión de la literatura ayudará a encontrar soluciones para superar la mayoría de las
cambios que establezcan una influyente cadena de suministro de alimentos sostenible barreras críticas para hacer posible la Industria 4.0. Se necesita la participación y el apoyo
habilitada para la Industria 4.0. Los gerentes deben comprender la necesidad de evaluar y de la alta dirección para habilitar eficazmente la Industria 4.0 en la organización (Adebanjo et
enfatizar las ventajas de implementar la Industria 4.0. al., 2021). La dirección debe trabajar activamente para concienciar, formar a los empleados
La barrera importante para las organizaciones habilitadas para la Industria 4.0 es el y motivarlos a aprender nuevas tecnologías. La integración de estas tecnologías en la cadena
compromiso y el apoyo de la alta dirección (Neusel y Hirzel, 2022; Aamer et al., 2021). La de suministro de alimentos sostenible requiere una inversión inicial elevada y muchas
Industria 4.0 todavía se encuentra en su etapa de crecimiento, donde la mayoría de las organizaciones tienen limitaciones financieras (Neusel y Hirzel, 2022; Mastos et al., 2021).
organizaciones no pueden implementarla debido a la falta de experiencia y empleados
capacitados. Esto puede deberse a una falta de formación y educación para desarrollar
habilidades adecuadas (Kumar et al., 2022). Las organizaciones también carecen de Para superar esto, el gobierno debería proporcionar subsidios y desgravaciones fiscales a
colaboración con diferentes proveedores y empresas conjuntas para trabajar en el desarrollo las pymes para implementar la Industria 4.0. La participación de la dirección en el desarrollo
de nuevas tecnologías debido a la falta de visión y estrategia para la digitalización (Kumar de estrategias puede establecer recursos financieros, como financiación de institutos de
et al., 2021a,b). investigación, partes interesadas y el gobierno (Konur et al., 2021). La seguridad y la
privacidad de los datos son preocupaciones importantes que impiden que las industrias
2.4.3. Barrera regulatoria (REB) utilicen estas tecnologías. Por lo tanto, las organizaciones y los gobiernos deben trabajar en
La Industria 4.0 aún se encuentra en su fase inicial, por lo que faltan políticas estos aspectos mediante el desarrollo de políticas, regulaciones y estándares para prevenir
desarrolladas por gobiernos y organizaciones. Estas políticas pueden incluir una falta de los ciberataques y la pérdida de datos (da Silveira et al., 2021). Hay varios componentes de
protocolo de seguridad, privacidad de datos, preocupaciones sobre derechos de propiedad la Industria 4.0 y la integración de estas tecnologías puede ser complicada, por lo que la
intelectual y regulación legal (Ghadge et al., 2020). La Industria 4.0 carece de estándares organización necesita desarrollar componentes básicos que puedan ayudar a reducir la
globales, protocolos de intercambio de datos y condiciones desfavorables para su adopción complejidad y mejorar la comunicación entre diferentes sistemas (Subramaniyam et al.,
en la cadena de suministro de alimentos sostenible. La falta de apoyo y regulación 2021) .
gubernamental para la Industria 4.0 permitió la cadena de suministro de alimentos sostenible
(Martins et al., 2020). Por lo tanto, para superar estas barreras, es necesario identificar Para los servicios basados en datos, la organización necesita desarrollar una mejor
medidas de solución adecuadas para lograr el éxito en la adopción de una cadena de infraestructura física y digital con altas instalaciones de Internet y mejores condiciones de
suministro de alimentos sostenible. trabajo. El gobierno también puede ayudar a desarrollar
5
infraestructura mediante la elaboración de políticas para que tanto las empresas extranjeras seguridad alimentaria, reducción del desperdicio de alimentos, creación de nuevo
como las locales a gran escala puedan invertir en pymes (Emmanouilidis & Bakalis, 2020). valor y desarrollo sostenible. Además, pocos investigadores estudian las barreras
(Naseem & Yang, 2021) mencionaron que la participación de los empleados y la relacionadas con la adopción de la cadena de suministro de alimentos (Kumar et
toma de la iniciativa para aprender nuevas tecnologías pueden desempeñar un al., 2022; Mohseni et al., 2022; Subramaniyam et al., 2021), pero no se centran
papel vital en el uso de las tecnologías de la Industria 4.0. Las organizaciones en cuestiones de sostenibilidad ni discuten las estrategias para superar estas
pueden alentar a los empleados ofreciendo incentivos y creando programas para barreras. para la implementación exitosa de la Industria 4.0 se logró una cadena
crear conciencia (Gebhardt et al., 2021). de suministro de alimentos sostenible.
2.6. Identificación de barreras para la adopción de la Industria 4.0 y sus soluciones Las lagunas de investigación mencionadas anteriormente sugieren la necesidad
de definir barreras relevantes para la Industria 4.0 y la cadena de suministro de
Se examinó a un grupo de decisión compuesto por seis expertos de la alimentos para la adopción de una cadena de suministro de alimentos sostenible en
industria y académicos con experiencia suficiente en el ámbito de la seguridad economías emergentes como la India y construir un marco que demuestre las barreras
alimentaria para plantearles el problema de investigación. Luego, se invitó a más destacadas. También exige priorización para lograr el valor o la fortaleza de cada barrera.
los expertos y se realizó una reunión con ellos para explicarles el propósito
del estudio. La lista de barreras identificadas para la Industria 4.0 que permitió 3. Metodología
la adopción de la cadena de suministro de alimentos con explicaciones y
soluciones para superar estas barreras se les presentó y, en base a los Esta sección describe las metodologías de estudio, incluido PFAHP.
aportes recibidos de los expertos y la frecuencia de la aparición de la barrera y PFEDAS que se están utilizando para lograr el objetivo de la investigación.
en la literatura, 29 Las barreras a la Industria 4.0 que permitieron la adopción
de la cadena de suministro de alimentos se decidieron y agruparon en seis
categorías principales. Estas categorías se seleccionan según la importancia 3.1. Conjuntos difusos pitagóricos (PFS)
de las barreras (consulte la Tabla 3). Además, se finalizaron 14 soluciones
destacadas para superar las barreras seleccionadas (consulte la Tabla 4). Debido a que los métodos convencionales no pueden utilizarse para
abordar cuestiones complicadas en ingeniería, administración, política,
economía, productos farmacéuticos y agricultura, Zadeh desarrolló un nuevo
2.7. Brechas de investigación
conjunto de teorías llamadas teoría de conjuntos difusos (FS) para superar la
ambigüedad y la oscuridad. Durante las últimas décadas, los investigadores
Se observan las siguientes lagunas en la investigación según el estudio de la literatura:
han presentado una variedad de técnicas de conjuntos difusos, la más
conocida de las cuales es la teoría intuicionista de conjuntos difusos (IFS) de
1. El estudio relacionado con la Industria 4.0 o cadena de suministro de alimentos
Antanasov (Atanassov, 1986), que ha sido revisada minuciosamente en la
está ampliamente reportado en la literatura anterior (Fernando et al., 2022;
literatura e implementada en diversos sectores, incluidos la agricultura, la
Kayikci et al., 2022; Kumar et al., 2022; Khan et al., 2021; Kumar et al., 2021a,b).
medicina y la ingeniería. Mientras que la teoría FS se modela para ilustrar sólo
Sin embargo, la revisión mixta de estos conceptos para una cadena de suministro de
el grado de membresía indicado en [0, 1], la teoría IFS también define el grado
alimentos sostenible es mínima. Existe una creciente necesidad de estudiar el efecto de la
de no membresía y el grado de membresía. Según la teoría IFS, tanto los
Industria 4.0 en la cadena de suministro de alimentos sostenible, ya que la adopción de la
grados de membresía como los de no membresía están en el rango [0, 1]. En
Industria 4.0 permitió una cadena de suministro de alimentos sostenible puede crear
la teoría FS, el total de grados de membresía y no membresía se calcula como
nuevos desafíos para la cadena de suministro de alimentos.
1. Sin embargo, según la teoría IFS, el total de estos dos factores no tiene por
2. La noción de Industria 4.0 y SC sostenible son complementarias
qué ser igual a 1. Atanassov agregó un tercer elemento denominado grado de
entre sí y capaces de reducir los desafíos de adopción para una
vacilación para lograr este resultado. total a 1 (Kiris¸ci y S¸ims¸ek, 2021). Los
organización automovilística. Esto abre nuevas puertas para explorar conjuntos difusos pitagóricos son la extensión de IFS que se utiliza en
la fusión de varios conceptos con la Industria 4.0 que permitió la
situaciones en las que el método IFS no logra manejar las situaciones (Yager,
adopción de una cadena de suministro de alimentos sostenible.
2014). PFS mejora tanto la adaptabilidad como la relevancia al utilizar la borrosidad en la op
3. La introducción de un nuevo concepto como Industria 4.0 en la cadena de suministro
de alimentos ha proporcionado direcciones inminentes para los investigadores que Definición 1. Para la suma de dos conjuntos difusos pitagóricos, se utiliza la
trabajan en el dominio de la cadena de suministro de alimentos. Hay perspectivas de ecuación (1) .
trabajos empíricos e hipotéticos relacionados con el desarrollo de estrategias, barreras

υ υ+ υ+
P̃1 P̃2 = ( μ− P˜1 )2 + ( μ− P˜2 )2 − ( μ− P˜1 )2( μ− P˜2 )2 , P˜1 )2 + ( µ+ P˜2 )2 − ( µ+ P˜1 )2( µ+ P˜2 )2
P˜1 P˜1
P˜2 ,
(1)
√ √ ( µ+ P˜2 ]
, [ υ
identificación, proceso de implementación, etc. Definición 2. Para la multiplicación de dos conjuntos difusos pitagóricos se
4. Estudio anterior inspirado por investigadores que muestra la falta de adopción de la utiliza la ecuación (2) .
Industria 4.0 en la cadena de suministro de alimentos, a pesar de sus claras ventajas en

P̃1 P̃2 = P˜1

µ+ , (2)
P˜1 )2 + ( υ− P˜2 )2 − ( υ− P˜1 )2( υ−P˜2 )2 P˜1 )2 + ( υ+ P˜2 )2 − ( υ+ P˜1 )2( υ+P˜2 )2
[ μ− P˜1 μ− P˜2 , μ+ P˜2 ] , √ ( υ √ ( υ+
6
Definición 3. Para la multiplicación de un conjunto difuso pitagórico por una vaguedad e incertidumbre asociadas con las respuestas tomadas del panel
cantidad escalar, se utiliza la ecuación (3) . de toma de decisiones (DM) de la organización del caso (Shete et al., 2020).
Se utilizaron los siguientes pasos en el método pitagórico AHP difuso
2 λ 2 λ λ
√ 1 − (1 − (μ− ) ) , √ 1 − (1 − (μ+) ) ,(v+) (Lahane y Kant, 2021):
λP̃ = ([ ] , [ (ν ) λ ] ) ,(λ > 0)
(3)
Paso 1: Utilizando la escala pitagórica difusa AHP (Tabla 1), se crea
una matriz de comparación por pares X = (xik)m×n con respecto a la
opinión del experto.
Definición 4. Un conjunto difuso pitagórico elevado a la potencia de un escalar viene
x11 x12 x1n
dado por la ecuación (4).
= x21 x22 x2n
X = [ xij] mxn ( i = 1, 2, 3, 4 .. m y j
λ 2 λ 2 λ
,(μ+) 1 − (1 − (ν− ) ) , √ 1 − (1 − (ν+) )
P̃λ = ([ (μ− ) λ ] , [ √ ] ) (λ > 0) xm1 xm2 xmn
(4) = 1, 2, 3, 4.. norte )
Paso 2: Para los valores superiores e inferiores de las funciones
Definición 5. El operador de agregación propuesto para un promedio difuso de membresía y no membresía, determine la matriz de diferencias D =
pitagórico (PFA) viene dado por la Ecuación (5). (dik)m×n usando las ecuaciones (7)–(8):
2 2
dikL = (μ− ) − (υ+) (7)
, ∏n ( µ+ 1− ( ∏norte , 1− ( ∏norte
( μ−
ij )1 norte
ij )1 n ] ( 1− ν−ij )1 norte ( 1− ν+ij )1 norte
PFA= [ ∏n i i , [√ i √ i ]
2 2
(5) dikU = (μ+) − (υ− ) (8)
Donde n representa el número de tomadores de decisiones.
Paso 3: La matriz multiplicativa de intervalos S = (sik)m×n se calcula
Definición 6. Sea βj = P ([μ− βj , μ+
PFN
βj ] , [ ν− +
βj , βj ] )(j = 1, 2, ..n) sea un conjunto de utilizando las ecuaciones (9) a (10):
w = ( w1, w2 wjw ) sea el vector de ponderación para β1, β2 , βjβn con 0 ≤ wj ≤ SikL = 1000dicL √ (9)

1, ∑n j=1wj = 1. Si una función PFWA: PFNn→PFN satisface ( Ecuación (6):
SikU = 1000dikU √ (10)
PFWAw(β) = (w1β1) (w2β2) (wnβn)
= βj , βj (6)
1 − ∏norte ( 1 − µ− 2 )wj 1 − ∏norte ( 1 − µ+ 2 )wj ( υ ( υ+
βj )wj
√√√√ j=1 √√√√ j=1 , [ ∏n
j=1 βj )wj , ] ∏j=1
n
Paso 4: Encuentre el valor de determinación τ = (τik)m×n de aik usando la ecuación.
(11):
2 2 2 2
3.2. Proceso pitagórico de jerarquía analítica difusa τik = 1 − ( (μ+) − (μ− ) ) − ( (υ+) − (υ− ) ) (11)
El proceso de jerarquía analítica (AHP) fue desarrollado en la década de Paso 5: Calcule el peso de la matriz T = (tik)m×n usando la ecuación. (12):
1970 por Thomas L. Saaty y desde entonces ha sido ampliamente explorado.
Ahora se utiliza en escenarios complejos de toma de decisiones donde los (12)
individuos colaboran para tomar decisiones con impactos a largo plazo en tik = (SikL+SikU 2 ) τik
las percepciones, juicios y resultados humanos. Es una de las técnicas de
toma de decisiones multicriterio (MCDM) más utilizadas para resolver
Paso 6: Los pesos de prioridad normalizados (wi) se determinan utilizando la ecuación.
problemas complejos que involucran múltiples criterios contradictorios (13):
(Ghosh et al., 2023b). Esta investigación empleó un método AHP difuso pitagórico para tratar
Tabla 1
Escala de ponderación pitagórica difusa de AHP (Fuente: Lahane et al., 2023).
Cuadro
Término lingüístico µ µ+ υ υ+
2 Escala de ponderación EDAS difusa pitagórica ().
Exactamente igual (EE) 0,1965 0,1965 0,1965 0,1965 υ υ+
Término lingüístico µ µ+
Ciertamente muy importante (CHI) 0,9 1 0 0
Muy alto importante (VHI) 0,8 0,9 0.1 0,2 Ciertamente de baja importancia (CLI) 0,10 0,20 0,70 0,90
Muy importante (HI) 0,65 0,8 0,2 0,35 Muy poco importante (VLI) 0,20 0,30 0,60 0,80
Importante por encima del promedio (AAI) 0,55 0,65 0,35 0,45 Poco importante (LI) 0,30 0,40 0,50 0,70
Promedio importante (IA) 0,45 0,55 0,45 0,55 Medio Importante (MI) 0,40 0,60 0,40 0,50
Importante por debajo del promedio (BAI) 0,35 0,45 0,55 0,65 Muy importante (HI) 0,50 0,70 0,30 0,40
Poco importante (LI) 0,2 0,35 0,65 0,8 Importante muy alto (VHI) 0,60 0,80 0,20 0,30
Muy poco importante (VLI) 0.1 0,2 0,8 0,9 Ciertamente muy importante (CHI) 0,70 0,90 0,10 0,20
Ciertamente poco importante (CLI) 0 0 0,9 1
Fuente: Yanmaz et al., 2020
7
y la distancia negativa del promedio (NDA) está representada por:
wi = ∑mK =1t yo
(13)
∑ yo=1 ∑m K=1tik
metro
Acuerdo de confidencialidad=. [ NDÃIJ]
mxn
Las ecuaciones (16) a (19) se utilizan para calcular estas distancias, donde
3.3. Evaluación difusa pitagórica basada en la distancia a la solución zij representa un número difuso pitagórico representado por:
promedio
ν+
zij = ( [ μ− ij ,
μ+ ij ] , [ ν−
ij , ij ])
Ghorabaee et al. (2015) introdujeron la técnica de evaluación basada en
la distancia desde la solución promedio (EDAS) para un problema de máx(0,zij A j)
PDA ̃ij = si j B y (dieciséis)
categorización de inventario. EDAS se considera una excelente alternativa a Yo (A j)
otros procedimientos MCDM ya que enfatiza la solución promedio en lugar
de la ideal y nadir. Esta flexibilidad permite a quienes toman decisiones
si yo ( z̃ij)yo ( A j )
manejar fácilmente criterios contradictorios. En la actualidad, (Yanmaz et al., de lo contrario
máx( 0,zijΘA j ) = { zijΘA[0, j0], [1, 1]
2020) introducen el marco PFEDAS para explicar los problemas de toma de
decisiones en la atmósfera de PF. Por lo tanto, las ideas y procesos de los
máx(0, A j z̃ij)
PFN, la función de puntuación paramétrica mejorada y la medida de PDA ̃ij = si j NB y (17)
divergencia se emplean para ampliar el método EDAS. Los pasos involucrados Yo (A j)
en el método PFEDAS se detallan a continuación:
Paso 1: Iniciar el problema MCDM finalizando los criterios y max(0, A j z̃ij) = { A j [0,

z0̃i],
jifI( z̃ ij)en cI
[1, 1] ( Acontrario
aso j )
alternativas utilizando la escala PFEDAS (consulte la Tabla 2).
Paso 2: construir la matriz de decisión máx(0, A j z̃ij)
NDÃIJ = si j B (18)
Yo (A j)
Sean X matrices de decisión construidas utilizando la opinión de un experto,
que se muestra en la Ecuación (14)
si yo ( z̃ij) yo ( A j )
̃x11 ̃x12 . ̃xm1 máx(0, A j z̃ij) = { A [0,

j 0
z],
̃ij [1, 1] de lo contrario
̃x21 ̃x22 . ̃x2m

. . .

X = [ xij] =
máx(0,zij A j)

. . . . NDA ̃ij = Si j NB y (19)

Yo (A j)
̃xn1 ̃xn2 . ̃xnm
si yo ( z̃ij)yo ( A j )
( [ μ− 11,μ+ 11] , [ ν− 11,ν+ 11]) ( [ μ− 12,μ+ 12] , [ ν− 12,ν+ 12]) ( [ μ− 1m,μ + 1m ] , [ ν− 1m, ν+ 1m ]) máx( 0,zijΘA j ) = { zijΘA[0, j0], [1, 1] de lo contrario

= ( [ μ− 21,μ+ 21] , [ ν− 21,ν+ 21]) ( [ μ− 22,μ+ 22] , [ ν− 22,ν+ 22]) ( [ μ− 2m,μ + 2m ] , [ ν− 2m, ν+ 2m ])
Para obtener PDA y NDA, la resta viene dada por (20).

( [ μ− n1,μ+ n1 ] , [ ν− n1,ν+ n1 ])
. . ( [ μ− nm,μ+ nm] , [ ν− nm,ν+ nm]) Sea A j [ μ− j , μ+ j ] , [ νj ,
ν+
j ] , entonces zijΘA j será:
(14) 2 μ− ij 2 − μj− µ+2 − µ+2 υ+

, yo j
, yo
, ij (20)
j √ =1
[ − µ−
2
La matriz de decisión para n tomadores de decisiones se construirá utilizando j √ 1 − µ+2 ] υ j
[ υ υ+
j ]
un operador de agregación que se muestra en la ecuación (5).
Un número difuso pitagórico se puede desdifusar usando la ecuación (21)
Paso 3: Calcular el promedio de los valores agregados para cada cri
terion usando la Ecuación (15):
1 1

norte norte
2
A j = 1 − ( ∏norte (1 − µ−
yo
2
)) , 1 − ( ∏norte (1 − µ+
yo
)) v + (15)
√√√√ i √√√√ i (∏n yo ij )1/n , (∏n yo ij )1/n
,
yo
√μ− ij+μ+2
+
√ (1 υ ) 2 +(1− υ+ ) 2 + ( μ *μ+
Paso 4: Estimar matrices de promedio de distancia positiva (PDA) 2 yo yo yo
ij ) − ( 1− υ− ij ) * ( 1− υ+ ij )
Yo ( z̃ij) = 3
y promedio de distancia negativa (NDA) según los criterios.
(21)
Dependiendo de los dos tipos de criterios, es decir, beneficioso (B) y no El procedimiento de división se realiza mediante la ecuación (22):
beneficioso (NB), se determinan los valores de PDA y NDA.
La distancia positiva del promedio (PDA) se muestra como: zij A j= 1
× ( zij A j )
Yo (A j) Yo (A j)
PDA= [PDA ̃ij]n×m
8
Fig. 3. Marco de investigación propuesto (Latino et al., 2022).
1 1 1 1
=
2
μ−
2 I(AV˜j ) − µ+2 I(AV˜j ) I(AV˜j )
ij − μ− , µ+2
yo j yo yo I(AV˜ j) (22)
√√√√ 1 − ( 1 − 1 − µ−j 2
j ) √√√√ 1 − ( 1 − 1 − µj )
+2 υ υ+
, ( υ+
j )
, ( υ
− j )
En la ecuación anterior, ( zij A j ) es un número difuso pitagórico y

1 es un escalar. SP̃i = ∑m ω̃jPDA ̃ij = ( ω̃1PDÃi1 ) ( ω̃2PDÃi2 ) ( ω̃mPDÃim)
j=1
Yo (A j)
(23)
Paso 5: Determine el promedio ponderado de PDA y NDA de i ción th op
correspondientemente
9
Tabla 3
SÑi = ∑m ω̃jNDA ̃ij
Barreras para la implementación de la Industria 4.0 en la cadena de suministro de alimentos sostenible.
j=1
Criterios Sub Barreras Referencias
(24) Criterios
= ( ω̃1.NDÃi1 ) ( ω̃2.NDÃi2 ) ( ω̃m.NDÃim)
Organizativo ORGB1 Falta de infraestructura organizacional (Khan et al., 2023;

Barreras para apoyar las iniciativas de Fernando et al.,
Paso 6: Calcular el valor normalizado de SP̃i y SÑi usando el (ORGB) Industria 4.0 en la cadena de 2022; Ghadge et al., 2020)
Ecuación dada a continuación: suministro de alimentos
sostenible.
SPi ORGB2 Falta de preparación organizacional (Aravindaraj y Chinna,
NSP ̃i = (25)
máx(I(SPi)) para adoptar iniciativas 2022; Kumar et
de Industria 4.0 en el proceso al., 2021)
SNi de negocio.
NSÑi = 1 − (26) ORGB3 Falta de voluntad para cambiar el Opinión experta
máx(I(SNi))
modelo actual de la
cadena de suministro con el
Sea, SNi
= [ μ− 11, μ+ 11] , [ ν11, ν+ 11] . Entonces, NSÑi = 1 − [ μ− 11, μ+ 11] , modelo habilitado para la
máx(I(SNi))
Industria 4.0.
[ ν−
11, ν+ 11] .
ORGB4 Falta de inversión en (Khan et al., 2023;
´ ´
investigación y desarrollo para la Horvath y Szabo, 2019)
NSÑi = [ ν− 11, ν+ 11] , [ µ11, µ+ 11]
adopción de la Industria 4.0 en
la red de la cadena de
suministro de alimentos sostenible.
Paso 7: La puntuación de la tasación se puede determinar mediante la Ecuación (27):
ORGB5 Conocimiento inadecuado de la (Patidar et al., 2023;
1 tecnología, los proveedores y Okorie et al., 2022;
AS̃i = (27) los socios de subcontratación Martins et al., 2020)
2 ( NSP ̃i NSÑi )
que podrían facilitar la
implementación de la
Industria 4.0.
Paso 8: La puntuación de la evaluación se desdibuja y se clasifica utilizando la puntuación
Barreras estratégicas STRB1 Escaso apoyo de la alta (Patidar et al., 2023; Ali y
(STRB) dirección y compromiso con la
función ( I(AS̃i) ). El rango se asigna en función de las funciones de puntuación,
habilitación de la Aboelmaged, 2021)
es decir, la función de puntuación más alta se clasifica en primer lugar y la función de Industria 4.0 de una cadena de
puntuación más baja recibe la última clasificación. suministro de alimentos sostenible.
STRB2 Hoja de ruta estratégica poco (Khan et al., 2023;
clara para la Industria 4.0. Kumar et al., 2022)
3.4. Marco de investigación propuesto
STRB3 La falta de una solución (Kumar et al., 2022)
única para que el modelo de
Se utiliza un marco híbrido que utiliza los métodos PFAHP y PFEDAS para encontrar el negocio tecnológico cumpla con
rango de la solución para superar las barreras críticas para permitir la Industria 4.0 permitió una
La Industria 4.0 en las industrias alimentarias se muestra en la Fig. 3. Todo el proceso se divide cadena de suministro de
alimentos sostenible.
en tres etapas que son las siguientes:
STRB4 Falta de coordinación y (Khan et al., 2023;
colaboración entre los Kumar et al., 2021)
Etapa 1: Identificar y finalizar las barreras y soluciones críticas para adoptar la Industria 4.0 miembros de la cadena de
en la industria de la cadena de suministro de alimentos sostenible. STRB5 suministro. Falta de Opinión experta
integración de la
Etapa 2: Determinación de los pesos de los criterios principales y subcriterios de las barreras
Industria 4.0 en la cadena de
utilizando el método PFAHP. suministro de alimentos sostenible.
Etapa 3: Utilizar el método PFEDAS para clasificar las soluciones para superar barreras STRB6 El concepto de Industria 4.0 no (Aravindaraj y Chinna,
críticas para permitir la Industria 4.0. se comprende bien. 2022; Dadi et al., 2021)
Regulador REB1 Falta de regulación legal para (Patidar et al., 2023;

4. Estudio de caso sobre la industria de la cadena de suministro de alimentos de la India
Barreras (REB) gestionar la propiedad de los Aamer et al., 2021)
datos, los derechos de autor y los
4.1. Etapa 1: Identificar y finalizar las barreras más comunes y su solución para implementar la derechos de propiedad intelectual.
Industria 4.0 en la industria de la cadena de suministro de alimentos sostenible REB2 Falta de apoyo (Aravindaraj y Chinna,

gubernamental y regulación para 2022; Ada et al., 2021)
la implementación de la
Industria 4.0.
La investigación bibliográfica incluyó seis criterios principales y 29 subcriterios, y 14 soluciones REB3 Falta de estándares (Kayikci et al.,
para superar las barreras para implementar la Industria 4.0 dentro de la cadena de suministro de sistemáticos y arquitecturas 2022)
alimentos sostenible. Posteriormente se elaboró un cuestionario utilizando estas barreras y las de referencia para respaldar la
habilitación de la Industria 4.0
soluciones y se presentó a los expertos de la Compañía ABC para su aprobación. The ABC
para la cadena de suministro
Company se dedica al negocio de fabricación y distribución de especias alimentarias. La empresa
de alimentos sostenible.
es una pequeña empresa cuyo objetivo es entregar mejores alimentos de manera más eficiente, REB4 Falta de protocolo Opinión experta
por lo que quieren incorporar la Industria 4.0 en su negocio. Las pymes enfrentan múltiples de comunicación unificado.
Barreras económicas ECOB1 Alta inversión inicial y coste Opinión experta
desafíos al implementar la Industria 4.0, incluidos problemas financieros, de infraestructura y de
(ECOB) operativo en tecnologías
Internet, particularmente en ubicaciones remotas.
de Industria 4.0.
ECOB2 Beneficios económicos (Khan et al., 2023;
Esta investigación no solo les ayudará a identificar las principales barreras, sino que también desconocidos de la inversión en Mohseni et al.,
les proporcionará estrategias para superarlas e implementar eficazmente la Industria 4.0. Las tecnologías de Industria 2022)

4.0.
principales barreras se enumeran en la Tabla 3, donde se dividen en barreras organizacionales,
(Continúa en la siguiente página)
barreras estratégicas, barreras regulatorias, barreras económicas, barreras sociales y barreras de
transformación. Las soluciones propuestas para
10
Tabla 3 (continuación ) Tabla 4
Soluciones para superar las barreras.
Criterios Sub Barreras Referencias
Criterios Soluciones de código Referencias
ECOB3 Falta de fondos para llevar a cabo (Patidar et al., 2023; Khan SO1 Capacitación de la fuerza laboral/empleados (Patidar et al., 2023; Accorsi et al.,

capacitación y educación para el et al., 2021; Ali et al., para garantizar que tengan los conocimientos 2022; Adebanjo et al., 2021)
desarrollo de capacidades. 2020) necesarios y las habilidades digitales esenciales.
ECOB4 Falta de subsidios y beneficios (Okorie et al., 2022; Kamble SO2 (Mohseni et al., 2022; Konur et al.,
Compromiso de la alta dirección con la
fiscales para la habilitación et al., 2019) innovación y la I+D para la adopción de 2021)
de la Industria 4.0 de la cadena nuevas tecnologías en la organización.
de suministro de alimentos
sostenible. SO3 Ofrecer incentivos tecnológicos a los (Accorsi et al., 2022; da Silveira et al., 2021)

Barreras sociales SOCB1 Falta de implicación y (Patidar et al., 2023; Ada empleados les animará y motivará a
(SOCB) motivación de los et al., 2021) apoyar e impulsar proyectos de digitalización en la
empleados para la Industria 4.0 empresa.
SO4 Establecer estándares tecnológicos para enfrentar (Okorie et al., 2022; Kazancoglu et al., 2021)
SOCB2 Falta de capacitación y Opinión experta los desafíos que surgen de los
educación hacia la
problemas relacionados con la integración,
concientización y beneficios.
la interoperabilidad y la escalabilidad.
SOCB3 La falta de una cultura (Khan et al., 2021; Morella SO5 Desarrollo de modelo de madurez de Industria 4.0 (Subramaniyam et al., 2021)
organizacional habilitada por et al., 2021) para evaluar la preparación de la organización.
la Industria 4.0.
SOCB4 Diversidad regional y nivel Opinión experta SO6 Incentivos gubernamentales, subsidios (Mohseni et al., 2022; Garrido Hidalgo et
educativo.
financieros o programas de capacitación para al., 2019)
SOCB5 La industria alimentaria se muestra (Fernando et al., 2022) reducir los costos de implementación.
reticente a adoptar el SO7 Desarrollar una hoja de ruta estratégica (Adebanjo et al., 2021)
procedimiento para aumentar la conciencia y comprender la
Industria 4.0. La importancia y los beneficios de la
Transformación TRB1 Conocimiento y experiencia (Khan et al., 2023; Industria 4.0 permitieron una cadena de suministro
Barreras (TRB) insuficientes o inadecuados Accorsi et al., 2022; My et de alimentos sostenible.
sobre la Industria 4.0 entre las al., 2009) SO8 Adopción de tecnologías y componentes básicos (Patidar et al., 2023; Accorsi et al.,
partes interesadas. 2022; Emmanouilidis & Bakalis, 2020)
adecuados para mejorar la comunicación entre
TRB2 Privacidad de datos y seguridad Opinión experta diferentes sistemas y reducir la complejidad.
de la información inadecuadas.
TRB3 La Industria 4.0 permitió la (Narwane et al., 2022)
integración de una cadena de SO9 Elaboración de políticas legales y regulatorias (Mastos et al., 2021)
suministro de alimentos sostenible
para la administración de temas de
hacia adelante y hacia atrás. seguridad de datos, privacidad y derechos de autor.
TRB4 Problemas de integración y Opinión experta (Accorsi et al., 2022; Gebhardt et al., 2021)
SO10 Alinear personas, procesos y tecnología
compatibilidad multisistema en para una gestión eficaz del cambio.
toda la cadena de suministro
de alimentos sostenibles. SO11 Auditoría y seguimiento continuo de las actividades en (Ghosh et al., 2023b; Okorie et al.,

TRB5 Infraestructura física y digital (Accorsi et al., curso de la cadena de suministro para mejorar su 2022; Naseem y Yang, 2021)
básica de información y 2022; Machado et capacidad.
comunicación al., 2021) (Okorie et al., 2022; Ali y Aboelmaged,
SO12 Desarrollar un sistema de seguridad cibernética robusto
deficiente para servicios
y resiliente para la Industria 4.0 SO13 Crear 2021)
basados en datos.
programas que alienten a los empleados existentes a (Mohseni et al., 2022; Mangla et al., 2018)
continuar su educación combinando nuevos
conceptos con oportunidades prácticas para usarlos
Estas barreras se enumeran en la Tabla 4. en la cadena de suministro de alimentos
sostenible.
SO14 Establecer las políticas regulatorias e industriales (Khan et al., 2021; Kumar et al., 2021)
4.2. Etapa 2: Uso del método PFAHP para calcular los pesos de las barreras
adecuadas para fomentar la inversión y
mejorar la colaboración para el desarrollo de la
En esta sección, se utiliza el método PFAHP para calcular los pesos relativos de infraestructura digital.
la barrera. Después de una revisión de la literatura, hemos finalizado 6 criterios
principales y 29 subcriterios de las barreras críticas para permitir la Industria 4.0 en la
cadena de suministro de alimentos sostenible. Después de eso, en total seis expertos Tabla 5a
estuvieron de acuerdo y participaron en el estudio. De ellos, tres pertenecen a
Opinión de expertos sobre la barrera de la Organización.
organizaciones de casos seleccionados de varios departamentos, como fabricación,
ORGB ORGB1 ORGB2 ORGB3 ORGB4 ORGB5
sostenibilidad y gestión de residuos, y los tres restantes son expertos del mundo
ORGB1 LI AAI AAI AAI
académico. Los expertos en el estudio tenían un promedio de 10 años de experiencia EE.UU.
ORGB2 CHI EE.UU. HOLA HOLA LI

y una amplia exposición en cuestiones relacionadas con la calidad de los alimentos y
ORGB3 HOLA AI EE.UU. LI AI
la transparencia de la cadena de suministro de alimentos. Se contactó y reunió ORGB4 LI HOLA HOLA EE.UU. AAI
individualmente a los expertos para la recopilación de datos. Se les proporcionó la lista ORGB5 AI AI LI HOLA EE.UU.
de barreras y sus soluciones para su validación y sugerencias. Posteriormente, una
vez finalizadas las barreras, se les pidió que completaran la matriz de relación directa
En la Tabla 1, la matriz por pares se convierte en un número difuso pitagórico. Después
para el análisis PFAHP utilizando los aportes lingüísticos del cuestionario.
de esto, hemos determinado la matriz de diferencias entre los valores superior e inferior
Hemos elaborado el cuestionario para las principales barreras y sus subbarreras junto
de funciones beneficiosas y no beneficiosas utilizando las ecuaciones (7) a (8).
con el cuestionario para soluciones contra todas las barreras. El modelo de
Además, la matriz multiplicativa de intervalos se calculó utilizando las ecuaciones (9)
cuestionarios se adjunta en el apéndice. Se recogieron un total de seis respuestas
para los criterios principales y subcriterios y para las soluciones de los expertos a (10). A continuación, se calculó el valor de determinación para la matriz de
comparación utilizando la Ecuación (11). Además, el peso de la matriz antes de la
seleccionados a través de una encuesta por cuestionario. Utilizando la escala
normalización se calcula utilizando la ecuación (12). Después de eso, la matriz de peso
lingüística, los expertos elegidos han proporcionado una matriz de comparación por
no normalizada se calcula con el
pares de los criterios principales y subcriterios que se muestran en las Tablas 5a5f. Además, usando
11
Tabla 5b Cuadro 6
Opinión de expertos sobre la barrera de la Estrategia. Ratios de ponderación de las principales barreras.
STRB STRB1 STRB2 STRB3 STRB4 STRB5 STRB6 Criterios Subcriterios Pesos de relación
STRB1 EE.UU. CHI HOLA CHI HOLA AAI Barreras Organizacionales (ORGB) ORGB1 0.11855247
STRB2 CHI EE.UU. LI LI AAI LI ORGB2 0.34060357
STRB3 HOLA LI EE.UU. AAI AI BAI ORGB3 0,11471841
STRB4 HOLA AI HOLA EE.UU. BAI LI ORGB4 0,20863117
STRB5 AAI HOLA CHI LI EE.UU. BAI ORGB5 0.21749436
STRB6 AI AAI LI VLI HOLA EE.UU.
Barreras Estratégicas (STRB) STRB1 0.17485233
STRB2 0.13167484
STRB3 0.07302841
Tabla 5c STRB4 0.19167851
Opinión de expertos sobre la barrera de la Transformación. STRB5 0,11850438

STRB6 0,31026151
TRB TRB1 TRB2 TRB3 TRB4 TRB5 REB1 0.24001016
Barreras regulatorias (REB)
REB2 0.14656728
TRB1 EE.UU. LI AI HOLA HOLA
REB3 0.33861385
TRB2 LI EE.UU. HOLA LI AI
REB4 0.27480870
TRB3 AAI AI EE.UU. HOLA HOLA
Barreras económicas (ECOB) ECOB1 0.34252529

TRB4 HOLA AAI AI EE.UU. VHI
ECOB2 0,25190898
TRB5 HOLA AAI BAI AAI EE.UU.
ECOB3 0,22467050
ECOB4 0.18089521
Barreras sociales (SOCB) SOCB1 0.27807310
Tabla 5d
SOCB2 0.14225329
Opinión de expertos sobre la barrera regulatoria.
SOCB3 0.25803154
REB REB1 REB2 REB3 REB4 SOCB4 0.16113871

SOCB5 0,16050335
REB1 EE.UU. HOLA HOLA HOLA
TRB1 0,13879552
Barreras de transformación (TRB)
REB2 CHI EE.UU. AI VHI TRB2 0.09866963
REB3 CHI AAI EE.UU. AI TRB3 0.31625312
REB4 HOLA BAI AAI EE.UU.
TRB4 0.22743580
TRB5 0.21884590
Tabla 5e
Opinión de expertos sobre la barrera Económica.
Además, la suma ponderada de PDA y NDA se calcula mediante la ecuación (23)
ECOB ECOB1 ECOB2 ECOB3 ECOB4 (24). Luego, estas sumas ponderadas se normalizan con la ayuda de la ecuación (25)
(26). Junto con esto, los puntajes de evaluación se calculan utilizando la Ecuación (27).
ECOB1 EE.UU. AAI CHI LI
ECOB2 AI EE.UU. HOLA HOLA
Para determinar la clasificación de la solución, la puntuación de evaluación se desdibuja
ECOB3 LI LI EE.UU. HOLA y luego la clasificación se calcula en consecuencia.
ECOB4 CHI HOLA AAI EE.UU.
Tabla 5f
5. Resultados
Opinión de expertos sobre la barrera social.
Para implementar eficazmente cualquier proyecto en una organización, debemos
SOCB SOCB1 SOCB2 SOCB3 SOCB4 SOCB5
descubrir los obstáculos y luego brindar soluciones para superarlos. Del mismo modo,
SOCB1 VHI AAI
EE.UU. HOLA HOLA
al implementar la Industria 4.0 en las PYMES, tenemos que superar barreras para su
SOCB2 AI EE.UU. VHI LI AI
implementación. Esta investigación ayudará a una organización a identificar barreras
SOCB3 HOLA HOLA EE.UU. LI VHI
SOCB4 HOLA AAI AI EE.UU. AAI importantes, como barreras organizativas, estratégicas, regulatorias, económicas,
SOCB5 AI HOLA HOLA AI EE.UU. sociales y de transformación. Después de discutir con los expertos industriales y
académicos, hemos finalizado 29 subbarreras para estas barreras principales. Entre
todos los criterios, las barreras más críticas para que la Industria 4.0 permitiera una
ayuda de la ecuación (13). Además de las barreras principales, se calculan las cadena de suministro de alimentos sostenible fueron las barreras organizativas.
ponderaciones normalizadas. El proceso anterior se repite para todos los criterios y los Utilizando el método PFAHP, hemos calculado los pesos de las barreras de los
pesos normalizados finales se muestran en la Tabla 6. subcriterios y les hemos dado una clasificación (consulte la Tabla 9) según su peso
para que podamos encontrar qué barreras afectan más a la implementación de la
4.3. Etapa 3: Calcular el rango de la solución utilizando el método PFEDAS Industria 4.0 en el sector alimentario sostenible. cadena de suministro, con la ayuda
del método PHAHP, hemos calculado el peso global de estas barreras, lo que ayudará
a determinar el rango de la solución.
Para implementar con éxito la Industria 4.0 en la cadena de suministro de El análisis revela que las barreras organizativas (ORGB) son las barreras más cruciales
alimentos sostenible, primero debemos superar las principales barreras proporcionando para implementar la cadena de suministro de alimentos sostenible habilitada por la
soluciones adecuadas. Hemos finalizado 14 soluciones para ayudar a lograr nuestros Industria 4.0, seguidas de las barreras estratégicas (STRB), las barreras sociales
objetivos en esta fase. Al igual que el método PHAHP, proporcionamos un cuestionario (SOCB), las barreras de transformación (TRB) y las barreras económicas ( ECOB) y
a la Compañía ABC, que completaron usando el término lingüístico que se muestra en Barreras Regulatorias (REB). Los ORGB y STRB son relevantes para la forma de hacer
la Tabla 7. Usando la Tabla 2, convertimos este término lingüístico en un número difuso negocios de la administración y dependen principalmente del enfoque de la alta
pitagórico y construimos una decisión. matriz que se muestra en la Tabla 8. Además, dirección en la implementación de nuevas tecnologías.
agregamos los valores de cada criterio usando la Ecuación (15) y luego formamos una Se requiere un fuerte apoyo y compromiso de los ejecutivos de la alta dirección para
matriz promedio de estas matrices agregadas. Después de eso, hemos desdifusificado abordar estas barreras. Teniendo en cuenta las clasificaciones de los subcriterios, 8
la matriz promedio y la solución promedio usando la Ecuación (21). A continuación, barreras de las 10 principales pertenecen a estas dos categorías. Falta de preparación
calculamos la distancia positiva y negativa de la matriz promedio usando las ecuaciones organizacional para adoptar iniciativas de Industria 4.0 en el proceso de negocios
(16) a (19). (ORGB2), Conocimiento inadecuado de la tecnología, proveedores y socios de
subcontratación que podrían facilitar la implementación de Industria
12
Tabla 7
Opinión de Expertos sobre las soluciones a las barreras (Experto 1).
Soluciones de barreras SO1 SO2 SO3 SO4 SO5 SO6 SO7 SO8 SO9 SO10 SO11 SO12 SO13 SO14
ORBG1 MI CHI HOLA METRO HOLA LI HOLA LI LI MI HOLA LI CHI CHI

ORGB2 HOLA VHI LI MI CHI VLI CHI MI VLI HOLA MI VLI VHI HOLA
ORGB3 MI CHI MI LI HOLA LI VHI HOLA CLI CHI HOLA VLI CHI MI
ORGB4 LI CHI VLI HOLA LI HOLA MI VLI LI LI VLI MI MI VHI
ORGB5 LI MI LI LI VLI LI LI MI LI MI CLI MI HOLA MI
STRB1 MI CHI HOLA HOLA MI MI HOLA LI LI VHI VHI HOLA VHI VHI
STRB2 LI MI MI VLI HOLA MI CHI MI MI LI MI MI MI MI
STRB3 CLI HOLA LI LI VLI VLI MI VHI LI VLI LI CLI MI LI
STRB4 LI MI VLI CHI LI LI LI HOLA VLI MI MI VLI LI MI
STRB5 MI HOLA LI HOLA MI HOLA MI VLI LI LI HOLA LI LI HOLA
STRB6 HOLA LI LI CHI VLI MI VHI CLI MI VLI MI LI MI HOLA
REB1 VLI HOLA LI HOLA MI LI MI LI CHI LI MI VHI LI HOLA
REB2 LI LI CLI VHI MI HOLA LI CLI VHI VLI LI MI VLI CHI

REB3 CLI MI VLI CHI HOLA MI MI VLI CHI LI MI HOLA CLI HOLA
REB4 LI MI CLI MI LI CLI CLI LI HOLA LI MI LI CLI MI

ECOB1 VLI VHI LI LI CLI CHI LI LI HOLA CLI VLI VLI LI LI
ECOB2 CLI CHI MI VLI LI HOLA HOLA MI LI MI LI VLI HOLA MI
ECOB3 MI HOLA MI LI VLI VHI VLI CLI CLI LI CLI VLI LI LI
ECOB4 CLI MI LI MI LI CHI LI VLI LI CLI LI CLI VLI VLI
SOCB1 HOLA HOLA CHI LI MI MI CHI MI LI VHI MI VLI CHI CLI
SOCB2 CHI VHI HOLA MI LI VHI MI LI VLI MI HOLA LI HOLA VLI
SOCB3 MI CHI LI HOLA HOLA LI CHI LI VLI HOLA MI CLI VHI MI
SOCB4 HOLA MI MI LI VLI MI LI VLI LI MI LI CLI MI LI
SOCB5 MI CHI HOLA HOLA LI LI MI LI LI MI MI LI HOLA MI
TRB1 CHI VHI LI MI MI MI HOLA MI LI LI MI LI VHI LI
TRB2 LI VLI MI HOLA LI VLI LI MI VHI VLI LI HOLA LI VHI
TRB3 MI MI LI HOLA MI CLI VLI LI MI LI MI LI MI LI
TRB4 LI MI VLI VHI VLI LI VLI HOLA HOLA LI LI MI LI MI
TRB5 MI CHI LI VHI MI VLI LI MI VHI VLI VLI HOLA CLI VHI
Tabla 8 Tabla 9
Matriz difusa pitagórica para la solución (Experto 1). Rango de las barreras.
Solución SO1 SO2 ............SO14 Código Peso final Rango

Barreras
ORGB2 0,1259 1
ORGB1 (0,4,0,6,0,4,0,5) (0,7,0,9,0,1,0,2) ............ (0,7,0,9,0,1,0,2) STRB6 0.0820 2
ORGB2 (0,5,0,7,0,3,0,4) (0,6,0,8,0,2,0,3) ............ (0,5,0,7,0,3,0,4) ORGB5 0.0804 3
....... ............ ........... ........... ........... ORGB4 0.0771 4
........ ............ ............ ............ ............ STRB4 0,0507 5
TRB5 (0,4,0,6,0,4,0,5) (0,7,0,9,0,1,0,2) ............ (0,6,0,8,0,2,0,3) SOCB1 0,0465 6
STRB1 0.0462 7
ORGB1 0.0438 8
4.0 (ORGB5), la falta de inversión en investigación y desarrollo para adoptar la Industria SOCB3 0.0431 9
ORGB3 0.0424 10
4.0 en la red de la cadena de suministro de alimentos sostenible (ORGB4) son las tres
STRB2 0.0348 11
barreras más críticas para la implementación de la cadena de suministro de alimentos
TRB3 0,0324 12
sostenible que permitió la Industria 4.0. La clasificación de los subcriterios de ORGB es STRB5 0,0313 13
ORGB2 > ORGB5 > ORGB4 > ORGB1 > ORGB3. SOCB4 0.0269 14
La clasificación de los subcriterios de STRB es STRB6 > STRB4 > STRB1 > STRB2 > SOCB5 0.0268 15

SOCB2 0.0238
STRB5 > STRB3. Los STRB ocupan el segundo lugar en la clasificación de criterios
dieciséis
TRB4 0.0233 17
principales y sus 3 subcriterios (barreras) de los 10 primeros se encuentran en la lista de ECOB1 0.0230 18
barreras de la clasificación global. La clasificación de los subcriterios de los SOCB es SOCB1 > TRB5 0,0224 19
SOCB3 > SOCB4 > SOCB5 > SOCB2 en el que la falta de implicación y motivación de STRB3 0,0193 20
ECOB2 0.0169 21
los empleados para la Industria 4.0 tiene el mayor peso entre los SOCB. Los TRB,
ECOB3 0.0151 22
después del análisis, ocupan el cuarto lugar en la lista.
TRB1 0.0142 23
La clasificación de los subcriterios de TRB es TRB3 > TRB4 > TRB5 > TRB1 > ECOB4 0.0121 24
TRB2, en el que la Industria 4.0 permitió la integración de la cadena de suministro de TRB2 0.0101 25
alimentos sostenible hacia adelante y hacia atrás (TRB3), tiene el mayor peso. Los ECOB REB3 0,0096 26

REB4 0,0078 27
y los REB ocupan el quinto y sexto lugar respectivamente. La clasificación de los
REB1 0.0068 28
subcriterios de los ECOB es ECOB1 > ECOB2 > ECOB3 > ECOB4, en los que la
REB2 0.0041 29
inversión inicial y el coste operativo elevados en tecnologías de la Industria 4.0 (ECOB1)
tienen el mayor peso. La clasificación de los subcriterios de los REB es REB3 > REB4 >
REB1 > REB2, en los que la falta de estándares sistemáticos y arquitecturas de referencia Reconocer la solución que ayudará a superar la mayoría de las barreras. El rango de la
para respaldar la habilitación de la Industria 4.0 para la cadena de suministro de alimentos solución obtenida del método PFEDAS se indica a continuación SO2 >
SO14 > SO4 > SO6 > SO13 > SO1 > SO9 > SO7 > SO3 > SO10 > SO8 > SO12 > SO5
sostenible (REB3) tiene el mayor peso. La tarea principal era encontrar la solución
esencial que ayudaría a superar la mayoría de las barreras para implementar la Industria > SO1 (Consulte la Tabla 10).
4.0 en la organización.
Hemos finalizado 14 soluciones que afectan a todas las barreras y utilizamos el método
PF EDAS para clasificar la solución. Este rango ayudará a la organización.
13
Tabla 10 adoptar nuevas tecnologías en la organización) tiene la puntuación de evaluación más alta en
Rango de la solución. 14 experimentos (es decir, 1–6, 8, 10, 15–20). Al mismo tiempo, la solución SO14 (Establecer
Solución Rango políticas regulatorias e industriales adecuadas para fomentar la inversión y mejorar la

Puntuación de valoración I(AS̃i)
colaboración para el desarrollo de infraestructura digital) obtuvo la puntuación de evaluación
SO2 0,4445 1
más alta en 6 experimentos (es decir, 7, 9, 1114). Más adelante en nuestro cálculo, SO14 está
SO14 0.4365 2
en el segundo puesto, pero a partir del análisis de sensibilidad podemos decir que después de
SO4 0.4243 3
SO6 0.4158 4 cambiar la ponderación de las barreras, SO14 sólo obtuvo 12 veces el segundo puesto (es decir,
SO13 0.4011 5 1–2, 3–4, 8, 10, 15–20). ). Además, SO4 (Establecer estándares tecnológicos para afrontar los
SO1 0.4006 6
desafíos que surgen de las cuestiones relacionadas con la integración, la interoperabilidad y la
SO9 0.3956 7
escalabilidad) obtuvo el segundo puesto en 5 experimentos. Las prioridades de otras soluciones
SO7 0.3844 8
SO3 0,3691 también cambian con el cambio en las ponderaciones de las principales barreras, lo que muestra
SO10 0,3650 9 10 que el resultado obtenido del marco es robusto, es decir, la clasificación de la solución es muy
SO8 0.3642 11 sensible a las ponderaciones de las barreras. La desviación de clasificación final para las
SO12 0.3545 12
soluciones se muestra en las figuras 4a, 4b y 4c (consulte la Tabla 11).
SO5 0.3230 13
SO11 0.2693 14
5.1. Discusión
6. Implicaciones de la investigación
La mala percepción de la alta dirección sobre la digitalización y la falta de voluntad para Esta investigación proporciona información valiosa para sugerencias teóricas y prácticas
adoptarla en la cadena de suministro de alimentos son los principales obstáculos. para la adopción de la Industria 4.0 en el sector de la cadena de suministro de alimentos
Además, existe una falta de conocimiento sobre la Industria 4.0 en la organización y entre los sostenible. A continuación se describe la importancia de este estudio para académicos,
empleados. A continuación, la resistencia de la dirección a utilizar nuevas tecnologías en lugar profesionales y formuladores de políticas.
del antiguo modelo de cadena de suministro se debe a la falta de conocimiento, a los beneficios
poco claros del uso de la Industria 4.0 y al miedo al trabajo adicional (Kumar et al., 2021a,b). Las 6.1. Implicaciones para académicos y profesionales
PYMES también tienen limitaciones financieras por lo que carecen de inversión para desarrollar
y utilizar estas nuevas tecnologías de manera efectiva (Fernando et al., 2022; Kumar et al., Este estudio proporciona información importante a académicos y profesionales para habilitar
2021a,b). La organización teme el uso de tecnologías digitales porque se pueden robar datos la Industria 4.0 en sus organizaciones de las siguientes maneras:
importantes debido a los ciberataques. La Industria 4.0 todavía se encuentra en una etapa de
crecimiento en la que la mayoría de las organizaciones no comprenden claramente las
tecnologías y carecen de experiencia en las tecnologías relevantes (Adebanjo et al., 2021). A • Debido a que el uso de la tecnología en las cadenas de suministro cambia constantemente,
partir del resultado, podemos decir que el apoyo y el compromiso de la alta dirección con la es crucial comprender las barreras críticas para permitir la Industria 4.0 en la cadena de
innovación y la I+D es la solución más crítica para adoptar la Industria 4.0. Esto ayudará a que suministro de alimentos sostenible y las soluciones para superarlas.
la cadena de suministro de alimentos sostenible implemente nuevas tecnologías en la cadena Esta investigación proporcionó información detallada y una lista de barreras esenciales y
de suministro de manera efectiva (Ghosh et al., 2023a). sus soluciones. Además, el análisis utiliza la teoría de conjuntos de Pitágoras con los
métodos PFAHP y PFEDAS para priorizar la solución.
La segunda solución más crítica es establecer apoyo financiero y elaborar las regulaciones • Este estudio evalúa 29 barreras críticas categorizadas en seis categorías principales. Es un
y políticas adecuadas para alentar a las empresas extranjeras e indias a invertir en la cadena de estudio amplio y pionero que combina desafíos para implementar la Industria 4.0 en la
suministro de alimentos sostenible de la India para desarrollar una excelente infraestructura cadena de suministro de alimentos sostenible y ofrece soluciones en el ámbito de la
digital. Para superar la elevada inversión inicial en nuevas tecnologías, el gobierno debería investigación. Una comprensión detallada de cada barrera y solución permite a los gerentes
proporcionar un alivio adecuado de los impuestos y subsidios para las pymes (Subramaniyam et adoptar la Industria 4.0 con éxito.
al., 2021).
Además, la participación de las autoridades superiores en la creación de estrategias para • Es un desafío utilizar todas las barreras, por lo que se han elegido barreras críticas para el
generar apoyo financiero de diversas fuentes, como institutos de investigación, bancos y estudio y en consecuencia se proponen soluciones. La investigación se realiza teniendo en
gobiernos. La participación activa de los directivos a la hora de impartir formación, aumentar la cuenta a las PYME indias y puede extender este marco más allá de esto y el investigador
concienciación entre los empleados y elaborar una hoja de ruta para futuras investigaciones puede implementar este marco propuesto en otros campos como la fabricación, la
desempeñará un papel vital en la adopción eficaz de nuevas tecnologías (Mohseni et al., 2022). producción, etc. Además, esta investigación ayudará a los profesionales a superar las
El gobierno debería trabajar con las organizaciones para elaborar normas y leyes estrictas para barreras para permitir la Industria 4.0 en una organización.
la seguridad de los datos, la privacidad y la ciberseguridad (Kayikci et al., 2022).
• Este estudio guiará a las PYMES para implementar tecnologías de la Industria 4.0 de manera
efectiva y digitalizar sus cadenas de suministro. También ayudará a impulsar la iniciativa
5.2. Análisis de sensibilidad “India Digital” del gobierno indio en una cadena de suministro de alimentos sostenible.
La validez del resultado adquirido del marco sugerido se puede comprobar mediante análisis • Esta investigación ayudará a los gerentes/tomadores de decisiones de la organización a
de sensibilidad. La clasificación de las soluciones se realiza ajustando las ponderaciones de los desarrollar estrategias para maniobrar fácilmente desde el antiguo modelo de cadena de
obstáculos principales; Para estos, hemos realizado veinte experimentos. Inicialmente, en los suministro a la digitalización de una cadena de suministro de alimentos sostenible.
primeros 18 experimentos, se cambia el peso de una barrera (es decir, 0,6) mientras se
mantiene constante el peso de las otras barreras (es decir, 0,0142857). En el experimento 19, 6.2. Implicaciones para los gerentes/tomadores de decisiones
se dan pesos iguales a todas las barreras (es decir, 0,0344827).
• Esta investigación se llevó a cabo para ayudar a los gerentes y tomadores de decisiones de
Además, en el vigésimo experimento, el peso de las barreras de ORGB1 a TRB2 es 0,04 y el la industria a comprender las barreras en la Industria 4.0 que permitieron la adopción de
resto de TRB3TRB5 recibe cero. La puntuación de evaluación obtenida por este experimento una cadena de suministro de alimentos sostenible. Los resultados de este estudio les
se muestra en la Tabla 10. ayudan a implementar la estrategia o soluciones efectivas de manera gradual para superar
De los datos obtenidos para el rango, podemos decir que la solución SO2 su influencia negativa en la Industria 4.0, que permitió la adopción de una cadena de
(Compromiso de la alta dirección con la innovación y la I+D para suministro de alimentos sostenible.
14
Fig. 4. (abc) Resultado del análisis de sensibilidad.
• La mala percepción de la alta dirección sobre la digitalización y la falta de voluntad promoción verde y tratar de crear conciencia fuera de la organización a través del
para adoptar la Industria 4.0, que permitió una cadena de suministro de alimentos enriquecimiento del valor verde de estos productos. • Las naciones
sostenible, son las barreras más críticas. En tal situación, el apoyo gubernamental y desarrolladas ya habían comenzado a implementar un marco de políticas para la
el compromiso de la alta dirección de la organización y los planes de financiación Industria 4.0 y el desarrollo de la cadena de suministro de alimentos. La nación
para las ecoinnovaciones en la cadena de suministro de alimentos desempeñarán un emergente como India debería seguir estos crecimientos tranquilizadores y garantizar
papel vital. la facilidad para hacer negocios, subvenciones, beneficios fiscales, facilidad de
• La falta de conciencia entre las partes interesadas es también una de las barreras transferencia de tecnología y una difusión exitosa de la Industria 4.0 en FCS
críticas en la Industria 4.0 que permitió la adopción de una cadena de suministro de sostenibles.
alimentos sostenible. Estos muestran el efecto significativo del entorno de las partes
interesadas externas en la Industria 4.0 y la implementación de una cadena de
suministro de alimentos sostenible. Las organizaciones deben adoptar políticas estratégicas para
15
Tabla 11
Análisis de sensibilidad de las soluciones.
SO1 SO2 SO3 SO4 SO5 SO6 SO7 SO8 SO9 SO10 SO11 SO12 SO13 SO14
EXP1 0.314 0.453 0,285 0.436 0.321 0.318 0.332 0,297 0.257 0.340 0.317 0.270 0.423 0,452
EXP2 0.403 0.450 0.315 0,431 0.419 0,299 0.423 0.280 0.266 0.401 0.322 0,259 0.411 0,448
EXP3 0,416 0,451 0,408 0,345 0,412 0,311 0,426 0,271 0,262 0,426 0,280 0,252 0,429 0,429
EXP4 0,372 0,452 0,297 0,438 0,304 0,355 0,355 0,250 0,263 0,278 0,237 0,323 0,317 0,449
EXP5 0.413 0.450 0.302 0.436 0,291 0.308 0.419 0.403 0.262 0.355 0,239 0.376 0.415 0.446
EXP6 0.316 0.451 0,394 0.436 0.393 0.325 0.418 0,297 0.268 0.388 0.374 0.376 0.413 0,432
EXP7 0.321 0.413 0.330 0.319 0,427 0.273 0.440 0.393 0,282 0.337 0.311 0.345 0.414 0,447
EXP8 0.308 0,448 0,297 0.435 0.409 0,279 0,421 0.417 0.273 0,277 0.273 0.264 0.423 0.445
EXP9 0.342 0.408 0,288 0.438 0.407 0,282 0.417 0,421 0.261 0.388 0.385 0.270 0.366 0,447
EXP10 0,305 0,447 0,274 0,442 0,332 0,307 0,415 0,381 0,268 0,300 0,393 0,293 0,341 0,444
EXP11 0,427 0,372 0,358 0,439 0,308 0,319 0,429 0,270 0,269 0,302 0,289 0,343 0,412 0,446
EXP12 0,288 0.441 0.262 0,429 0.406 0,285 0.340 0,288 0.424 0.249 0.301 0.402 0,293 0,447
EXP13 0.317 0.337 0.256 0,431 0.415 0.407 0,282 0.262 0.402 0.257 0.245 0.374 0.270 0.451
EXP14 0,272 0.409 0.308 0,439 0.413 0,396 0.304 0.256 0.413 0.249 0,287 0.376 0.276 0,45
EXP15 0.321 0,447 0.255 0,437 0.404 0.306 0.269 0.375 0,394 0.281 0.358 0.412 0,298 0,447
EXP16 0.306 0,448 0,377 0.327 0.275 0,427 0.347 0.290 0,285 0.254 0.238 0.283 0,277 0.445
EXP17 0,283 0,451 0,415 0,282 0,364 0,382 0,426 0,258 0,275 0,393 0,263 0,273 0,414 0,447
EXP18 0,419 0,448 0,396 0,350 0,316 0,430 0,291 0,262 0,253 0,266 0,229 0,248 0,308 0,446
EXP19 0.360 0.435 0.330 0.402 0.342 0.346 0.368 0.325 0.312 0.323 0.281 0.309 0.365 0.430
EXP20 0.366 0,434 0.336 0.390 0.338 0.353 0.375 0.312 0.315 0.327 0,282 0,299 0.371 0,429
6.3. Recomendación para los formuladores de políticas • La aplicabilidad del marco propuesto se ha demostrado utilizando la industria
alimentaria india. Los datos de entrada necesarios para este estudio fueron tomados
El uso de tecnologías de la Industria 4.0 ha atraído una atención significativa por de expertos industriales de la industria alimentaria india seleccionada. • Las 29
parte de las partes interesadas en la cadena de suministro de alimentos sostenible. Estas barreras identificadas se clasificaron en seis criterios principales, es decir, organización,
tecnologías en la cadena de suministro conllevan diversos riesgos, como la seguridad de estrategia, regulación, economía, social y transformación. Las 29 barreras y las 14
los datos, la privacidad y la pérdida de datos esenciales. Por lo tanto, es fundamental soluciones se evaluaron utilizando un marco híbrido, es decir, PFAHP y PFEDAS.
desarrollar leyes y regulaciones respecto a la implementación y uso de estas tecnologías.
El gobierno, los institutos de investigación y las organizaciones deberían crear normas y • Se empleó PFAHP para determinar el peso de las barreras, mientras que PF
políticas estrictas para que las PYME adopten estas nuevas tecnologías. El gobierno EDAS se utilizó para evaluar las soluciones para superar las barreras de
también debería proporcionar subsidios y desgravaciones fiscales para que las La Industria 4.0 permitió la adopción de una cadena de suministro de alimentos
MIPYMES puedan utilizar estas tecnologías de manera efectiva. El principal obstáculo sostenible. En esta investigación se utilizaron PFS para abordar la imprecisión y la
para el uso de la Industria 4.0 es la infraestructura digital en las zonas rurales, por lo que vaguedad presentes en la toma de decisiones.
el gobierno debería trabajar para desarrollar esta infraestructura mediante mejores • Los hallazgos de este estudio sugieren que la mala percepción de la digitalización por
políticas para que los inversores extranjeros y locales puedan invertir en el desarrollo de parte de la alta dirección y la falta de voluntad para adoptar una cadena de suministro
esta infraestructura digital. Esta investigación ayudará a la organización a desarrollar de alimentos sostenible habilitada por la Industria 4.0 son las barreras más críticas,
estrategias para facilitar la transición del antiguo modelo de cadena de suministro a la mientras que el compromiso y el apoyo de la alta dirección es la solución más vital
digitalización de una cadena de suministro de alimentos sostenible. seguida por el gobierno para proporcionar subsidios financieros y desgravaciones
fiscales.
7. Conclusión • La solución menos crítica fue proporcionar una comunicación adecuada para reducir
la complejidad. Con la ayuda de estos rangos, una organización conocerá las
La Industria 4.0 ofrece beneficios potenciales como trazabilidad de alimentos, soluciones críticas que pueden ayudar a mitigar el máximo de barreras. • El resultado
automatización, gestión energética, etc. Puede ayudar en la gestión eficaz de todos los de esta investigación proporciona una dirección adecuada a los formuladores de
recursos. Las organizaciones no pueden implementar la Industria 4.0 debido a barreras políticas para formular y diseñar políticas, leyes y regulaciones estándar hacia la
como la falta de apoyo de la alta dirección, limitaciones financieras, falta de conocimiento adopción eficiente de la cadena de suministro de alimentos sostenible habilitada por
y experiencia, etc., y las soluciones pueden superar estas barreras. Así, este estudio la Industria 4.0.
proporcionó un conocimiento profundo sobre las soluciones a las barreras para la
adopción de la Industria 4.0 en su organización. Las limitaciones y sugerencias para futuras investigaciones se resumen a continuación:
El hallazgo significativo del presente estudio se resume a continuación:
• El estudio tiene algunas limitaciones, que pueden ser una aproximación para futuros
• El crecimiento de los componentes de la Industria 4.0 tiene una influencia beneficiosa trabajos de investigación. Se tomaron como insumo las opiniones de expertos; por
significativa en la gestión de la cadena de suministro del procesamiento de alimentos lo tanto, calcule los datos con atención para obtener el resultado correcto. El modelo
y aumenta la sostenibilidad. Las nuevas tecnologías, como la computación en la utilizado para la investigación depende de la opinión de los expertos y puede variar
nube, Blockchain y el Internet de las cosas (IoT), se utilizan cada vez más, lo que de un experto a otro según su experiencia, interés y conocimiento.
tiene implicaciones importantes para la adopción del suministro sostenible de
alimentos en una industria. • Esta investigación se realiza en PYMES y las barreras pueden variar para la industria
• La cadena de suministro de alimentos enfrenta numerosos desafíos, como la de gran escala, por lo que el investigador puede aumentar su área de interés para
trazabilidad, el transporte y el empaque de los alimentos. La Industria 4.0 puede colaborar con esto en industrias de gran escala. • Se tomaron
superar significativamente estos desafíos en la cadena de suministro de alimentos las únicas barreras críticas para el estudio de modo que futuras investigaciones puedan
sostenible utilizando tecnologías como IoT, Blockchain, ciberseguridad, etc. ampliar las barreras y trabajar con datos más extensos para obtener resultados
• En esta investigación se utilizó el marco híbrido de las técnicas PFAHP y PFEDAS precisos.
para examinar las barreras y sus soluciones para adoptar la Industria 4.0 que permitió • Este estudio se realiza para un tipo de industria específico y el investigador puede
una cadena de suministro de alimentos sostenible. extender este modelo híbrido a los diferentes campos como
dieciséis
medicina, agricultura, farmacéutica, ingeniería y gestión. Guo, D., Li, M., Lyu, Z., Kang, K., Wu, W., Zhong, RY, Huang, GQ, 2021.
Sincronización en la fabricación de la Industria 4.0. En t. J. Prod. Economía. 238 (marzo), 108171
https://doi.org/10.1016/j.ijpe.2021.108171.
´ ´
Horvath, D., Szabo, RZ, 2019. Fuerzas impulsoras y barreras de la industria 4.0: ¿Tienen las
empresas multinacionales y las pequeñas y medianas igualdad de oportunidades?
Declaración de intereses en competencia
Tecnología. Pronóstico. Soc. Chang. 146 (mayo), 119132. https://doi.org/10.1016/j.
techfore.2019.05.021.
Los autores declaran que no tienen intereses financieros en competencia ni relaciones Kamble, SS, Gunasekaran, A., Parekh, H., Joshi, S., 2019. Modelado de las barreras de adopción del
personales conocidas que pudieran haber influido en el trabajo presentado en este artículo. Internet de las cosas en las cadenas de suministro minoristas de alimentos. J. Comercio minorista.
Consumir. Serv. 48 (febrero), 154168. https://doi.org/10.1016/j.jretconser.2019.02.020.
Kayikci, Y., Subramanian, N., Dora, M., Bhatia, MS, 2022. La cadena de suministro de alimentos en la era de
la industria 4.0: oportunidades e impedimentos de implementación de la tecnología blockchain
Disponibilidad de datos desde la perspectiva de las personas, los procesos, el desempeño y la tecnología.
Pinchar. Plan. Controle 33 (2–3), 301–321. https://doi.org/10.1080/
09537287.2020.1810757.
Los datos estarán disponibles previa solicitud. Kazancoglu, Y., Sagnak, M., Mangla, SK, Sezer, MD, Pala, MO, 2021. Un marco de decisión híbrido de base
difusa para la circularidad en las cadenas de suministro de productos lácteos a través de soluciones
de big data. Tecnología. Pronóstico. Soc. Chang. 170 (junio), 120927 https://doi.org/10.1016/
Apéndice A. Datos complementarios
j.techfore.2021.120927 .
Khan, IS, Ahmad, MO, Majava, J., 2021. Industria 4.0 y desarrollo sostenible: un mapeo sistemático de las
Los datos complementarios de este artículo se pueden encontrar en línea en https://doi. perspectivas del triple resultado, la economía circular y los modelos de negocio sostenibles. J.
Limpio. Pinchar. 297, 126655.
org/10.1016/j.clscn.2023.100116.
Khan, S., Kaushik, MK, Kumar, R., Khan, W., 2023. Investigar las barreras de
Cadena de suministro de alimentos integrada con tecnología blockchain: un enfoque BWM. BIJ 30 (3),
Referencias 713–735. https://doi.org/10.1108/BIJ0820210489.
Kiris¸ci, M., S¸ims¸ek, N., 2021. Método de toma de decisiones relacionado con conjuntos blandos difusos
pitagóricos con aplicación de enfermedades infecciosas. Universidad J. King Saud Información informática.
Aamer, AM, AlAwlaqi, MA, Affia, I., Arumsari, S., Mandahawi, N., 2021. Internet de las cosas en la cadena de
Ciencia. 34 (8), 5968–5978.
suministro de alimentos: desafíos de adopción. Evaluación comparativa 28 (8), 2521–2541. https://
Konur, S., Lan, Y., Thakker, D., Morkyani, G., Polovina, N., Sharp, J., 2021. Hacia
doi.org/10.1108/BIJ0720200371.
Diseño e implementación de la industria 4.0 para la fabricación de alimentos. Computación neuronal.
Accorsi, R., Bortolini, M., Gamberi, M., Guidani, B., Manzini, R., Ronzoni, M., 2022.
& Aplicar. 0123456789 https://doi.org/10.1007/s0052102105726z.
Simulación de las condiciones de envasado de productos bajo estrés ambiental en un gemelo
Kouhizadeh, M., Saberi, S., Sarkis, J., 2021. Tecnología blockchain y cadena de suministro sostenible:
ciberfísico de la cadena de suministro de alimentos. J. Ing. de Alimentos. 320, 110930 https://
exploración teórica de las barreras de adopción. En t. J. Prod. Economía. 231 (septiembre de 2019),
doi.org/10.1016/j.jfoodeng.2021.110930 .
107831 https://doi.org/10.1016/j.ijpe.2020.107831.
Ada, N., Kazancoglu, Y., Sezer, MD, EdeSenturk, C., Ozer, I., Ram, M., 2021. Análisis de las barreras de las
Kumar, V., Vrat, P. y Shankar, R. (2021). Priorización de estrategias para superar las barreras de la industria
cadenas circulares de suministro de alimentos y propuesta de soluciones de la industria 4.0.
4.0: un enfoque MCDM híbrido. En Opsearch (Vol. 58, Número 3).
Sostenibilidad (Suiza) 13 (12), 1–29. https://doi.org/10.3390/su13126812.
Springer India. doi: 10.1007/s12597020005051.
Adebanjo, D., Laosirihongthong, T., Samaranayake, P., Teh, P.L., 2021. Facilitadores clave del
Kumar, A., Mangla, SK, Kumar, P., 2022. Barreras para la adopción de la industria 4.0 en la cadena de
desarrollo de la Industria 4.0 a nivel empresarial: hallazgos de una economía emergente.
suministro de alimentos sostenible: una perspectiva de economía circular. En t. J. Producto.
Traducción IEEE . Ing. Gestionar. 70 (2), 400–416.
Llevar a cabo. Gestionar. https://doi.org/10.1108/IJPPM1220200695.
Ali, I., Aboelmaged, MGS, 2021. Implementación de la cadena de suministro 4.0 en la industria de alimentos y
Kumar, S., Raut, RD, Nayal, K., Kraus, S., Yadav, VS, Narkhede, BE, 2021b. Identificar las barreras a la
bebidas: impulsores y barreras percibidos. En t. J. Producto. Llevar a cabo. Gestionar. 71 (4), 14261443.
adopción de la industria 4.0 y la economía circular en la cadena de suministro agrícola mediante el
uso de ISMANP. J. Limpio. Pinchar. 293, 126023 https://doi.org/10.1016/j.jclepro.2021.126023 .
Ali, I., Satie, S. y Thai, V. (2020). Adopción de la Industria 4 . 0 Tecnologías en las cadenas de suministro
agroalimentarias: una investigación exploratoria de impulsores y barreras. Del 1 al 20 de abril .
Lahane, S., Kant, R., 2021. Un marco híbrido pitagórico difuso AHP – CoCoSo para clasificar los resultados de
Amentae, TK y Gebresenbet, G. (2021). Digitalización y gestión futura de la cadena de suministro
desempeño de la cadena de suministro circular debido a la adopción de sus habilitadores.
agroalimentaria: implicaciones basadas en la literatura.
Gestión de residuos. 130, 48–60. https://doi.org/10.1016/j.wasman.2021.05.013.
Aravindaraj, K., Chinna, PR, 2022. Una revisión sistemática de la literatura sobre la integración de
Lahane, S., Kant, R., Shankar, R., Patil, SK, 2023. Marco de medición del desempeño de la implementación de
industria 4.0 y gestión de almacenes para alcanzar los objetivos de desarrollo sostenible (ODS). Logística
la cadena de suministro circular: un análisis de caso comparativo. Pinchar. Plan.
y Cadena de Suministro más Limpias 100072.
Controle 1–20. https://doi.org/10.1080/09537287.2023.2180684.
Atanassov, KT, 1986. Conjuntos difusos intuicionistas. Conjunto difuso. Sistema. 20 (1), 87–96. https://
Latino, ME, Menegoli, M., Corallo, A., 2022. Digitalización de la agricultura: una solución global
doi.org/10.1016/S01650114(86)800343.
Examen basado en análisis bibliométrico. Traducción IEEE. Ing. Gestionar. https://doi. org/10.1109/
da Silveira, F., Lermen, FH, Amaral, FG, 2021. Una visión general de la agricultura 4.0
TEM.2022.3154841.
desarrollo: Revisión sistemática de descripciones, tecnologías, barreras, ventajas y desventajas.
Machado, E., Scavarda, LF, Caiado, RGG, Thomé, AMT, 2021. Barreras y Habilitadores para la Integración
Computadora. Electrón. Agrícola. 189 (agosto), 106405 https://doi.org/10.1016/j.compag.2021.106405 .
de la Industria 4.0 y la Sostenibilidad en las Cadenas de Suministro de las MIPYMES.
Sostenibilidad 13 (21), 11664. https://doi.org/10.3390/su132111664.
Dadi, V., Nikhil, SR, Mor, RS, Agarwal, T., Arora, S., 2021. Agroalimentación 4.0 e innovaciones:
Mangla, SK, Luthra, S., Rich, N., Kumar, D., Rana, NP, Dwivedi, YK, 2018. Facilitadores para implementar
modernización de las operaciones de la cadena de suministro. Archivos de ingeniería de
iniciativas sostenibles en las cadenas de suministro agroalimentario. En t. J. Prod. Economía. 203 (abril),
producción 27 (2), 75–89. https://doi.org/10.30657/pea.2021.27.10.
379–393. https://doi.org/10.1016/j.ijpe.2018.07.012.
Emmanouilidis, C., Bakalis, S., 2020. Habilitadores de tecnología digital para cadenas de valor alimentarias
Martins, FDC, Simon, AT, De Campos, RS, 2020. Supply Chain 4. 0 desafíos.
resilientes e impulsadas por el cliente. Avances del IFIP en tecnologías de la información
Scielo. Brasil 27 (3), 1–22.
y las comunicaciones 592 IFIP (septiembre), 649–657. https://doi.org/10.1007/9783030579975_75 .
Mastos, TD, Nizamis, A., Terzi, S., Gkortzis, D., Papadopoulos, A., Tsagkalidis, N.,
Ioannidis, D., Votis, K., Tzovaras, D., 2021. Presentamos una aplicación de una solución de la industria
Fernando, Y., WahyuniTD, IS, Gui, A., Ikhsan, RB, Mergeresa, F., Ganesan, Y., 2022.
4.0 para la gestión de la cadena de suministro circular. J. Limpio. Pinchar. 300, 126886.
Un estudio de métodos mixtos sobre las barreras de la adopción de la Industria 4.0 en las cadenas de
MichelVillarreal, R., VilaltaPerdomo, EL, Canavari, M., Hingley, M., 2021. Resiliencia y digitalización en
suministro de fabricación de las pymes de Indonesia. JSTPM 14 (4), 678–695.
cadenas cortas de suministro de alimentos: un enfoque de estudio de caso. Sostenibilidad (Suiza) 13
GarridoHidalgo, C., Olivares, T., Ramirez, FJ, RodaSanchez, L., 2019. Una solución de Internet de las cosas
(11), 1–23. https://doi.org/10.3390/su13115913.
de extremo a extremo para la gestión inversa de la cadena de suministro en la Industria 4.0.
Mohseni, S., Baghizadeh, K., Pahl, J., Tomasiello, S., 2022. Evaluación de barreras e impulsores de
Computadora. Indiana 112, 103127 https://doi.org/10.1016/j.compind.2019.103127.
cadenas de suministro de alimentos sostenibles. Matemáticas. Problema. Ing. 2022, 1–24.
Gebhardt, M., Kopyto, M., Birkel, H., Hartmann, E., 2021. Las tecnologías de la Industria 4.0 como facilitadores ´ ´
Morella, P., Lamban, MP, Royo, J., Sanchez, JC, 2021. Estudio y análisis de la implementación de
de la colaboración en cadenas de suministro circulares: una revisión sistemática de la literatura.
tecnologías 4.0 en la cadena de suministro agroalimentaria: Un estado del arte.
En t. J. Prod. Res. 60 (23), 6967–6995.
Agronomía 11 (12). https://doi.org/10.3390/agronomy11122526.
Ghadge, A., Er Kara, M., Moradlou, H., Goswami, M., 2020. El impacto de la implementación de la Industria
My, A., Beske, P. y Management, I. (2009). Explorar y analizar desafíos y
4.0 en las cadenas de suministro. J. Manuf. Tecnología. Gestionar. 31 (4), 669–686. https://doi.org/
Barreras de la gestión eficaz de la cadena de suministro de alimentos en los países de los Balcanes occidentales:
10.1108/JMTM1020190368.
un estudio Delphi. 19–40.
Ghosh, S., Mandal, MC, Ray, A., 2022. Exploración de la influencia de parámetros críticos en el desempeño de
Narwane, VS, Gunasekaran, A., Gardas, BB, 2022. Cómo desbloquear los desafíos de la adopción de IoT en
la gestión de la cadena de suministro verde de las pequeñas y medianas empresas: un enfoque de diseño
la cadena de suministro agrícola y alimentaria de la India. Tecnología agrícola inteligente 2 (noviembre
robusto con análisis multivariado integrado. Logística más limpia y cadena de suministro 4, 100057.
de 2021), 100035. https://doi.org/10.1016/j.atech.2022.100035.
https://doi.org/10.1016/j.clscn.2022.100057.
Naseem, MH, Yang, J., 2021. Papel de la industria 4.0 en la sostenibilidad de las cadenas de suministro:
Ghosh, S., Mandal, MC, Ray, A., 2023a. Investigación de los parámetros clave de desempeño de la gestión de
una revisión sistemática de la literatura. Sostenibilidad (Suiza) 13 (17). https://doi.org/10.3390/
la cadena de suministro verde para la sostenibilidad en empresas procesadoras de té mediante el
su13179544 .
análisis de Pareto. J.Inst. Ing. (India): Serie C 104 (1), 113–122. https://doi.org/10.1007/
Neusel, L., Hirzel, S., 2022. Eficiencia energética en las cadenas de suministro de frío del sector alimentario:
s40032022008888 .
una exploración de las condiciones y percepciones. Logística y cadena de suministro más limpias 5,
Ghosh, S., Raut, RD, Mandal, MC, Ray, A., 2023b. Revisando el nexo entre 100082.
Gestión sostenible de la cadena de suministro y desempeño de las organizaciones de fabricación de
Ojo, OO, Shah, S., Coutroubis, A., Jiménez, MT y Ocaña, YM (2018). Impacto potencial de la industria 4.0 en
acero: un estudio de caso de una economía emergente. Ing. IEEE. Gestionar. Apocalipsis 51 (1), 189–
el entorno de la cadena de suministro de alimentos sostenible. IEEE 2018
213. https://doi.org/10.1109/EMR.2022.3233484.
17
Conferencia internacional sobre gestión, operaciones y decisiones de tecnología, ICTMOD 2018, Producción y consumo sostenibles 23, 77–93. https://doi.org/10.1016/j. spc.2020.05.001.
172–177. doi: 10.1109/ITMC.2018.8691223.
Ojo, OO, Shah, S., Coutroubis, A., 2020. Impactos de la industria 4.0 en la cadena de suministro y fabricación Subramaniyam, M., HalimLim, SA, Mohamad, SFB y Priyono, A. (2021). Cadena de suministro digital en la
de alimentos sostenibles. En t. J. Gestión Integrada del Abastecimiento. 13 (2–3), 140–158. https:// industria alimentaria: barreras y factores críticos de éxito. Conferencia internacional IEEE 2021 sobre
doi.org/10.1504/IJISM.2020.107851. ingeniería industrial y gestión de ingeniería, IEEM 2021, 404–410. doi: 10.1109/IEEM50564.2021.9672606.
Okorie, O., Russell, J., Jin, Y., Turner, C., Wang, Y., Charnley, F., 2022. Eliminación
Barreras al uso de Blockchain en las cadenas circulares de suministro de alimentos: opiniones de los Tranfield, D., Denyer, D., Smart, P., 2003. Hacia una metodología para desarrollar
profesionales sobre cómo lograr la eficacia operativa. Logística y Cadena de Suministro más Limpias 5, 100087. Conocimiento de gestión basado en evidencia mediante revisión sistemática. Hno. J.
Patidar, S., Sukhwani, VK, Shukla, AC, 2023. Modelado de impulsores críticos de la cadena de suministro de Gestionar. 14 (3), 207–222. https://doi.org/10.1111/14678551.00375.
alimentos utilizando el método DEMATEL y la tecnología Blockchain. J. Institución de Ingenieros Vivaldini, M., 2021. Blockchain en operaciones de distribución de servicios de alimentos: pasos previos a la
(India): Serie C, 1–12. https://doi.org/10.1007/s40032023009410. implementación. En t. J. Logista. Gestionar. 32 (3), 995–1029. https://doi.org/10.1108/
Philbeck, T., Davis, N., 2019. La cuarta revolución industrial: dando forma a una nueva era: IJLM0720200299.
Servicio de descubrimiento de la Universidad de Johannesburgo. J. Int. Comité editorial de Asuntos 72 (1), Vu, N., Ghadge, A., Bourlakis, M., 2021. Adopción de blockchain en las cadenas de suministro de alimentos: un
17–22. https://www.jstor.org/stable/26588339. marco de revisión e implementación. Pinchar. Plan. Controlar 34 (6), 506–523.
Rana, RL, Tricase, C., De Cesare, L., 2021. Tecnología blockchain para una cadena de suministro agroalimentaria Yager, RR, 2014. Grados de membresía pitagórica en la toma de decisiones multicriterio.
sostenible. Hno. Alimentos J. 123 (11), 3471–3485. https://doi.org/10.1108/BFJ Traducción IEEE. Sistema difuso. 22 (4), 958–965. https://doi.org/10.1109/
0920200832. TFUZZ.2013.2278989.
Saetta, S., Caldarelli, V., 2020. Cómo aumentar la sostenibilidad de la cadena de suministro agroalimentario a Yang, F., Gu, S., 2021. Industria 4.0, una revolución que requiere tecnología y estrategias nacionales. Sistemas
través de innovaciones en la perspectiva 4.0: un primer análisis de un estudio de caso. Fabricación complejos e inteligentes 7 (3), 1311–1325. https://doi.org/10.1007/s40747020002679 .
Procedia. 42 (2019), 333–336. https://doi.org/10.1016/j.promfg.2020.02.083.
Shete, PC, Ansari, ZN, Kant, R., 2020. Un enfoque pitagórico difuso AHP y su aplicación para evaluar los Yanmaz, O., Turgut, Y., Can, EN, Kahraman, C., 2020. Pitágoras con valores de intervalo
facilitadores de la innovación sostenible en la cadena de suministro. Método EDAS difuso: una aplicación al problema de selección de automóviles. J. Intel. Sistema difuso. 38
(4), 4061–4077. https://doi.org/10.3233/jifs182667.
18
Sistemas Expertos Con Aplicaciones 229 (2023) 120510
Sistemas Expertos con Aplicaciones
página de inicio de la revista: www.elsevier.com/locate/eswa
Optimización de la red de distribución de vacunas de la cadena de frío COVID19
con gestión de desechos médicos: un enfoque de optimización sólido
a
Eyüp Ensar Is¸ık a,b,* , Seyda Topaloglu Yildiz
a
Departamento de Ingeniería Industrial, Universidad Dokuz Eylul, 35397 Izmir, Türkiye
b
Departamento de Ingeniería Industrial, Universidad Técnica de Yildiz, 34349 Estambul, Türkiye
Palabras clave: Este artículo investiga el problema de distribución de la vacuna COVID19 a nivel provincial en Turquía y la gestión de desechos médicos,
Cadena de suministro de atención médica
considerando los requisitos de la cadena de frío y la naturaleza perecedera de las vacunas. En este contexto, se presenta inicialmente un novedoso
Cadena de frío
modelo de programación lineal entera mixta, multiobjetivo y de múltiples períodos durante un horizonte de planificación de 12 meses para resolver el
Distribución de la vacuna COVID19
problema de distribución determinista. El modelo incluye restricciones recientemente estructuradas debido a la característica de las vacunas
Gestión de residuos
COVID19, que deben administrarse en dos dosis a intervalos específicos. Luego, el modelo presentado se prueba para la provincia de Izmir con
Programación lineal entera mixta
Optimización robusta
datos deterministas y los resultados muestran que se puede satisfacer la demanda y lograr inmunidad comunitaria en el horizonte de planificación
especificado. Además, por primera vez, se crea un modelo robusto utilizando conjuntos de incertidumbre poliédricos para gestionar las incertidumbres
relacionadas con las cantidades de oferta y demanda, la capacidad de almacenamiento y la tasa de deterioro, y se ha analizado bajo diferentes
niveles de incertidumbre. En consecuencia, a medida que aumenta el nivel de incertidumbre, el porcentaje de satisfacción de la demanda disminuye
gradualmente. Se observa que el mayor efecto aquí es la incertidumbre en la oferta y, en el peor de los casos, aproximadamente el 30% de la
demanda no puede satisfacerse.
1. Introducción se deterioran y pierden su eficacia. Por este motivo, las vacunas necesitan sistemas de
cadena de frío (Saif & Elhedhli, 2016). Además del deterioro causado por la
La epidemia de coronavirus (COVID19) se extendió rápidamente por todo el mundo incompatibilidad de temperatura, la corta vida útil y el tiempo limitado de aplicación de la
a principios de 2020 debido a su naturaleza fácilmente contagiosa. A finales de 2020, se vacuna desde el momento en que se abre el vial también conducen al deterioro (De
habían notificado más de 76 millones de casos y se habían perdido 1,68 millones de Boeck et al., 2020). Las vacunas deterioradas adquiridas por los países para distribuirlas
casos de COVID19 (OMS, 2020). Los países han tenido que tomar medidas obligatorias a los ciudadanos dan como resultado el número necesario de personas no vacunadas y
para abordar la pandemia que ha impactado negativamente la vida social en todo el enormes pérdidas económicas (Ebong y Levy, 2011). En consecuencia, una cadena de
mundo. suministro de vacunas sólida es crucial para proteger la salud pública y no dañar las
La vacunación es el arma más eficaz en la lucha contra las enfermedades economías de los países. La cadena de frío está formada por personas y materiales que
infecciosas. Además, elimina rápidamente los efectos de la enfermedad al acelerar el mantienen la eficacia de una vacuna desde su producción hasta que se administra a la
proceso de inmunidad social (Yang et al., 2021). Gracias a la vacunación, las epidemias persona y asegura que llegue una cantidad suficiente de vacuna eficaz a quienes la
que han matado a muchas personas a escala regional y mundial ya no son visibles necesitan (HSGM, 2018) .
(HSGM, 2018). Los estudios de vacunación contra la COVID19 se han iniciado desde el
primer momento de la epidemia. Según Duijzer et al. (2018), la cadena de suministro de vacunas consta de cuatro
Sin embargo, dado que el proceso de producción y aprobación llevó mucho tiempo, el partes: producto, producción, asignación y distribución. La parte de distribución, que
proceso de vacunación sólo pudo comenzar a finales de 2020 (Levine, 2020). también es el alcance de este estudio, cubre muchos problemas, como la gestión de
inventario, el enrutamiento y la programación (Jacobson et al., 1999; Chen et al., 2014;
Si bien el proceso de fabricación es la parte más desafiante, la distribución de Hovav & Tsadikovich, 2015; Lemmens et al. ., 2016; Erdogan et al., 2017; Lim et al.,
vacunas producidas para una epidemia global tan efectiva también lo es (Wilding, 2020). 2019; Sadjadi et al., 2019; De Boeck et al., 2020; Rastegar et al., 2020; Yang, 2020;
Como las vacunas son productos perecederos, deben almacenarse a determinadas Tavana et al., 2021 ; Yang et al., 2021).
temperaturas para no
Dirección de correo electrónico: eeisik@yildiz.edu.tr (E. Ensar Is¸ık).
https://doi.org/10.1016/j.eswa.2023.120510 Recibido el 24
de octubre de 2021; Recibido en forma revisada el 3 de marzo de 2023; Aceptado el 16 de mayo de 2023 Disponible en
línea el 19 de mayo de 2023
09574174/© 2023 Elsevier Ltd. Todos los derechos reservados.
E. Ensar Is¸ık y S. Topaloglu Yildiz Sistemas Expertos Con Aplicaciones 229 (2023) 120510
En Turquía, se evalúan la eficacia, el transporte, el almacenamiento y la salud pública para que se puedan tomar decisiones óptimas en los primeros días
aplicación de las vacunas para su selección. Ciertas vacunas contra el COVID19 son cuando la información es limitada.
todavía bajo consideración en términos de producción. La estructura de distribución Las contribuciones de nuestro artículo a la literatura se presentan a continuación:
de la vacuna contra el COVID19 es similar a la utilizada para la infancia
y vacunas contra la influenza para la inmunización general. El gobierno anuncia el • Este estudio es el primero en la literatura sobre la vacuna COVID19.
grupo prioritario al que se administra la vacuna (Hu et al., 2014). La vacuna contra la problema de distribución con la gestión de residuos médicos. •
COVID19, CoronaVac, aprobada para uso de emergencia por la Organización Como la cantidad de desechos médicos generados es bastante alta debido a la
Mundial de la Salud (OMS) y utilizada en Turquía, se puede almacenar entre 2 y 8 ◦ necesidad de vacunación masiva, el modelo desarrollado tiene en cuenta por
C , de manera similar a la inmunización general y las vacunas contra la influenza primera vez las decisiones sobre distribución de vacunas y gestión de desechos
(OMS, 2021b). Según funcionarios brasileños, esta vacuna se puede almacenar en médicos simultáneamente para el problema de distribución de vacunas. • Como
refrigeradores normales, lo que hace que su distribución sea mucho más fácil que las vacunas contra la COVID19 se administran en dos dosis, se han desarrollado
otras vacunas, especialmente en lo que respecta a los equipos de refrigeración nuevas estructuras de restricción para considerar la administración de vacunas
(Staff, 2020). de dosis múltiples.
Este estudio optimiza el proceso de distribución de la vacuna COVID19 a nivel • Aunque la distribución de vacunas presenta muchas incertidumbres debido a su
provincial en Turquía. La entrega oportuna y precisa de la vacuna COVID19 es de naturaleza, un número limitado de parámetros han sido tratados como inciertos
gran importancia social y económica. en la literatura relacionada. Este estudio considera inciertos los parámetros de
Además, la gestión de los residuos médicos emergentes es una cuestión ambiental deterioro y capacidad por primera vez, ya que no existen datos históricos sobre
importante, junto con la distribución de vacunas, que es necesario considerar. Si bien la tasa de deterioro de las vacunas COVID19 y sobre el espacio de
estos temas se abordan por separado en la literatura relevante, en este estudio almacenamiento de otras vacunas en almacenes y gabinetes de vacunas.
proponemos un nuevo modelo de programación lineal entera mixta (MILP)
multiobjetivo de períodos múltiples que optimiza el proceso de distribución de • El modelo desarrollado también incorpora incertidumbres de la oferta y la
vacunas, considerando estos temas simultáneamente por primera vez en este demanda además de parámetros de deterioro y capacidad, lo que lo hace único
estudio. Consideramos dos objetivos debido a la singularidad de la epidemia: en modelar una cantidad tan grande de datos con incertidumbre.
maximizar el número de individuos completamente inmunizados y minimizar el costo
total. Para manejar estos dos objetivos en conflicto y lograr un equilibrio entre ellos, • Tomar estos parámetros como inciertos causa que más de un parámetro sea
utilizamos los métodos de ponderación y restricción ε. La prueba del modelo MILP incierto en la misma restricción. En este sentido, el modelo RO desarrollado es
propuesto se demuestra a través de un estudio de caso para la provincia de Izmir. el primer estudio que aborda más de un parámetro incierto en la misma
restricción. • Los modelos anteriores no
Como la vacuna COVID19 es un producto nuevo, no hay suficiente información consideran la tasa de deterioro sobre la cantidad de transporte e inventario para las
histórica sobre la demanda, la capacidad de almacenamiento, la oferta y las tasas restricciones de capacidad.
de deterioro. Por esta razón, es imposible encajar estos datos inciertos en una Por esta razón, se han formulado nuevas estructuras de restricción teniendo en
distribución de probabilidad o posibilidad. Por lo tanto, debemos considerar estos cuenta los problemas de deterioro no sólo durante el transporte sino también en
parámetros como profundamente inciertos, lo que significa tomar el valor del las áreas de almacenamiento y centros de salud y en el momento de la
parámetro incierto dentro de un intervalo conocido. Los enfoques de optimización implementación.
robusta (RO) pueden abordar este tipo de incertidumbre. Para ello, se ha utilizado el
enfoque de optimización convexa robusta con la técnica de modelado de Bertsimas El resto de este estudio es el siguiente: En la Sección 2, presentamos la revisión
y Sim (2004) para desarrollar una contraparte robusta del modelo MILP para de la literatura. La Sección 3 define el problema y presenta el modelo MILP. La
parámetros definidos en un conjunto de incertidumbre de intervalo. El modelo RO Sección 4 describe el enfoque de optimización robusta utilizado. Los modelos
propuesto se prueba utilizando datos de la vida real preparados para la provincia de deterministas y robustos propuestos se aplican a un estudio de caso, y sus resultados
Izmir. Los hallazgos clave del modelo son la cantidad de población que puede computacionales se analizan en la Sección 5. Por último, la Sección 6 presenta las
vacunarse con la capacidad actual y su costo para el sistema. También identifica la conclusiones y direcciones futuras de la investigación.
cantidad de desechos médicos que se pueden eliminar, la cantidad de inventario que
se debe mantener y la cantidad de vacunas administradas en cada centro de salud. 2. Revisión de la literatura
Además, el enfoque de solución empleado cuestiona la idoneidad de la capacidad Esta sección ofrece una breve descripción general de la cadena de suministro
existente según diferentes incertidumbres. Resuelve el modelo RO en diferentes de vacunas y luego analiza en detalle los estudios sobre la distribución de vacunas.
niveles de conservadurismo, obteniendo curvas de compensación. Duijzer et al. (2018) dividen la cadena de suministro de vacunas en cuatro secciones:
Con estas curvas, quienes toman las decisiones pueden decidir cuál es su posición Producto, Producción, Asignación y Distribución. La sección Producto determina el
respecto de decisiones importantes como transporte, almacenamiento, capacidad tipo de vacuna que se debe utilizar (Robbins et al., 2014; Robbins & Lunday, 2016;
de la fuerza laboral, cantidades de inventario y precauciones contra el deterioro. Hall et al., 2008; Robbins & Jacobson, 2011; Assi et al., 2011; Lee et al. , 2010, 2011,
Sobre estas curvas se analiza el comportamiento de la red de distribución ante 2012). La sección de Producción determina cuántas dosis se deben producir y
diferentes incertidumbres y sus niveles. cuándo (Arifo lu et al., 2012; Demirci & Erkip, 2017; Taylor & Xiao, 2014). Para el
La naturaleza perecedera de las vacunas hace que la cantidad de vacunas caso de la vacuna contra el COVID19, las decisiones de producción se dan con
transportadas entre centros de salud y almacenadas en los centros de salud sea crítica base en acuerdos previos que determinan cuántas dosis de vacunas se compran
decisiones. Aunque estas decisiones han sido consideradas en estudios previos, el entre países y fabricantes. En la sección Asignación , se debe establecer prioridad
hecho de que las vacunas contra el COVID19 producidas, al igual que la propia para los grupos de población a los que se administra la vacuna. Aquí es decisivo el
enfermedad, sean nuevas conduce a información insuficiente, como las tasas de grupo de edad, la región de residencia o el grupo de riesgo específico de la
deterioro. Ningún estudio nos ha preparado para un proceso de vacunación de esta enfermedad (Ajelli et al., 2010; Sun et al., 2009; Tanner & Ntaimo, 2010; Yarmand et
magnitud, que requiere la inmunidad de casi toda la población lo más rápido posible. al., 2014; Teytelman & Larson , 2013; UribeSánchez et al., 2011; Berman et al.,
´
Este estudio llena este vacío para que las vacunas puedan distribuirse tomando las 2012).
decisiones más precisas en situaciones que ocurren repentinamente y donde nuestro
conocimiento es inadecuado, incluso en el peor de los casos. La sección Distribución examina cómo el fabricante entregará
Es esencial tomar las decisiones correctas incluso en los casos en que la demanda vacunas al usuario final (paciente). Duijzer et al. (2018) consideran la sección de
está por encima de los niveles esperados, las tasas de deterioro están aumentando distribución en cuatro partes: diseño de la cadena de suministro (SCD), control de
o la capacidad es insuficiente. En el proceso en curso, incluso si aumenta la inventario, puntos de dispensación e instalaciones móviles. Hay dos temas en la
durabilidad de las vacunas, este estudio mantendrá su importancia en términos de parte SCD: El primero es el transporte de la vacuna desde el fabricante.
2
Tabla 1
Distribución de vacunas en la literatura de OR/MS.
Publicaciones Características del problema Incertidumbre Objetivo Tipo de Enfoque de solución Decisión

Matemático Nivel
COVID19 Tipo de período MWM Método EM H/ CS
Modelo
19 mh
Vacuna
No No Multi – – Costo mínimo IP – – CPLEX Táctico

Jacobson et al.,
1999
No No – – FIC máx. LP – – CPLEX
Chen et al., Soltero Estratégico
2014
Hovav y No No Multi – – Costo mínimo PIM NFS – Mosek Táctico +
Tsadikóvich, Operacional
2015
saif y No No Demanda única SOA Costo mínimo + CO2 MIP cóncavo LDA – CPLEX Estratégico +
Elhedhli, Emisiones Táctico
2016
No No Multi – – Costo mínimo PIM – – Gurobí
Erdogan y otros, Estratégico +
2017 Táctico
Hovav y No No Multi – – Costo mínimo PIM – – JUEGOS Estratégico +
herbón, Táctico
2017
No No Multidemanda PCC FIC máx. – – – CPLEX
Azadi, 2018 Estratégico +
Táctico
No No – – FIC máx. PIM – – – Táctico
Gunay et al., Soltero
2019
No Multi – – Costo mínimo PIM – HES CPLEX
Lim et al., 2019 No Estratégico +
Táctico
No No RO Costo mínimo MILP – – JUEGOS
Sadjadi y otros, Demanda única, costo Estratégico +
2019 Táctico
No No Multi – – Costo mínimo PIM – ICA CPLEX
Yang y Estratégico +
Rajgopal, Táctico
2019
No No Multi Costo mínimo PIM – – Gurobí
Yang y Demanda, Viajes diputado
Estratégico
Rajgopal, Veces SMIP Operacional
2021
No No – – Cantidad mínima de MILP médico – – Táctico
Enayatí
¨ y Soltero
Ozaltın, Vacuna utilizada
2020
No No Multi – – MILP – – JUEGOS
Rastegar et al., Máx. (Mín. {DDR}) Estratégico +
2020 Táctico
No Multi SBA – – –
Sun et al., 2021 Sí Suministrar Costo mínimo + CO2 anyLogistix Operacional
Emisiones
Sí No Multi – – MILP – – JUEGOS Táctico +
Tavana y otros, Máx. (Mín. {DDR})
2021 Operacional
No No Multi – – Costo mínimo PIM – CPLEX DMA
Yang y otros, Estratégico +
2021 Táctico
Gilani y Sí No Multi Acceso a las vacunas RO MILP – – JUEGOS Táctico +
Económico,
Sahebi, 2022 Ambiental, Operacional
Social
Mohammadi y Sí No Multi RO Costo mínimo + MINLP – – Gurobí Táctico +
Velocidad de transmision,
otros, 2022 Tasa de mortalidad, Total esperado Operacional
número de contactos Número de muertes
Sí No – – Tiempo mínimo para – – h redX
Shukla y otros, Soltero Estratégico
2022 Residentes/Personal a
recibir vacunas
Sí Sí Multi RO MILP – – CPLEX Táctico +
Este papel Demanda, Capacidades, FIP máximo, costo mínimo
deterioros, Operacional
Suministrar
MWM: Gestión de residuos médicos, EM: Métodos exactos, H/MH: Heurístico/Metaheurístico, CS: Solver comercial,
FIC: Niños completamente inmunizados, FIP: Paciente completamente inmunizado, DDR: Relación entregademanda,
IP: programación entera, LP: programación lineal, MIP: programación entera mixta, MILP: programación lineal entera mixta, MINLP: no lineal entera mixta
Programación, MPSMIP: programación estocástica de enteros mixtos de varios períodos, CCP: programación restringida al azar, NFS: solucionador de flujo de red, SBA: simulación
Análisis basado en ML: aprendizaje automático, DMA: algoritmo de desagregación y fusión, LDA: algoritmo de descomposición lagrangiana, SOA: algoritmo de simulaciónoptimización, ICA: algoritmo
cíclico iterativo, HES: estrategia evolutiva híbrida, RO: optimización robusta, MD: desagregación multiparamétrica
al país de compra, mientras que el segundo entrega la vacuna al usuario final del son estudiados. El transporte y almacenamiento de vacunas son importantes
país. El programa de simulación de eventos discretos, recurso altamente debido a su naturaleza perecedera, incluso para procesos internos (Aaby et al.,
extensible para modelar cadenas de suministro impulsadas por eventos (HER 2006; Luangkesorn et al., 2012). Esta parte también aborda las necesidades de
MES), se utiliza con frecuencia para abordar estos problemas (Assi et al., 2012, personal (Whitworth, 2006). Por último, la parte de instalaciones móviles se centra
2013; Haidari et al., 2013). La parte de control del inventario es fundamental ya en la planificación de puntos móviles adicionales de aplicación de vacunas
que la vida útil de las vacunas puede ser corta y se deterioran cuando se necesarios en epidemias.
mantienen en el inventario durante mucho tiempo (Jacobson et al., 2006; Shrestha En la distribución de vacunas, las decisiones de abrir una nueva instalación
et al., 2010; Samii et al., 2012). En los puntos de dispensación , la ubicación de
se toman a nivel de decisión estratégica. La frecuencia de suministro, la cantidad
de transporte entre centros, el número de personas vacunadas, y
los almacenes de vacunas y centros de administración y sus disposiciones y capacidades.
3
Las decisiones de capacidad se toman a nivel de decisión táctica. A nivel operativo, incierto. Este estudio permite tomar decisiones a nivel táctico y operativo, como el
se encuentran especialmente decisiones sobre inventarios y consumo de vacunas. El número de personas vacunadas, las cantidades de inventario, la cantidad de
problema de la distribución de vacunas se examina principalmente en la literatura transporte entre centros y el consumo de vacunas, con parámetros inciertos de
médica y epidemiológica, y para resolverlo generalmente se utilizan programas de demanda, oferta, capacidad y deterioro. Se supone que los parámetros de capacidad,
simulación de eventos discretos como HERMES (De Boeck et al., 2020). En este suministro y deterioro son inciertos por primera vez en la literatura sobre distribución
sentido, los estudios de distribución de vacunas son limitados en la literatura de de vacunas. También utilizamos el enfoque RO para manejar incertidumbres en
investigación operativa y ciencias de gestión (OR/MS). diferentes niveles mediante la realización de diferentes escenarios para cada parámetro.
Los estudios en la literatura de OR/MS generalmente abordan la distribución de
vacunas pediátricas en países de ingresos bajos y medianos y las vacunas anuales Este enfoque se ha utilizado anteriormente en varios estudios sobre distribución de
contra la influenza. En estos estudios generalmente se consideran las vacunas OMS vacunas. Sadjadi et al. (2019) manejan decisiones estratégicas y tácticas como la
EPI (Programa Ampliado de Inmunización). El estudio de Longini et al. (1978) es uno cantidad de vacunas enviadas, la demanda insatisfecha y la apertura de instalaciones
de los primeros artículos en el que se presenta un modelo determinista para la en un solo período. Mohammadi et al. (2022) utilizaron un enfoque de optimización
distribución óptima de la vacuna contra la influenza A a diferentes grupos de edad estocástica robusta basado en escenarios para manejar la incertidumbre de un
sujetos a un número limitado de vacunas. El artículo de Jacobson et al. (1999) empleó conjunto de parámetros de entrada para el caso de distribución de la vacuna
programación entera por primera vez para el problema de selección y adquisición, en COVID19 en Francia. Gilani y Sahebi (2022) se centraron en algunas decisiones
el que se manejan tres tipos de vacunas y cuatro fabricantes para optimizar el estratégicas y utilizaron un sólido modelo de optimización basado en datos para
suministro y la distribución de vacunas. abordar la incertidumbre del acceso a las vacunas para la cadena de suministro de
vacunas COVID19 de Irán. Por otro lado, en nuestro estudio, decisiones similares,
La distribución de vacunas ha sido estudiada en diferentes contextos. En la Tabla incluidas decisiones de gestión de residuos médicos, se dan en un horizonte de
1 se presenta una tabla resumida de la literatura para tener una idea más clara de la planificación adecuado con aplicaciones de dosis múltiples debido a la administración
literatura sobre la distribución de vacunas y ver cómo nuestro estudio encaja en la masiva de vacunas estipulada por las condiciones de la pandemia de COVID19.
literatura. Chen et al. (2014) trabajaron en el problema de distribución de las vacunas
OMSEPI en los países en desarrollo. Hovav y Tsadikovich (2015) abordaron un 3. Definición del problema y modelo matemático.
problema de diseño de red en la distribución y almacenamiento de vacunas contra la
influenza, y Hovav y Herbon (2017) estudiaron la optimización del programa de Turquía tiene una infraestructura desarrollada para la distribución de vacunas.
distribución de vacunas contra la influenza dando prioridad a los grupos de alto riesgo. En el marco del PAI, se garantiza la entrega a los ciudadanos de más de diez vacunas.
Erdogan y otros. (2017) se centraron en optimizar las operaciones de distribución de Las actividades logísticas en las que se utilizan sistemas de cadena de frío cubren
vacunas con centros de distribución regionales, mientras que Lim et al. (2019) eficazmente todo el proceso, desde el análisis del consumo de vacunas hasta el
trabajaron
¨ en el rediseño de las redes de distribución de vacunas. Enayati & (2020) suministro, almacenamiento, envío y gestión de residuos. La cadena de suministro de
Ozaltin consideraron la asignación justa y equitativa de las vacunas contra la vacunas abarca todo el proceso, desde las entregas al almacén nacional hasta la
influenza, mientras que Rastegar et al. (2020) consideraron el mismo problema en los gestión de residuos. Una vez que las vacunas se entregan al almacén nacional, se
países en desarrollo bajo condiciones de pandemia de COVID19, y posteriormente envían a los almacenes provinciales en camiones frigoríficos cada tres meses. Las
Tavana et al. (2021) llevaron este estudio a una forma general y se centraron en la vacunas que llegan a los almacenes provinciales se distribuyen a través de vehículos
asignación equitativa de las vacunas COVID19. Shukla et al. (2022) estudiaron de transporte de vacunas en función de las necesidades de los Centros de Salud
decisiones estratégicas y dividieron el problema de distribución de vacunas en dos Comunitarios (CHC). Posteriormente, las vacunas almacenadas en cámaras frigoríficas
partes: asignación adecuada de las instalaciones de atención de los distribuidores de de los CHC se entregan a los Centros de Salud Familiar (FHC) en cajas refrigeradas.
vacunas y programación eficiente de los recursos. Además, la gestión de desechos Las vacunas se almacenan en refrigeradores especiales en FHC y se extraen de
médicos es fundamental para el medio ambiente y la salud humana; No se ha realizado aquí según sea necesario (HSGM, 2018).
un estudio que cubra los residuos de vacunas. Esta situación cobra mayor importancia
en el caso del COVID19 debido a la pandemia global. Según el Ministerio de Salud de la República de Turquía (RTMH), si las vacunas
También hay estudios que abordan incertidumbres en la literatura sobre se evalúan en términos del nivel de gestión logística, se analizan como “Nivel Nacional”
distribución de vacunas. Saif y Elhedhli (2016) abordaron decisiones estratégicas y y “Nivel Provincial”. Este estudio considera la distribución de vacunas COVID19
tácticas en el problema de diseño de la cadena de suministro de frío con condiciones desde los almacenes a nivel provincial hasta el usuario final (paciente). Todos los
ambientales y demanda incierta. Los autores utilizaron una descomposición lagrangiana hospitales públicos, privados y universitarios están incluidos en los centros de entrega
como método de solución. Azadi (2018) desarrolló modelos de optimización de vacunas para una distribución más rápida durante la pandemia de COVID19. La
estocástica que integran las decisiones de transporte, inventario y reabastecimiento distribución de vacunas se extiende desde los almacenes provinciales a los CHC y
de la cadena de suministro de vacunas bajo una demanda incierta definida por una de los CHC a los FHC y otros hospitales (de ahora en adelante denominados
distribución estándar. Sadjadi et al. (2019) manejaron el diseño de la red de suministro únicamente FHC), y la ubicación de todos los centros de salud es fija.
de vacunas considerando decisiones estratégicas y tácticas simultáneamente, con
incertidumbres en la demanda y el costo. Los autores desarrollaron un modelo MILP Las condiciones de almacenamiento de la vacuna contra la COVID19 distribuida
para el problema y utilizaron el enfoque de contraparte robusta con conjuntos de en Turquía son similares a las de las vacunas del PAI, por lo que no requieren equipos
incertidumbre de caja. de refrigeración adicionales. Esta vacuna puede conservarse durante un año en
Yang (2020) realizó diferentes estudios (Yang & Rajgopal, 2019, 2021; Yang et al., condiciones adecuadas. (OMS, 2021b). Por lo tanto, se especifica un horizonte de
2021) que se centraron en optimizar la distribución de las vacunas del PAI de la OMS planificación de un año para la distribución de la vacuna y no se considera la vida útil
en países de ingresos bajos y medianos. Como puede verse, la variedad de parámetros de la vacuna. Sin embargo, el deterioro se produce por cambios de temperatura en
inciertos manejados es limitada. Sol y cols. (2021) se centraron en las decisiones los centros de salud, roturas durante el transporte y hurtos. Además, durante la
operativas y utilizaron un enfoque basado en simulación que abarca la optimización administración puede producirse desperdicio de viales abiertos (OVW). Si, después
de rutas y la simulación dinámica para manejar la incertidumbre en el suministro. de abrir el vial de la vacuna, se ha superado el tiempo límite de administración, esa
vacuna ya no podrá utilizarse (De Boeck et al., 2020).
Dado que las vacunas contra la COVID19 son de reciente desarrollo, no hay
datos históricos suficientes sobre la demanda, la oferta, la capacidad de Los desechos médicos se producen de dos maneras: 1) por el deterioro de las
almacenamiento y los parámetros de deterioro (mientras este estudio estaba en vacunas y 2) después de la administración de las vacunas (jeringas, agujas, algodón,
marcha). Por lo tanto, es crucial abordarlos como inciertos. Si bien las capacidades etc.). Por este motivo, los desechos médicos se producen en todos los centros de
de almacenamiento en los centros de salud son fijas en términos de capacidad total, salud, incluido el almacén provincial. Los desechos médicos se transportan primero
cabe señalar que en estos almacenes también se pueden encontrar otras vacunas, y esta cantidad
desde lpos
uede variar.
centros de salud a los centros de recolección de desechos y posteriormente
Por esta razón es necesario considerar el parámetro de capacidad. a los centros de eliminación. Se crean dos centros para la eliminación de medicamentos
4
Fig. 1. Red de distribución de vacunas COVID19 y residuos médicos a nivel provincial.
residuos, en concreto, centros de esterilización e incineración. La red de distribución de • Hay tres tipos de vehículos disponibles para el transporte de vacunas.
vacunas COVID19 y sus desechos, analizada en este estudio, se esquematiza en la Fig. Los tipos de vehículos varían entre los diferentes centros.
1. Las líneas sólidas representan el flujo de vacunas y las líneas discontinuas representan • Toda la demanda especificada para cada ubicación, período y tipo de paciente durante
el flujo de desechos médicos. el horizonte de planificación se satisface en los CHC y FHC.
Este estudio tiene como objetivo desarrollar un plan de distribución de vacunas • Los desechos médicos deben recolectarse y eliminarse a tiempo ya que representan
COVID19 a nivel provincial de 12 meses que maximice el número total de FIP y minimice un riesgo de infección. Cuando la capacidad es insuficiente, se subcontrata la
el costo total. Para ello, se toman decisiones sobre el nivel de inventario al final de cada eliminación de desechos médicos, lo que genera costos adicionales. Por lo tanto,
período, el número de vacunas transportadas desde el almacén provincial a los CHC y de también se considera el costo de los desechos médicos no eliminados. •
los CHC a los FHC, y el número de vacunas utilizadas en los centros. Además del Residuos de vacunas resultantes de cambios de temperatura durante el transporte
problema básico de distribución, se toman decisiones sobre la cantidad de residuos que se almacena en el destino del vehículo y se lleva allí.
van del almacén provincial y los centros de salud a los centros de recolección y de los • Cuando la vacuna se transfiere a un centro de salud durante el período t, se puede
centros de recolección a los centros de eliminación. Como la vacuna contra la COVID19 utilizar o derivar desde ese centro durante el período t + 1.
es un producto nuevo, la demanda de la vacuna, la capacidad de almacenamiento, el Por lo tanto, el tiempo dedicado al transporte está incluido en este tiempo.
suministro de la vacuna y la tasa de deterioro deben evaluarse como inciertas. rango.
• Todas las transferencias de vacunas se realizan al inicio del período. El nivel de
El modelo MILP desarrollado ayuda a tomar estas decisiones y ayuda a quien toma las inventario más alto se alcanza al inicio del período, que es la suma del inventario del
decisiones a evaluar diferentes planes de distribución bajo distintos niveles de período anterior y la cantidad de vacuna transportada.
incertidumbre. Además, también se calcula la cantidad de demanda insatisfecha y residuos
no dispuestos. • Finalmente, no se asume ninguna falla en los equipos, los envíos se realizan a tiempo
Hacemos las siguientes suposiciones para modelar la vacuna COVID19 y todos los pacientes pueden acudir a las clínicas, es decir, no se abordan actividades
distribución en Turquía: de extensión.
• En el caso determinista, los fabricantes de vacunas suministran suficientes vacunas
para satisfacer la demanda estimada. 3.1. Modelo matemático
• Cada provincia cuenta con un almacén de vacunas. Por tanto, el almacén provincial es
el nodo raíz de la red y se define como nodo origen (0). Esta sección proporciona los conjuntos, parámetros, variables de decisión y la
Modelo MILP determinista creado para el problema definido.
• Los CHC prestan servicios a ciertos FHC y solo un CHC abastece a cada FHC. •
Sólo un centro de recolección de desechos médicos atiende a un centro de salud.
Asimismo, un centro de disposición presta servicios a un centro de acopio.
5
3.1.1. Conjuntos
3.1.3. Variables de decisión
0 almacén provincial
I Conjunto de Centros de Salud Comunitarios (CHC)i {1, , |I| },
j Paciente completamente inmunizado (FIP):
Conjunto de Centros de Salud de la Familia (CSF) y otros
FIPn,h El número de pacientes tipo h completamente inmunizados en el centro de salud n
hospitales,j {|I| +1, , |I| +|J| }
Flujo de vacunas
norte
Conjunto de todos los centros de salud,I J, n {1, , |N| }
C A0,i,k,t La cantidad de vacuna transportada desde el almacén provincial al CHC i con vehículo tipo k
Conjunto de centros de acopio,c {1, , |C| }
S durante el período t
Conjunto de centros de esterilización,s {1, , |S| }
F Ai,j,k,t La cantidad de vacuna transportada desde el CHC i al FHC j con vehículo tipo k durante el
Conjunto de centros de incineración,f {|S| +1, , |S| +|F| }
período t
PAG
Conjunto de centros de disposición,S F, p {1, , |P| }
t Inventario:
Conjunto de periodos de tiempo (mensuales en nuestro caso),t {0, , |T| }
K1 Inv0,t La cantidad de inventario en el almacén provincial al final del período t
Conjunto de vehículos que pueden utilizarse para el transporte entre el almacén provincial
y CHC
K2 inv.t La cantidad de inventario en el centro de salud n al final del período t
Conjunto de vehículos que pueden utilizarse para el transporte entre los CHC y los FHC.
k Consumo:
Conjunto de todos los tipos de vehículos, (K1 K2), k {1, , |K| }
h Conjunto de tipos de pacientes,h {1, , |H| } Con1n,h,t La cantidad de la primera dosis de vacuna consumida (administrada) en el centro de salud n para el
VFI paciente tipo h en el período t
Conjunto de FHC que reciben servicio de CHC i
WF10 Conjunto de centros de acopio que dan servicio al almacén provincial Con2n,h,t La cantidad de la segunda dosis de vacuna consumida (administrada) en
centro de salud n para paciente tipo h en el periodo t
WF2n Conjunto de centros de acopio que dan servicio al centro de salud n
Demanda Insatisfecha:
WF3c Conjunto de centros de salud que reciben servicio del centro de acopio c
DDn,h,t La cantidad de demanda insatisfecha en el centro de salud n para el paciente tipo h en el
WF5c Conjunto de centros de esterilización que reciben servicio del centro de acopio c
período t
WF6c Conjunto de centros de incineración que reciben servicio del centro de acopio c
Flujo de residuos:
WF7p Conjunto de centros de acopio que dan servicio al centro de disposición p
WF0,c,t La cantidad de desechos médicos (kg) transportados desde el almacén provincial al
centro de recolección c en el período t
3.1.2. Parámetros WFn,c,t La cantidad de desechos médicos (kg) transportados desde el centro de salud n al centro
de recolección c en el período t
WFC,p,t La cantidad de desechos médicos (kg) transportados desde el centro de recolección c al centro
Demandas y
de eliminación p en el período t
Suministrar:
Desechos médicos no transportados:
Dn,h,t Demanda total en el centro de salud n para paciente tipo h en el periodo t
DDW0,c,t La cantidad de desechos médicos (kg) que no se pueden transportar desde el
Sorber La cantidad de vacuna suministrada al inicio del proceso de vacunación.
almacén provincial al centro de acopio c, en el periodo t
DDWn,c,t La cantidad de desechos médicos (kg) que no pueden transportarse desde el centro de salud n al
Capacidades:
centro de acopio c, en el período t
Capitán La cantidad de vacuna que el centro de salud puede almacenar
DDWc,p,t La cantidad de desechos médicos (kg) que no se pueden transportar desde
capk La cantidad de vacuna que puede llevar el vehículo tipo k al mismo tiempo
centro de acopio c al centro de disposición p, en el periodo t
capp La cantidad de desechos médicos (kg) que el centro de eliminación p puede procesar
3.1.4. Funciones objetivas
capc La cantidad de desechos médicos (kg) que el centro de recolección c puede Las vacunas contra el COVID19 se administran en dos dosis. Los
almacenar
gn,t La cantidad de mano de obra (duración) que tiene el centro de salud n en el periodo
pacientes que han tomado ambas dosis se denominan pacientes
t completamente inmunizados (FIP). También vale la pena que transcurra
AP Tiempo promedio necesario para administrar una dosis de vacuna un mínimo de un mes entre las dos dosis administradas. El modelo MILP
Deterioros:
tiene dos objetivos que se utilizan comúnmente en la literatura. El primero
B.O. Fracción de vacuna perdida con OVW
B0
de estos objetivos se da en la Ecuación (1) que maximiza el número de
Fracción del inventario de vacunas perdidas en el almacén provincial
mil millones
Fracción del inventario de vacunas perdidas en el centro de salud n FIP. Este objetivo se ha discutido en la literatura sobre vacunas pediátricas
B0,i,k Fracción de vacuna perdida durante el transporte desde el almacén provincial al en estudios realizados en países de ingresos bajos y medianos para maximizar el núm
CHC i con vehículo tipo k porque algunas vacunas pediátricas también son multidosis. El segundo objetivo
Bi,j,k Fracción de vacuna perdida durante el transporte del CHC i al FHC j con vehículo
se da en la ecuación (2), que representa la minimización del costo total, incluido
tipo k
Costos: el costo de transporte, el costo de almacenamiento, el costo de la vacuna perdida,
ck El costo de transportar una dosis de vacuna por un kilómetro con vehículo tipo el costo de los desechos médicos no transportados y el costo del servicio.
k El costo de Maximización del número de FIP:
cn mantener una dosis de vacuna por un período en el inventario del centro de
salud n .
MáxZ1 = ∑∑ FIPn,h
(1)
CB El costo de perder una dosis de vacuna El costo n N h H
CS del servicio de administrar una dosis de vacuna El costo de recolección,
CWp transporte, esterilización y eliminación por kilogramo (kg) de desechos médicos en
Minimización del coste total:
el centro de eliminación p El costo de no eliminar 1 kg de desechos
CWD médicos MínZ2 = ∑∑ ∑ Ck*Dist0,i*A0,i,k,t + ∑ ∑ ∑ ∑ Ck*Disti,j*Ai,j,k,t
Distancias: i I k K1 t T,t∕=0 i I j VFi k K2 t T,t∕=0
La distancia entre Almacén Provincial y CHC i
Dist0,yo {Costo de transporte}
Disti,j La distancia entre CHC i y FHC j
Dist0,c La distancia entre el almacén provincial y la recogida.
centro c +∑ ∑ ∑ CWs*WFc,s,t + ∑ ∑ ∑ CWf *WFc,f ,t
La distancia entre CHC i y el centro de acopio c c Cs WF5c t T,t∕=0 c Cf WF6c t T,t∕=0
Disti,c
Distj,c La distancia entre FHC j y el centro de acopio c {Costo de procesamiento de residuos}
distritos La distancia entre el centro de acopio c y el centro de esterilización s.
distc,f La distancia entre el centro de acopio c y el centro de incineración f
Tarifas:
+ CWD* ∑ ∑ DDWn,c,t + ∑ DDWc,s,t
c C t T,t∕=0 ( DDWo,c,t
n +WF3c
∑ s WF5c
CAROLINA DEL SUR
La tasa de desechos médicos que se transportarán a los centros de esterilización.
CI La tasa de desechos médicos que se transportarán a los centros de incineración. +∑
f WF6c DDWc,f ,t ) {Costo de desechos médicos no transportados}
METRO
El peso de los desechos médicos (kg) resultantes de la administración
de una dosis única de vacuna.
6
Cn*Invn,t{CostoMantenimientoInventario} Limitaciones de capacidad de los vehículos utilizados en el transporte. En
+∑ ∑
n Nt T,t∕=0
consecuencia, la cantidad de vacuna transportada de un centro a otro no puede exceder
la capacidad del vehículo. La restricción (12) asegura que al comienzo del
proceso de vacunación, la cantidad de vacuna en el almacén provincial sea
+ CB* ∑ Bn*Invn,t + ∑ ∑ B0,i,k*A0,i,k,t igual a la cantidad de vacuna suministrada. La restricción (13) indica que tantas
t T,t∕=0 ( B0*Inv0,t +
n ∑
N i I k K1
vacunas como capacidad de almacenamiento estén disponibles en los centros
+∑ ∑ ∑ Bi,j,k*Ai,j,k,t + ∑ ∑ BO*Con1n,h,t de salud al inicio del horizonte proyectado. La restricción (14) limita el número
i I j J k K2 n N h H
de vacunas administradas durante un período en los centros de salud. El
tiempo requerido para administrar la vacuna total consumida en cada período
+∑ ∑
n N h H BO*Con2n,h,t ) {CostePérdidaVacuna} no puede exceder el tiempo disponible para los trabajadores de la salud en
ese centro de salud.
+ EC* ∑ ∑ ∑ ( Con1n,h,t + Con2n,h,t ) {CostoServicio} (2) Restricciones de saldo de inventario:

n N h Ht T,t∕=0
Inv0,t ≤ (1 − B0)*Inv0,t− 1 − ∑ ∑ A0,i,k,t, t {1 |T|} (15)

i I k K1
3.1.5. Restricciones
Restricciones de cálculo de la demanda:
∑ h HCon1i,h,1 − ∑ h HCon2i,h,1
Invi,1 ≤ (1 − Bi)*Invi,0 − ∑ ∑ Ai,j,k,1 − , yo
DDn,h,t ≥ Dn,h,t − Con1n,h,t, n N, h H, t {1..1} (3) j VFi k K2

(1 BO) (1 BO)
yo
DDn,h,t ≥ Dn,h,t + Con1n,h,t− 1 − Con1n,h,t − Con2n,h,t, n N, h H, t
(dieciséis)
{2..|T| } (4)
Invi,t ≤ (1 − Bi)*Invi,t− 1 + ∑ ( 1 − B0,i,k ) *A0,i,k,t− 1 − ∑ ∑ Ai,j,k,t

Con2n,h,t ≤ 0, n N, h H, t {1..1} (5) k K1 j VFi k K2
(17)
− ∑ h HCon1i,h,t − ∑ h H Con2i,h,t
Con1n,h,t ≤ Dn,h,t, n N, h H, t {1..|T| } (6) , i I, t {2 |T| }
(1 BO) (1 BO)
Con2n,h,t ≤ Con1n,h,t− 1, n N, h H, t {2..|T| } (7)

∑ h HCon1j,h,1 − ∑
Invj,1 ≤ ( 1 − Bj ) *Invj,0 −
h H Con2j,h,1
, j J _ (18)
Las restricciones (3) y (4) permiten calcular la cantidad de demanda (1 BO) (1 BO)
insatisfecha para cada tipo de paciente, ubicación y período. Debe transcurrir
∑ h HCon1j,h,t
un periodo entre las dos dosis a administrar. La cantidad de demanda de la ( 1 − Bi,j,k ) *Ai,j,k,t− 1 −
segunda dosis de vacuna se determina basándose en el hecho de que el
Invj,t ≤ ( 1 − Bj ) *Invj,t− 1 +∑
(1 BO)
k K2
(19)
paciente vacunado durante el período t creará una demanda repetida durante − ∑ h H Con2j,h,t
, i I, j VFi, t {2 |T|}
el período t + 1. Debido a que no se administra la segunda dosis de la vacuna (1 BO)
en la primera período, esto se aborda por separado en la Restricción (3). El
Las restricciones (15) – (19) definen las restricciones de saldo de inventario
desperdicio de vacunas no se considera aquí porque se aplica inmediatamente
para cada ubicación y período. La restricción (14) calcula el monto del inventario
una nueva vacuna para reemplazar la vacuna rota durante la administración.
al final del período para el almacén provincial restando la cantidad de vacuna
Como debe pasar un mes entre dos dosis, la Restricción (5) garantiza que no
transportada a los CHC durante este período de la cantidad de vacuna que
haya una segunda dosis de vacuna en el primer período.
permaneció intacta en el inventario durante el período anterior. Dado que no
La restricción (6) garantiza que la primera dosis de vacuna consumida para
ocurre transporte en el período cero, esta situación se maneja por separado
cada tipo de paciente, ubicación y período no exceda la demanda.
en las Restricciones (16) – (19). De acuerdo con las Restricciones (16) y (17),
La restricción (7) establece que la segunda dosis de vacuna que se
el inventario al final del período para cada CHC se calcula utilizando como
administrará en un período depende de la cantidad de la primera dosis de
insumos la cantidad de vacuna restante en el inventario y la cantidad
vacuna administrada en el período anterior.
transportada a este centro de salud en el período anterior. La cantidad de
Restricciones de limitación de capacidad:
vacuna utilizada en el mismo período y la cantidad entregada a los FHC en el
Invitar +∑ ( 1 − B0,i,k ) *A0,i,k,t ≤ Capi, i I, t {1..|T| } (8) mismo período crean los resultados. Al final del período, el monto del inventario
k K1 se encuentra restando los productos de los insumos. Aquí también se tiene en
cuenta la información de OVW. Dado que no hay transporte en el primer
Invj,t +∑ ( 1 − Bi,j,k ) *Ai,j,k,t ≤ Capj , i I, j VFi, t {1..|T| } (9) período, el monto recibido del almacén provincial a CHC no se considera en la
k K2
Restricción (16).
A0,i,k,t ≤ Capk, i I, k K1, t {1..|T| } (10)

De manera similar, utilizando las restricciones (18) y (19), el monto del
inventario al final del período en FHC se calcula restando los productos de los
Ai,j,k,t ≤ Capk , i I, j VFi, k K2, t {1..|T| } (11)
insumos. Sin embargo, no hay transporte desde aquí a ningún centro.
(12) Como no hay transporte en el primer período, la Restricción (18) no considera
Inv0,0 = Sup
el transporte de CHC a FHC.
Invn,0 = Capn, n N (13) Restricciones de la función objetivo:
FIPn,h = ∑ Con2n,h,t, n N, h H (20)

∑ Ap* ( Con1n,h,t + Con2n,h,t ) ≤ Gn,t, n N, t {1..|T| } (14) t T
h H
La restricción (20) calcula el número de FIP. Dado que un paciente requiere
Las restricciones (8) y (9) son restricciones de capacidad de almacenamiento dos dosis de vacuna para calificar como FIP, la cantidad de FIP se puede
para cada ubicación y período. El monto total del inventario al final del período obtener de acuerdo con la cantidad de la segunda dosis de vacuna administrada.
y la cantidad de vacuna transportada durante el período no pueden exceder
las capacidades de los centros de salud. Aquí también se considera el deterioro Limitaciones de la gestión de desechos médicos:
que se produce durante el transporte. Las restricciones (10) y (11) son las
7
Fig. 2. Clasificación de tipos de incertidumbre y enfoques de modelización según la disponibilidad de datos.
∑ ( WF0,c,t − DDW0,c,t ) ≥ M* ( B0*Inv0,t ) , t {1..|T| } (21)

FIPn,h, A0,i,k,t, Ai,j,k,t, Invn,t, Con1n,h,t,Con2n,h,t, DDn,h,t, UDn, h,t, WFn, c,t, WFc,p,t,
c WF10
DDWn,c,t, DDWc,p,t ≥ 0, i I, j J, n N, k K, t T, h H,
c C, p P
Con1i,h,t Con2i,h,t
∑ +∑ + Bi*Invitación
H (1 BO) (1 BO)
( WFi,c,t − DDWi,c,t ) ≥ M* (∑ h
(28)
c WF2i h H
Finalmente, la restricción (28) define las variables positivas.
+∑ i I, t {1..|T| }
k K1
B0,i,k*A0,i,k,t ) ,
(22)
4. Enfoque de optimización sólido
En nuestro problema se toman como inciertos cuatro parámetros: la
∑
Con1j,h,t
+∑
Con2j,h,t
+ Bj*Invj,t demanda de cada período, las capacidades de almacenamiento de los centros
c WF2j
( WFj,c,t − DDWj,c,t ) ≥ M* (∑ h H (1 BO) h H
(1 BO)
de salud, la cantidad de vacuna suministrada al inicio del proceso de
vacunación y el ritmo de deterioro. De los parámetros inciertos se excluye el
+∑ i I, j VFi, t {1..|T| } presunto deterioro durante la administración de la vacuna (OVW). Dado que
k K2
Bi,j,k*Ai,j,k,t ) ,
no disponemos de opiniones de expertos ni de datos históricos sobre estos
(23)
parámetros, los tipos de nuestros parámetros inciertos se consideran de profunda incertidu
Por lo tanto, se ha utilizado un enfoque de modelado de programación convexa
c C,t robusto.
∑
s WF5c
( WFc,s,t − DDWc,s,t ) ≥ SC* ( WF0,c,t
n +WF3c
∑ WFn,c,t ) , Existen diferentes enfoques de modelado desarrollados para una
{1..|T| } (24) programación convexa robusta. En este estudio se utiliza el enfoque de
modelado de Bertsimas y Sim (2004) para evitar el modelado no lineal y
superar situaciones pesimistas donde todos los parámetros tienen el peor valor del caso
∑ ( WFc,f ,t c C,t Antes de presentar nuestro modelo robusto, en la siguiente sección se explica
− DDWc,f ,t ) ≥ IC* ( WF0,c,t +n ∑WF3c WFn,c,t ) ,
f WF6c información sobre cómo funciona el enfoque de modelado utilizado.
{1..|T| } (25) El enfoque RO fue introducido por Soyster (1973) y posteriormente comenzó
a utilizarse más ampliamente con el estudio de Mulvey et al. (1995) .
WF0,c,t + ∑ WFn,c,t ≤ Capc, c C, t {1..|T| } (26) Posteriormente, se han desarrollado nuevos métodos de modelado para
n WF3c satisfacer las diferentes necesidades de RO. El método de modelado utilizado
en aplicaciones de OI se determina según el tipo de incertidumbre. Bairamzadeh
∑ WFc,p,t ≤ Capp, p P, t {1..|T| } (27) et al. (2018) resumen los métodos utilizados con respecto a los tipos de
c WF7p
incertidumbre en la Fig. 2: aleatoriedad, epistémica y profunda incertidumbre.
Las restricciones (21) (25) son restricciones relacionadas con el flujo de desechos médicos. La incertidumbre se define como aleatoriedad cuando se pueden ajustar
La restricción (21) representa el flujo de desechos médicos desde el almacén suficientes datos históricos a una determinada distribución estadística. La
provincial a los centros de acopio debido al deterioro. La restricción (22) garantiza programación estocástica o técnicas robustas de programación estocástica
que el peso de los desechos médicos transportados desde los CHC a los centros basada en escenarios se utilizan para problemas con incertidumbre de aleatoriedad.
de recolección sea igual a los desechos médicos de la vacuna administrada en La incertidumbre es epistémica cuando los datos históricos son
los CHC y la vacuna deteriorada. La restricción (23) calcula de manera similar el insuficientes y la información disponible se limita a la opinión de un experto
peso de los desechos médicos transportados desde FHC a los centros de recolección. basada en un juicio personal. Los datos utilizados en estos casos se
Las restricciones (24) y (25) representan el flujo de desechos médicos recolectados expresan con números difusos y para la solución se utiliza programación
desde los centros de recolección hasta los centros de esterilización e incineración. El posibilística o programación posibilística robusta (RPP). El RPP fue propuesto
ratios de la cantidad total de residuos distribuidos según lo indicado por SC e IC y la por primera vez por Pishvaee et al. (2012), centrándose en el problema del
suma de estos dos ratios es igual a uno. Las restricciones (26) y (27) son limitaciones diseño de redes de cadenas de suministro socialmente responsables (SCND)
de capacidad en la gestión de desechos médicos. La restricción (26) establece que la en condiciones de incertidumbre. Posteriormente, el método atrajo la
cantidad de desechos médicos transportados a los centros de recolección no puede atención de diferentes investigadores y se aplicó con frecuencia,
exceder la capacidad de almacenamiento de los centros de recolección para cada período. especialmente en problemas SCND (FazliKhalaf, Khalilpourazari, &
La restricción (27) establece que el peso de los desechos médicos transportados a los Mohammadi, 2019; Govindan, Fattahi, & Keyvanshokooh, 2017; Hamidieh,
centros de eliminación no puede exceder la capacidad de procesamiento de desechos de Naderi, Mohammadi, & FazliKhalaf, 2017; Nayeri, Paydar, AsadiGangraj y
los centros de eliminación. Emami, 2020; Talaei, Farhang Moghaddam, Pishvaee, BozorgiAmiri y
Límites de las variables de decisión: Gholamnejad, 2016; Zahiri, Torabi, Mousazadeh y Mansouri, 2013).
En los casos en que los datos históricos y la opinión de expertos son insuficientes,
la incertidumbre se define como una incertidumbre profunda. En estos casos, los datos
utilizados se expresan dentro de un conjunto de intervalos determinado, y el parámetro
incierto sólo puede tomar valor dentro del conjunto de intervalos especificado. Robusto convexo
8
La programación se utiliza para resolver problemas con este tipo de incertidumbre. los valores contienen incertidumbre. Este enfoque incluye los mismos pasos que el
El primer enfoque robusto utilizado en la literatura sobre optimización se ve en Soyster trabajo de Bertsimas & Sim (2004); sólo cambia la posición del parámetro incierto.
(1973), donde se desarrolló un modelo de programación lineal y los coeficientes de las Hatefi y Jolai (2014) manejaron la incertidumbre en el valor de la derecha de manera
variables de decisión eran inciertos. En este enfoque, el nivel máximo de más simple en su estudio y formaron el problema de contraparte robusto del mismo
conservadurismo se utiliza sustituyendo los valores del mejor o peor caso de los modelo. El modelo es similar al enfoque de modelado robusto propuesto por BenTal
coeficientes de la variable de decisión como inciertos. La desventaja del enfoque de et al. (2009).
Soyster (1973) es que la solución robusta se encuentra de acuerdo con el peor de los El enfoque RO solo puede gestionar restricciones del tipo “menor o igual a” (Sun
casos en aplicaciones de la vida real, centrándose en los peores valores de parámetros et al., 2021). Sin embargo, el estudio de Hatefi & Jolai (2014) maneja restricciones de
inciertos. Se han propuesto nuevos métodos de modelado para superar esta desventaja. igualdad. Como era de esperar, el punto más importante de este enfoque de modelado
Estos nuevos métodos también se han centrado en diseñar métodos de solución menos es determinar el valor de Г. Bertsimas y Sim (2004) examinaron el efecto del cambio
conservadores y manejables computacionalmente (BenTal y Nemirovski, 2000; en el valor de Γi en diferentes límites sobre la función objetivo, mostrando valores
Bertsimas y Sim, 2004). apropiados donde la violación de la restricción es inferior al 1% para diferentes |Ji|
valores. De manera similar, en estudios posteriores, se utilizó con frecuencia el enfoque
BenTal y Nemirovski (2000) propusieron una formulación robusta para un problema de examinar los valores de la función objetivo de acuerdo con la variación del valor de
lineal bajo los conjuntos de incertidumbre de caja y elipsoide. Definieron el conjunto de Γi en ciertos intervalos. Con las curvas de compensación creadas por este enfoque, se
incertidumbre elipsoide para reducir el nivel de conservadurismo de la formulación puede revelar un área de selección para que quien toma las decisiones elija el
propuesta con el conjunto de incertidumbre de caja. Gracias a un parámetro adicional
definido en este conjunto de incertidumbres, mientras los parámetros inciertos obtienen resultado adecuado según el nivel de asunción de riesgos.
su peor valor, también se puede determinar el tamaño de la incertidumbre. La
desventaja de este método es que la complejidad del modelo aumenta y se vuelve no
4.2. Modelo homólogo robusto
lineal. Bertsimas y Sim (2004) desarrollaron un nuevo método de modelado para
superar estas desventajas.
Esta sección presenta la contraparte robusta del modelo con las incertidumbres
La ventaja del método desarrollado es que puede ajustar el nivel de conservadurismo
especificadas utilizando los enfoques de modelado descritos anteriormente.
sin aumentar la complejidad del modelo en forma de modelo lineal. En este método,
Las funciones objetivo se utilizan de la misma manera en el modelo.
los parámetros inciertos se definen en el conjunto de incertidumbre poliédrica. El nivel
En el modelo, los parámetros inciertos toman valores en
de conservadurismo lo proporciona un parámetro definido en el conjunto de
incertidumbre poliédrica, conocido como presupuesto de incertidumbre y representado [ Dn,h,t − D n,h,t, Dn,h,t + D n,h,t ] , [Capn − Cap n, Capn + Cap n], [Sup − Sup ,
como Г. Luego, el método se introdujo en la teoría de inventarios (Bertsimas y Thiele, Sup+ Sup ], [Bn − B n, Bn + B n], [ B0,i,k − B 0,i,k, B0,i,k + B 0,i,k ] y [ Bi,j,k −
2006). El método de modelización de Bertsimas & Sim (2004) se ha utilizado B i,j,k, Bi,j,k + B i,j,k ] intervalos simétricos, respectivamente. Los valores Dn,h,t,
frecuentemente en problemas especialmente de planificación de la cadena de
Capn, Bn, B0,i,k y Bi,j,k representan los valores nominales de los parámetros, mientras
suministro (Ahabchane, Langevin, & Trépanier, 2021; Hatefi & Jolai, 2014; Liu, Lei,
que D n,h,t, Cap n, Sup , B n, B 0,i,k , y los valores B i,j,k representan la
Wu, & Zhang, 2019; Najafi , Eshghi y Dullaert, 2013; Sun, Andoh y Yu, 2021; Zokaee,
desviación máxima del valor nominal. El modelo robusto creado de acuerdo con los
Jabbarzadeh, Fahimnia y Sadjadi, 2017). Además, tiene aplicaciones para diferentes
parámetros especificados se proporciona a continuación:
problemas, como la planificación y programación de la producción (José Alem &
Morabito, 2012; Modarres & Izadpanahi, 2016; Hu & Hu, 2020). Restricciones (5), (7), (10), (11), (14), (24)(28) +.
Restricciones de cálculo de la demanda:
(1)
Dn,h,t − DDn,h,t − Con1n,h,t + q (1) n,h,t*Γ(1) n,h,t + r n, h, t
≤ 0, n N, h H, t {1..1}
(37)
4.1. Optimización convexa robusta
(1) + r (1) ≥ D (38)

qn,h,tn,h,t n,h,t, n N, h H, t {1..1}
El enfoque utilizado para crear la contraparte robusta del modelo existente se logra
expresando linealmente los parámetros de incertidumbre. Para ello, se ha utilizado el
+ r (2)
enfoque de optimización convexa robusta con la técnica de modelado de Bertsimas y Dn,h,t − DDn,h,t + Con1n,h,t− 1 − Con1n,h,t − Con2n,h,t + q(2) n, h, t
*Γ(2)
n,h,tn,h,t
≤ 0, n
Sim (2004) para desarrollar una contraparte robusta del modelo MILP para parámetros norte, h H, t {2..|T| }

definidos en un conjunto de incertidumbre de intervalo. El enfoque de modelización de (39)
Bertsimas y Sim (2004) consta de tres etapas. En estas etapas, respectivamente, 1) El
nivel de protección requerido en la restricción relevante se expresa ignorando la (2) + r
qn,h,tn,h,t (2) ≥ D n N, h H, t {2..|T| } (40)
n,h,t,
incertidumbre en los parámetros, 2) Se escribe la fórmula de optimización lineal donde
la función de protección corresponde a la función objetivo, y 3) La forma dual Se toma
Con1n,h,t − Dn,h,t − D n,h,t*Γ(3) ≤ 0, n N, h H, t {1..|T| } (42)
n, h, t
el modelo y se agregan sus restricciones.
Restricciones de limitación de capacidad:
Estos pasos se aplican para cada restricción donde se utilizan parámetros inciertos, lo
r (4) − Capi +q(5) +r (5)
que da como resultado un modelo de contraparte robusto. Invi,t + ∑ A0,i,k,t − ∑ B0,i,k*A0,i,k,t +q(4)
i *Γ(4)i +∑ yo, k i *Γ(5)i i
k K1 k K1 k K1
En el enfoque de Bertsimas y Sim (2004) , el parámetro Γi se define para cada
restricción que incluye parámetros inciertos. Este parámetro toma un valor en el ≤ 0, i I,t {1..|T|}
intervalo [0, |Ji| ], y no es necesario que sea un número entero, donde Ji denota el (44)
conjunto de coeficientes en la matriz de coeficientes. La función de este parámetro es
fijar el nivel de conservadurismo de la solución. Cuando el valor de este parámetro es qi(4) + r (4)
yo, k
≥ B 0,i,k*A0,i,k,t, i I, k K1, t {1..|T| } (45)
Γi = 0, el parámetro incierto toma su valor nominal y el modelo se resuelve de manera
determinista. Cuando el parámetro toma el valor de Γi = |Ji|, que es el otro punto qi(5) + r (5)
i ≥ Cap i, i I (46)
extremo; el parámetro incierto toma el valor del peor de los casos.
Bi,j,k*Ai,j,k,t + q
(6)
*Γ(6)i,j +∑ r (6) − Capj + q(7) *Γ(7) + r (7)
Invj,t +∑ Ai,j,k,t − ∑ yo, j yo,j,k j j j
Bertsimas y Sim (2004) presentaron un enfoque sólo para los casos en los que la k K2 k K2 k K1
matriz de coeficientes contiene incertidumbre. Sin embargo, la incertidumbre también ≤ 0, i I, j VFi, t {1..|T| }

puede ocurrir en los valores del lado derecho. Por este motivo, Najafi et al. (2013) (47)
propusieron un enfoque de modelado que maneja situaciones en las que el lado derecho
9
(6)
q(6) + r yo,j,k ≥ B i,j,k*Ai,j,k,t, i I, j VFi, k K2, t {1..|T| } (48)
yo, j
Con1i,h,t Con2i,h,t
+∑ ( WFi,c,t − DDWi,c,t )
(7)
M* ( ∑h H (1 BO) h H (1 − BO) ) − ∑ c WF2i
q(7)
j
+ r j ≥ Tapa j, j J (49) (18) (19)
+ M*Bi*Invi,t + q(18)
i *Γ(18)
i + r i + M*∑ B0,i,k*A0,i,k,t + q0,yo *Γ(19)
0,yo
(69)
k K1
Sup − Sup *Γ8 ≤ Inv0,0 ≤ Sup + Sup *Γ(8) (52)
r (19) ≤ 0, i I, t {1..|T| }
+∑ 0,yo,k
k K1
Capn − Cap n*Γ(9) ≤ Invn,0 ≤ Capn + Cap n*Γ(9)

norte
norte ,
norte norte (53)
(18)
q(18)
i + r i ≥ M*B i*Invi,t, i I, t {1..|T| } (70)
Restricciones de saldo de inventario:
∑ A0,i,k,t + B0*Inv0,t− 1 + q(10)
0 *Γ(10)
0 + r 0(10) ≤ 0, t (19)
q0,i 0,i,k+ r
(19)
≥ M*B 0,i,k*A0,i,k,t, i I, k K1, t {1..|T| } (71)
Inv0,t − Inv0,t− 1 + ∑
i I k K1
{1 |T|} (55)

Con1j,h,t Con2j,h,t
+∑ ( WFj,c,t − DDWj,c,t )
(10) (10) M* ( ∑h H (1 BO) h H (1 − BO) ) − ∑ c WF2j
q0 0 + r ≥ B 0*Inv0,t− 1, t {1 |T|} (56)
+ M*Bj*Invj,t + q(20)
j
*Γ(20)
j
+ r j (20) + M*∑ Bi,j,k*Ai,j,k,t + q(21) *Γ(21)
yo, j yo, j
(72)
k K2
∑ h HCon1i,h,1 ∑ h HCon2i,h,1
Invi,1 − Invi,0 + Bi*Invi,0 + ∑ ∑ Ai,j,k,1 + + r (21) ≤ 0, i I, j VFi, t {1..|T| }
j VFi k K2
(1 BO) (1 BO) +∑ yo,j,k
k K2
(11) (11)
+ q i *Γ(11)
i + r i ≤ 0, yo yo
(20) (20)
(57) qjj + r ≥ M*B j*Invj,t, j J, t {1..|T| } (73)
(11)
q(11)
i + r i ≥ B i*Invi,0, i I (58) (21)
qyo,j,ki,j+ r
(21)
≥ M*B i,j,k*Ai,j,k,t, i I, j VFi, k K2, t {1..|T| } (74)
(12)
+ r (12) Como se indicó anteriormente, el modelo robusto se escribe según el enfoque
Invi,t − Invi,t− 1 + Bi*Invi,t− 1 + qi *Γ(12)
i i − ∑ A0,i,k,t 1
k K1 de Bertsimas y Sim (2004). Sin embargo, en las Restricciones (6) y (13), se utiliza
*Γ(13) r (13) el enfoque de Hatefi y Jolai (2014) porque el parámetro de demanda en la
+∑ B0,i,k*A0,i,k,t− 1 + q(13) 0,yo 0,i +∑ 0,yo,k +∑ ∑ Ai,j,k,t (59)
k K1 k K1 j VFi k K2 Restricción (6) se mueve inversamente a los parámetros de demanda en otras
∑ h HCon1i,h,t ∑ h H Con2i,h,t
restricciones, y la Restricción (13) es una igualdad. restricción.
+ + ≤ 0, i I, t {2 |T| }
(1 BO) (1 BO) Ambos modelos desarrollados están codificados y resueltos en el entorno
CPLEX Studio IDE 12.10.0. Se ejecuta en una PC con un procesador Intel Core
+ r (12)
≥ B i*Invi,t− 1, i I, t {2 |T| } (60) i57200U CPU de 2,50 GHz y 8,00 GB de RAM. Los códigos de modelo se dan
q(12)
i i
en el ApéndiceB.
(13)
q(13)
0,yo
+ r 0,yo,k ≥ B 0,i,k*A0,i,k,t− 1, i I, k K1, t {2 |T| } (61)
5. Un estudio de caso para la ciudad de Izmir en Turquía
(14) ∑ h H Con1j,h,1 ∑ h HCon2j,h,1

Invj,1 − Invj,0 + Bj*Invj,0 + q j
*Γ(14)
j
+ r j (14) + + La parte de preparación de datos es una parte importante del estudio. Dado
(1 BO) (1 BO)
que el COVID19 es un virus nuevo para todo el mundo, la distribución y aplicación
≤ 0 , j J
de las vacunas producidas se realiza por primera vez. Por esta razón, la mayoría
(62) de los datos que se planea utilizar no están disponibles con certeza.
Sin embargo, se puede hacer la predicción más precisa considerando escenarios
q(14) + r j (14) ≥ B j*Invj,0, j J (63)
j similares que ya han ocurrido. La preparación de datos para nuestro estudio de
caso en Izmir, Turquía, se explica en detalle a continuación.
(15)
Invj,t − Invj,t− 1 + Bj*Invj,t− 1 + qj *Γ(15)
j
+ r j (15) − ∑ Ai,j,k,t− 1 sección.
k K2
r ∑ h HCon1j,h,t
+∑ Bi,j,k*Ai,j,k,t− 1 + q
(dieciséis)
*Γ(16)
i,j +∑
(dieciséis)
yo,j,k
+ (64) 5.1. Preparación de datos
(1 BO)
yo, j
k K2 k K2
∑ h HCon2j,h,t Izmir tiene un almacén provincial, 11 CHC y 362 FHC. Según datos de 2018,

+ ≤ 0, i I, j VFi, t {2 |T|}
(1 BO) cada provincia tiene un almacén frigorífico para almacenar vacunas en Turquía
(RTMH, 2021), y esta zona de almacenamiento frigorífico es de 1140 m3 en el caso de Izmir.
q(15)
j
*Γ(15)
j
+ r j (15) ≥ B j*Invj,t− 1, j J, t {2 |T| } (sesenta y cinco)
Las vacunas se almacenan en gabinetes de vacunas en los FHC. Hay cuatro tipos
de gabinetes para vacunas con una capacidad bruta de 190 L (L), 365 L, 610 L y
q
(dieciséis)
*Γ(16) r (dieciséis)
≥ B i,j,k*Ai,j,k,t− 1, i I, j VFi, k K2, t {2 |T| } 1000 L, de pequeños a grandes. Estos gabinetes se asignan según la población

yo, j yo, j +∑ yo,j,k
k K2 de FHC, y la capacidad neta es de tres cuartas partes de la capacidad bruta
(66) (RTMH, 2021). Tomando el volumen requerido para una caja (unidad) de dosis
de almacenamiento de vacuna como 0,1 L, las capacidades requeridas se dan
Limitaciones de la gestión de desechos médicos:
con respecto al tamaño de la población en el Apéndice A en la Tabla A.1.
M* ( B0*Inv0,t ) − ∑ ( WF0,c,t − DDW0,c,t ) + q(17)
0 *Γ(17)
0 + r 0(17) ≤ 0, t Los FHC tienen una capacidad de almacenamiento de vacunas de 7.500 por
c WF10 30.000. Los CHC tienen una capacidad de almacenamiento de 25.000 vacunas
{1..|T| } (67) por 100.000 habitantes. El costo de tenencia y la tasa de deterioro del inventario
debido al cambio de temperatura se determinan a partir de estudios previos sobre
q(17)
0 + r 0(17) ≥ M* ( B 0*Inv0,t ) , t {1..|T| } (68) vacunas contra la influenza con condiciones de almacenamiento similares a las
vacunas contra el COVID19 (Hovav & Tsadikovich, 2015, JantziBauman, 2017).
Se informa que la tasa global de deterioro de la vacuna contra la influenza está
entre el 5% y el 8%. La tasa de deterioro en el almacén provincial es del 5%
porque los equipos que se utilizan en este almacén son mejores que los de los centros y evento
10
Los fenómenos que provocan el intercambio de calor (como la apertura y el cierre de la Tabla 2
puerta) se experimentan con menos frecuencia. Sin embargo, en los CHC, dado que estos Resultados del modelo determinista.
eventos ocurrirán con mayor frecuencia, la tasa de deterioro es del 6%. Finalmente, la Objetivo Costo Total ($) Número total de FIP Sol. Tiempo (seg.)

tasa de deterioro es del 7% en los FHC, considerando que los equipos son más
Costo mínimo 3.340.382,673 34,48
inadecuados y que los eventos que provocan el intercambio de calor ocurren con mucha FIP máximos 1.121.100.000 0 3.325.616 163,98
más frecuencia.
Se utilizan tres tipos de vehículos en el transporte entre el pro 8
bodega vincial y centros de salud, y sus capacidades son de 13 m3 , cambio de calor. Este tipo de desechos médicos se produce en el almacén provincial, en
m3, y 1m3 , respectivamente (RTMH, 2021). Estos tres tipos de vehículos, conocidos las áreas de almacenamiento de los centros de salud y durante el transporte. Los residuos
como vehículos contenedores refrigerados, vehículos de transporte de vacunas y camiones médicos generados en todos los centros se transportan primero a los centros de recogida
de transporte de vacunas, pueden caracterizarse como pequeños, medianos y grandes. Al de residuos y luego se envían a centros de esterilización o incineración para su eliminación.
mismo tiempo, se puede utilizar un vehículo de tamaño mediano para el transporte entre Según datos del Instituto de Estadística de Turquía, el reparto entre estos dos centros se
el almacén provincial y todos los centros de salud, un vehículo pequeño para el transporte determina en un 91,3% de esterilización y un 8,7% de incineración (Çivit, 2020).
entre CHC y FHC y un vehículo grande para el transporte entre el almacén provincial y
CHC. En el modelo desarrollado, las vacunas se manejan por unidad, mientras que los
Existe un costo de transporte de una dosis de vacuna por kilómetro para tres tipos de desechos médicos se manejan en kg. Para las vacunas, una unidad corresponde a una
vehículos. Este coste es mayor para un vehículo con mayor capacidad de transporte. La caja de dosis de vacunas. Por esta razón, es necesario realizar la conversión de unidades
posible tasa de deterioro durante el transporte está determinada por la distancia entre los a kg en el modelo. El peso estimado de un residuo de vacuna es de 50 g. Es decir, para la
centros y el tipo de vehículo. conversión se utiliza un valor de 0,05 kg. La capacidad de procesamiento de desechos
Se estima en 7%, 6% y 5% para capacidades de transporte de baja a alta. Además, médicos es de 110 toneladas por día para ambos tipos de eliminación (IMM, 2019).
aumenta un 0,5% por cada 25 km de distancia recorrida. No se produce ningún deterioro
independientemente del vehículo para distancias inferiores a 10 km. La capacidad del centro de recolección se considera de conformidad con la población
de la región y la capacidad de procesamiento de desechos médicos del centro de
Los pacientes se dividen en dos grupos: pacientes de 60 años o más y pacientes disposición. El costo de procesamiento de residuos, incluidos los costos de recolección y
menores de 60 años. El primer grupo es declarado grupo de riesgo para el brote de transporte, se determina según el método de recolección del municipio de Izmir (IMM,
COVID19 (OMS, 2021a). Por lo tanto, los pacientes de este grupo deben vacunarse 2019). Se presume que el coste de no procesar los residuos está subvencionado por un
primero, ya que el proceso de tratamiento puede ser más difícil cuando contraen la servicio externo. Por esta razón, se supone que el costo de no procesar 1 kg de desechos
enfermedad. El coste de administrar una dosis de vacuna está determinado por el salario médicos es 1,5 veces el costo actual de procesamiento de desechos médicos. Todos los
mensual medio del personal sanitario. El tamaño del personal con respecto a la población tipos de costos mencionados y los montos de costos correspondientes se presentan en la
y la información sobre la capacidad de horas del personal se dan en la Tabla A.2. Dado Tabla A.3.
que el personal médico trabaja 16.200 minutos al mes y puede administrar seis vacunas Sólo contamos con información coordinada para los centros provinciales de almacén,
por hora (una vacuna en 10 minutos), 1/97.200 de su salario mensual equivale al costo de salud, recolección y disposición de residuos. Se puede acceder a estos datos a través del
administrar una dosis. Mientras tanto, el costo de perder una dosis de vacuna es igual a su Portal de Datos Abiertos del Municipio Metropolitano de Izmir.
costo de compra, y se supone que el OVW es constante y del 5%. La distancia entre los centros se calcula de manera similar al estudio de FazliKhalaf et al.
(2019). Todos los datos preparados se proporcionan en detalle en el Apéndice B. Los
Este estudio tiene como objetivo vacunar a toda la población mayor de 18 años. parámetros se proporcionan en la primera página del archivo y la información sobre los
De ahí que una población de 3.320.954 personas mayores de 18 años en la provincia de conjuntos se encuentra en la segunda página.
Izmir sea nuestra población objetivo (PT) (Aytaç, 2021). La demanda de cada centro de
salud debe determinarse según cada tipo de paciente en cada período. Por este motivo, 5.2. Resultados computacionales
primero se debe diferenciar la población objetivo según centros de salud. Cada centro
tiene una población bajo su responsabilidad. La demanda total se obtiene multiplicando la El modelo MILP se ejecuta por separado para minimizar el costo total y maximizar el
relación (RPn) de esa población sobre el total de la población provincial por la población número total de FIP. Los resultados se comparan tanto en términos de valores objetivos
objetivo. Dado que el periodo de planificación es mensual, la demanda periódica (Dn,h,t) como de tiempo de solución. Dado que los valores objetivos estarán en millones, la
se obtiene dividiendo la demanda total por 11. Finalmente, la demanda de pacientes desviación del valor óptimo es más tolerable.
mayores de 60 años se determina de manera similar utilizando el ratio (1 − RPn), El valor de la brecha de tolerancia relativa en CPLEX Optimizer se toma como 0,001 para
multiplicando la tasa de pacientes de estas edades sobre la población total (RPn) por la evitar que el modelo se ejecute durante demasiado tiempo. El modelo tiene 55.506
demanda periódica. Si los resultados son decimales, el valor calculado se redondea hacia restricciones y 52.362 variables, de las cuales 41.417 son números enteros.
arriba. La fórmula utilizada para calcular la demanda se proporciona a continuación. Los resultados del estudio se resumen en la Tabla 2.
Según estos resultados, el objetivo de minimización de costos no permite que la
administración de la vacuna evite todos los costos relacionados con la administración de
la vacuna. Por tanto, el coste se mantiene en un nivel muy bajo. Cuando examinamos los
TP*Rn
Dn,1,t = *RPn, n N, t 1..|T| (75) resultados para maximizar el objetivo de número de FIP, vemos que toda la población está
11
completamente vacunada. (El hecho de que el número total de FIP esté por encima de la
TP*Rn población objetivo se debe al redondeo en los cálculos de la demanda). Sin embargo, esta
Dn,2,t = *(1 − RPn), n N, t 1..|T| (76)
11 vez, el costo resultante es más de 300 veces comparado con minimizar el objetivo de
costo. Como nuestro objetivo principal es garantizar la inmunidad social, se debe utilizar
Nuestro modelo determinista supone que no hay ningún problema con el suministro
el objetivo de maximizar el número de FIP. Sin embargo, el nivel de costes para este
de vacunas. Por ello, al inicio del proceso de vacunación se consideró que el almacén
objetivo es inaceptable. Por esta razón, empleamos los métodos de optimización
provincial estaba lleno; es decir, la cantidad de suministro de vacunas equivalía a la
multiobjetivo de restricción ε y costo de penalización que tienen en cuenta ambos objetivos.
capacidad de almacenamiento provincial.
En diferentes centros se producen diferentes tipos de desechos médicos como parte
El método de restricción ε fue desarrollado por Haimes et al. (1971). Las ventajas del
de la distribución de vacunas. Uno de ellos son los desechos generados después de la
método son que puede usarse para problemas convexos y no convexos y es fácil de
vacunación, incluidos desechos médicos como jeringas, agujas y algodón. Este tipo de
aplicar. La lógica detrás del método es determinar un objetivo como objetivo principal y
residuos surgen en los centros de salud donde se administran las vacunas. Otro tipo se
luego resolverlo restringiendo otros objetivos a ciertos niveles. El punto crucial aquí es el
debe al deterioro de las vacunas a
11
Fig. 3. Soluciones óptimas de Pareto correspondientes a valores de ε .
Tabla 3 Tabla 4
La solución óptima de Pareto elegida según los resultados del método de restricción ε. La solución óptima obtenida para minimizar costos con el costo de la demanda insatisfecha.
Valor _ Costo Total ($) Número total de FIP Sol. Tiempo (seg.) Objetivo Coste total Número total de FIP Sol. Tiempo (seg.)
2793501.48 172.230.701,399 2.793.502 751.079 Costo mínimo 244.678.641,96 3.325.939 29.05
determinación del nivel ε, que es el nivel al que se restringirán otros objetivos.
Este nivel se determina considerando el rango entre los mejores y peores MínZ3 = Z2 + ∑ ∑ ∑ CDh*DDn,h,t{ElCostodeLaDemandaInsatisfecha}
n Nh Ht T,t∕=0
valores de la función objetivo restringida.
(78)
El problema se resuelve repetidamente dividiendo el rango en partes iguales.
Todas las soluciones factibles obtenidas son soluciones óptimas de Pareto y, El método de determinación utilizado por Hovav & Tsadikovich (2015)
al mostrarlas en una curva de Pareto, quien toma las decisiones ofrece varias calcula el costo de la demanda insatisfecha como el costo del tratamiento si un
opciones (Mavrotas, 2009). persona no vacunada está infectada. Para el cálculo se utiliza la siguiente
En nuestro estudio, el costo se minimiza bajo las restricciones del número fórmula:
de FIP. Los valores de nivel ε se calculan dividiendo el valor de rango de la
función objetivo de FIP en 100 partes iguales. Luego, se agrega al modelo la CDh = TCh*p − TCh*p ′ , h H _ (79)
restricción dada en la ecuación (77) y el modelo se resuelve sucesivamente. Aquí, TCh es el costo promedio del tratamiento del paciente tipo h. Dado
que los pacientes de 60 años o más tienen más probabilidades de ser
tratados en cuidados intensivos, los costos del tratamiento también son más
∑ ∑ FIPn,h ≥ εl l 1..100 (77)
n Nh H altos. El valor p es la probabilidad de que el individuo no vacunado esté
infectado, mientras que el valor p' indica la probabilidad de que el individuo
Las soluciones óptimas de Pareto obtenidas se muestran en la Fig. 3. El
vacunado. La probabilidad de que una persona no vacunada se infecte está
tiempo de ejecución del modelo se ha limitado a 1800 s por ejecución. Como se
determinada por la proporción de casos positivos de COVID19 con respecto
ilustra en la figura, aunque el costo total y el número de FIP después de un cierto
al total de pruebas. La probabilidad de que una persona vacunada se infecte
valor de ε están comenzando a estabilizarse, todavía no se puede vacunar a toda
es igual a la probabilidad de que una persona no vacunada se infecte
la población. La solución con la que se vacuna a la mayoría de las personas,
multiplicada por el valor (1 eficacia de la vacuna). Se ha informado que la
según la Fig. 3, se muestra en la Tabla 3. eficacia de la vacuna es del 83,5% (Tanriover et al., 2021). Los resultados
Para la implementación del método del costo de penalización, el parámetro
obtenidos de la solución del modelo según esta nueva función objetivo se dan en la Tabl
CDh se define como “el costo de no vacunar a un paciente tipo h (demanda Como se muestra en la Tabla 4, el objetivo de minimización de costos con
insatisfecha)”. La función objetivo formada al sumar el nuevo costo se da en
costo de demanda insatisfecha da resultados más efectivos en todos los indicadores
la ecuación (78). que el objetivo de maximización del FIP y el método de restricción ε. El valor del
costo total obtenido aquí es mayor que en la Tabla 3, pero toda la población puede ser
12
Tabla 5
Soluciones obtenidas según instancias de problemas generadas aleatoriamente.
#Nodos Planeando el horizonte #Restricciones #Variables Costo Total ($) Número total de FIP Sol. Tiempo (seg.) Brecha de Optimidad (%)
393 12 meses 55.513 52.369 244.678.641,96 3.325.939 29.05 0

393 18 meses 82.705 77.989 687.299.962,01 4.540.871 534,73 0
393 24 meses 109.897 103.609 2.554.381.400,07 1.730.064 10800* 34.60
489 12 meses 74.078 67.573 446.999.137,02 3.780.739 1458,17 0
489 18 meses 110.456 100.657 2.427.842.324,34 719.217 10800* 56,72
537 12 meses 81.797 74.455 506.028.184,33 4.159.000 753,91 0
537 18 meses 121.973 110.911 2.340.123.960,73 1.689.675 10800* 46,40
12 meses
588 94.601 Las soluciones
óptimas se muestran en 84.127 1.499.160.378,13 1.522.653 10800* 61,56
negrita.*Límite de tiempo
Cuadro 6
Soluciones obtenidas según la contracción del horizonte de planificación.
Planeando el horizonte #Restricciones #Variables Costo Total ($) Número total de FIP Sol. Tiempo (seg.)
12 meses 55.513 52.369 244.678.641,96 3.325.939 29.05

11 meses 50.981 48.099 222.385.991,404 3.325.376 1114.44
10 meses 46.449 43.829 204.196.275,666 3.310.332 31.39
9 meses 41.917 39.559 192.881.022,355 3.282.563 3469.88
8 meses 37.385 35.289 220.874.634,706 3.113.848 2026.48
vacunado a cambio. Sin embargo, este valor del costo total incluye el costo de la
Cuadro 7
demanda insatisfecha. Cuando se resta el coste de la demanda insatisfecha de
Los resultados del modelo robusto para la incertidumbre de la demanda.
38.702,67 , el coste total es 244.639.939,29 . La diferencia de 72.409.237,89
entre los costes totales se debe a la vacunación de 532.437 pacientes adicionales. Es Γ(1) = Costo Total ($) El numero total de Brecha de Sol. tiempo
decir, mientras el número de pacientes vacunados aumenta un 19,06%, el coste Γ(2) = Γ(3) FIP (paciente) optimización (%) (seg.)
aumenta un 42,042%. 0 244.678.642 3.325.939 0.0159 28.984

Este aumento de costos es bastante tolerable en comparación con la solución 0.1 254614477,2 3.431.570 0.0330 1555.062
0,2 265304516.3 3.538.832 0.0943 2584.86
obtenida para maximizar el número total de FIP reportados en la Tabla 2. Por esta
0.3 278576740.3 3.634.526 0,1280 7200
razón, el análisis adicional realizado en las siguientes secciones se basa en los
0,4 301721427.9 3.661.141 0.0998 6605.203
resultados obtenidos utilizando la función objetivo Z3 en la Ecuación (78 ). 0,5 1.442.866.083 336.211 77.3787* 7200
Con nuestro modelo podemos encontrar una solución en menos de 30 s para un 0,6 353019488,9 3.705.191 0,1136 7200
horizonte de planificación de 12 meses, como en el caso real. Por este motivo, el 0,7 379286950,8 3.725.952 3.746 ,339 0,0999 3090.687
0,8 405734674.2 3.764.403 0.0999 1522.391
modelo se ha corrido aumentando el tamaño del problema con datos generados
0,9 433496022.6 1.633.436.973 0.0998 3235.5
aleatoriamente para ver los límites de nuestro modelo y analizar su escalabilidad. Los 1 71.7999* 7200
339.560
resultados obtenidos se presentan en la Tabla 5.
Las primeras tres filas del Cuadro 5 indican que el número de variables y
restricciones aumenta al mismo ritmo que el horizonte de planificación y,
posteriormente, se requieren tiempos de solución más largos. Dentro del límite de 18 también están involucrados en el proceso de vacunación; es decir, es necesario
tiempo de 10800 segundos, se pudo alcanzar la solución óptima para los horizontes incluir a 1.073.740 personas más en este proceso. La cantidad de variabilidad de las
de planificación de 12 y 18 meses, mientras que para el de 24 meses no se pudo capacidades de almacenamiento (Cap n) se determina como una cuarta parte de
encontrar una solución óptima. De manera similar, el número de restricciones y la capacidad bruta. Se acepta la variabilidad por deterioro en 2% para el almacén
variables aumenta simultáneamente a medida que aumenta el número total de provincial y CHC y 1,5% para FHC, y 1% durante el transporte. No se asume ningún
nodos; Cuando el número total de nodos se toma como 489 y 537, si bien se pueden deterioro entre centros con una distancia de transporte inferior a 5 km, por lo que no
alcanzar las soluciones óptimas para el horizonte de planificación de 12 meses, no se considera variabilidad.
se puede alcanzar la solución óptima para el horizonte de planificación de 18 meses Posteriormente, debemos determinar el parámetro Г para implementar el enfoque
dentro del límite de tiempo. Sin embargo, incluso en los casos en los que se puede de modelado de Bertsimas y Sim (2004). El valor del parámetro Г se obtiene dividiendo
alcanzar la solución óptima, el tiempo de solución ha aumentado considerablemente. el intervalo en partes iguales (José Alem & Morabito, 2012; Hatefi & Jolai, 2014;
Por último, cuando el número total de nodos se multiplicó por 1,5 hasta 588, no se Modarres & Izadpanahi, 2016; Zokaee et al., 2017; Liu et al., 2019 ; Sun et al., 2021).
pudo obtener una solución dentro del plazo, ni siquiera dentro del horizonte de En este estudio,
planificación de 12 meses.
También hemos analizado los resultados para el mismo tamaño de problema que
el caso real acortando el horizonte de planificación. Como muestra la Tabla 6 , cuando
el número de restricciones y variables disminuye, el tiempo de solución del modelo
aumenta. Dado que la demanda se mantiene constante, se intenta satisfacer la
misma demanda en un horizonte de planificación más corto, lo que sobrecarga el
modelo y da como resultado tiempos de solución más largos.
Para implementar el modelo robusto, es necesario determinar los intervalos a
partir de los cuales los parámetros inciertos tomarán sus valores y los valores de Г.
Para todos los parámetros se toman como valor nominal los datos deterministas.
Dado que los valores nominales del parámetro de demanda incluyen a toda la
población, los mayores de 18 años, que deben vacunarse, no se espera ningún
aumento de la demanda. La variabilidad del parámetro de demanda (D n,h,t) se
Fig. 4. El efecto del parámetro Г sobre el costo total y el número total de FIP para la incertidumbre de
observa cuando individuos menores de
la demanda.
13
Fig. 6. El efecto del parámetro Г sobre el costo total y el número total de FIP para la incertidumbre de
capacidad.
Fig. 5. El efecto del parámetro Г sobre diferentes tipos de costos por incertidumbre de la demanda.
Tabla 8
Los resultados del modelo robusto para la incertidumbre de la capacidad.
Γ(5) = Costo total ( ) Número total de FIP Brecha de optimización Sol. tiempo

Γ(7) = Γ(8) (%) (seg.)
0 244.678.642 3.325.939 0.0159 28.047

0.1 244573641,7 3.325.945 0.0116 1.606.156
0,2 244496694,3 3.325.923 0,02 30.797
0,3 244803897,7 3.325.569 0,0704 250.766
0,4 245156946,1 3.324.340 0,0508 51.641
0,5 246.029.602 3.319.200 0,0586 111.985
0,6 247409297,4 3.312.860 0.0539 105.953
0,7 249495923,8 3.304.232 0.0763 35.235
0,8 251.742.343 3.295.131 0.0558 92.531
0,9 254425501,6 3.285.099 0,0857 3.385.797 Fig. 7. El efecto del parámetro Г sobre diferentes tipos de costos por incertidumbre de capacidad.
1 259999279,3 3.265.819 0,0996 4.067.891
el modelo robusto se ejecuta por separado para cada valor, dividiendo el valor Г en diez Tabla 9
partes iguales de su intervalo. El Γ(1) , Parámetros Γ(2) y Γ(3) Los resultados del modelo robusto para la incertidumbre de capacidad.
Dependiendo del parámetro de demanda y de los parámetros Г de capacidad de
Γ(5) = Costo total ( ) Número total de FIP Brecha de optimización Sol. tiempo
almacenamiento de los centros de salud, la oferta y el deterioro por intercambio de calor
Γ(7) = Γ(9) (%) (segundo.)
en estos centros toman un valor en el rango de [0,1]. El Γ(4)
, Γ(6) , Γ(13) , Γ(16) , Los parámetros Γ(19) y Γ(21) toman valores en el rango de [0,2]
0 244.678.642 3.325.939 0.0159 28.047
0.1 244573641,7 3.325.945 0.0116 1.606.156
para el deterioro experimentado durante el transporte ya que también dependen del tipo 0,2 0,02
244496694,3 3.325.923 30.797
de vehículo. 0,3 244803897,7 3.325.569 0,0704 250.766
El modelo se ejecuta con un límite de tiempo de 7200 s con un valor de brecha 0,4 245156946,1 3.324.340 0,0508 51.641
relativa de MIP establecido en 0,001 como en el modelo determinista. El número de estafas. 0,5 246.029.602 3.319.200 0,0586 111.985
0,6 247409297,4 3.312.860 0.0539 105.953
Las tensiones en el modelo robusto casi se han duplicado en comparación con el modelo
0,7 249495923,8 3.304.232 0.0763 35.235
determinista y han llegado a ser 100297. También hubo un aumento
0,8 251.742.343 3.295.131 0.0558 92.531
en el número de variables, y 76.980 variables, de las cuales 66.028 eran números 0,9 254425501,6 3.285.099 0.0857 3.385.797
enteros. Inicialmente resolvemos el modelo para el parámetro de demanda. Las 1 259999279,3 3.265.819 0.0996 4.067.891
soluciones correspondientes se presentan en la Tabla 7.
Las soluciones con un valor de brecha de optimización grande que se muestran con
La figura 5 ilustra el efecto del cambio en el valor del parámetro Г en diferentes tipos
(*) revelan que no son interpretables. Por lo tanto, el análisis siguiente se ha realizado
de costos. Como se ve en la figura 5, a medida que aumenta la incertidumbre en la
excluyendo estas soluciones. Como se muestra en la Tabla 7, el valor del costo total
demanda, el modelo intenta satisfacer la demanda utilizando inventario en lugar de
aumenta a medida que aumenta el valor Г , es decir, el nivel de incertidumbre. También
transporte. Sin embargo, como la demanda no puede satisfacerse después de cierto
se observa una tendencia ascendente similar en el número total de FIP. El aumento de la
nivel, se permite que aumente la demanda insatisfecha y aumentan los costos
demanda aumenta el costo, pero el número total de FIP aumenta ya que aún se puede
relacionados. Dado que los costos de procesamiento de residuos y pérdida de vacunas
satisfacer la demanda. Aunque el tiempo de solución no es regular, aumenta dependiendo
están directamente relacionados con los costos de inventario y de demanda insatisfecha,
del valor de Г.
estos costos también se reducen.
El valor de la brecha entre los resultados del modelo determinista y el modelo robusto
En segundo lugar, se consideran las inciertas capacidades de almacenamiento de
se conoce como precio de la robustez (Ahabchane et al., 2021). El gráfico de la Fig. 4
vacunas en los centros de salud. Los resultados del modelo se dan en la Tabla 8. Se
muestra el aumento porcentual de los valores de solución del modelo robusto frente al
puede alcanzar una solución en todos los niveles de incertidumbre dentro del límite de
modelo determinista. Es posible satisfacer la creciente demanda, con un aumento del
tiempo y el valor de brecha de optimización especificados. Aunque el tiempo de solución
coste de alrededor del 80%. Depende de quien toma las decisiones qué posición adoptar.
no es regular, aumenta a medida que aumenta el nivel de incertidumbre. El Cuadro 8
Por ejemplo, dado que la tendencia ascendente en el costo total aumenta después de
muestra que a medida que aumenta el valor de Г , el costo total primero disminuye y
que el parámetro Г excede 0,3, se puede elegir esta solución ya que satisface una
luego aumenta, mientras que el número total de FIP primero permanece estable y luego disminuye. el e
demanda mayor y el costo total está en un nivel aceptable. La solución del peor de los
El aumento de la demanda insatisfecha puede explicar el aumento del coste total.
casos no siempre es la adecuada, ya que esta solución aumenta considerablemente los
La figura 6 muestra el precio de robustez a diferentes valores de Г. El precio de robustez
costes.
aumenta después del valor umbral Г=0,3. Sin embargo, este precio es
14
Fig. 8. El efecto del parámetro Г sobre el costo total y el número total de FIP por Fig. 10. El efecto del parámetro Г sobre el costo total y el número total de FIP por
deterioro de la incertidumbre del almacenamiento. deterioro durante la incertidumbre del transporte.
Fig. 9. El efecto del parámetro Г sobre el costo total y el número total de FIP por
deterioro de la incertidumbre del almacenamiento.
Fig. 11. El efecto del parámetro Г sobre diferentes tipos de costos por deterioro
durante la incertidumbre del transporte.
Tabla 10
Los resultados del modelo robusto para el deterioro durante la incertidumbre del en comparación con los obtenidos por el modelo determinista. El aumento del coste total
transporte. es casi del 70%. Este resultado muestra que el deterioro de los almacenes y gabinetes
Γ(4) = Γ(6) = Costo total ( ) El Brecha de Sol. tiempo de almacenamiento de vacunas de los centros de salud es tan importante como la
Γ(13) = Γ(16) = numero total de optimización (%) (seg.) incertidumbre en la demanda.
Γ(19) = Γ(21) FIP
La Fig. 9 muestra los tipos de costos a partir de los cuales se produce este aumento
0 244.678.642 3.325.939 0.0159 28.19 en el costo total. A medida que los costos de transporte y servicios disminuyen en relación
0,2 245472389,6 3.325.794 0.0555 33.844 con el modelo determinista, aumentan los costos de inventario, pérdida de vacunas y
0,4 246234314.1 3.325.711 0.0716 33.313 procesamiento de desechos. Se observa que el coste de los residuos no transportados
0,6 247012301.7 3.325.648 0.0887 37.547
es cero. La incapacidad de responder adecuadamente a la demanda disminuye el número
0,8 247672273.8 3.325.828 0.0377 2164.609
1 248535502.7 0,092 2291.406 de personas vacunadas, lo que reduce el costo del servicio. Por el mismo motivo, también
3.325.280
1.2 1.178.562.867 550.986 78,9304* 7200 se reduce la cantidad de vacunas transportadas. Las vacunas deterioradas provocan
1.4 248611342,1 3.325.209 3.325.528 0,1137 7200 directamente su pérdida, lo que genera desechos médicos. Esto da como resultado
1.6 248582861.9 3.325,6 25 0.0981 1519.234
mayores costos de pérdida de vacunas y costos de procesamiento de desechos. Debido
1.8 248567615.4 1.213.402.973 0.0986 51.11
al deterioro sufrido, el inventario aumenta y el modelo intenta satisfacer la demanda del
2 456.203 79.5319* 7200
inventario, aumentando el costo del inventario. Sin embargo, como se muestra en la Fig.
9, este aumento permanece constante después de un nivel desde que las capacidades
considerablemente más bajo que el precio en la variabilidad de la demanda. de almacenamiento se utilizan por completo.
Para determinar el motivo de la reducción de costos y la estabilidad del número total Entonces, el deterioro debido al intercambio de calor durante el transporte se
de FIP hasta un cierto nivel de incertidumbre, se debe examinar el comportamiento de los considera incierto. Los resultados se presentan en la Tabla 10, y muestran que mientras
tipos de costos según diferentes valores de Г. En la Fig. 7 se muestra que el mayor el nivel de incertidumbre aumenta, el costo total aumenta y el número total de FIP
cambio se da en el costo de inventario, el cual se encuentra en una tendencia a la baja. disminuye. Además, el tiempo de solución generalmente aumenta dependiendo del valor
A medida que disminuye la capacidad, el valor inicial del inventario disminuye, por lo que de Г. Dentro del límite de tiempo de 7200 s, los valores de brecha de optimización de
el costo del inventario también disminuye. Sin embargo, después de cierto nivel, como no todas las soluciones, excepto tres soluciones que se muestran con (*), están dentro del
se puede satisfacer la demanda, el costo de la demanda insatisfecha aumenta, por lo valor de brecha de optimización determinado. Dado que el valor de la brecha de
que el costo total también aumenta. Los costos de pérdida de vacunas y procesamiento optimización para una de estas soluciones (Г=1,4) está muy cerca del valor especificado,
de desechos, que están directamente relacionados con los inventarios, disminuyen a se interpretan los resultados de esta solución. El precio del gráfico de robustez se
medida que disminuyen los inventarios. Además, el aumento de la demanda insatisfecha presenta en la Fig. 10.
indica que se vacunan menos pacientes, lo que se traduce en un menor costo del servicio. Este gráfico muestra que el cambio porcentual del modelo determinista no supera el 2%
En tercer lugar, se considera incierta la situación en la que el deterioro debido al del costo total y el 0,2% para el número total.
intercambio de calor en los almacenes de los centros de salud y en los gabinetes de de los FIP. El manejo incierto del deterioro debido al intercambio de calor durante el
almacenamiento de vacunas se considera incierto. Los resultados que muestran que el transporte afecta el valor de la función objetivo mucho menos que la incertidumbre de los
costo total aumenta y el número total de FIP disminuye a medida que aumenta el valor de Г son
parámetros de capacidad y demanda.
presentado en la Tabla 9. Hay una disminución en el número de FIP ya que la demanda Para ver de qué tipo de costo surge este efecto, se deben examinar los valores de
no se satisface completamente debido al deterioro. Paralelamente, el costo de la diferentes tipos de costo según diferentes valores de Г. El gráfico relacionado se presenta
demanda insatisfecha aumenta el costo total. La figura 8 indica las desviaciones en la Fig. 11, y muestra que el costo del inventario tiene el mayor impacto después del
porcentuales del modelo robusto para el costo total y el número de FIP.
costo de la demanda insatisfecha. junto al
15
Cuadro 11 obtenida dentro del plazo establecido.
Los resultados del modelo robusto para la incertidumbre de la oferta. El precio de la robustez en la Fig. 12 muestra que el aumento del costo total es de
Γ(8) Costo total ( ) El numero total de Sol. tiempo hasta el 100% y la disminución en el número total de FIP es de alrededor del 30%.
Brecha de optimización
FIP (%) (seg.) Aquí, después del valor de Г = 0,2, aumenta el efecto del aumento del nivel de
0 0.0159 28.19
incertidumbre sobre el costo y el número total de FIP. Aunque se puede predecir que el
244.678.642 3.325.939 0,1
246763994,8 3.325.612 0,2 251816859,1 0,0783 8.938 efecto sobre el costo total se debe al costo de la demanda insatisfecha, se debe
3.325.463 0,3 272564196,1 3.221.197 0,4 0,0999 195.328 examinar la figura 13 para garantizar qué tipo de costo causa el mayor efecto.
297234343,9 3.103 ,599 0,5 322884144,6 0.0999 3661.375
2.984.213 0,6 350828437,4 2.860.427 0,7 0.0999 2518.578
Como se muestra en la Fig. 13, el mayor impacto proviene del costo de la demanda
380006797,1 2.734.344 0,8 411505603,5 0.0999 2021.391
2.603.732 0,9 444713287. 8 2.469.851 1 0.0996 1733.438 insatisfecha. Le sigue el costo de inventario. Con el aumento del nivel de incertidumbre
479996917,9 2.332.021 0.0998 1280.578 se observa que el costo del inventario aumenta ligeramente al principio y luego se
0,0998 779.563 estabiliza. Este punto de estabilización es el mismo que el punto en el que se
0,0998 414.985
descomponen el costo total y el número total de FIP. Cuando la oferta es insuficiente,
0.0998 808.703
el inventario permanece al mismo nivel y surgen problemas para satisfacer la demanda.
Por otro lado, otros tipos de costos comienzan a disminuir con la disminución de la
oferta.
5.3. Discusión
Se toman decisiones importantes con respecto a la solución óptima. Los valores de
estas variables de decisión proporcionan información importante sobre la idoneidad del
sistema existente. Según las variables de flujo de vacunas que muestran la cantidad de
vacuna transportada entre centros, los vehículos tipo 3 se usan más ampliamente para
el transporte desde el almacén provincial a los CHC, y los vehículos tipo 2 se usan
más ampliamente desde los CHC a los FHC. Como se transportan más vacunas
simultáneamente con estos vehículos, el costo unitario de transportar las vacunas es
menor que el de los vehículos tipo 1. Además, es más razonable transportar suficientes
Fig. 12. El efecto del parámetro Г sobre el costo total y el número total de FIP por incertidumbre de
vacunas para satisfacer la demanda con vehículos de mayor capacidad.
suministro.
El modelo casi satisface la demanda de cada período en el caso determinista, en
el que las vacunas llegan al centro al comienzo del período para evitar el costo de
mantenerlas. Sólo una pequeña cantidad de situación de demanda insatisfecha surge
debido al deterioro. Cuando no se puede satisfacer la demanda, se da prioridad a la
vacunación a los pacientes de tipo 1 de 60 años o más. El monto del inventario es cero
o cercano a cero en todos los períodos excepto en el primer período al examinar las
variables del inventario. El inventario en el almacén provincial disminuye en cada
período y llega a ser cero en el undécimo período. Mientras que la diferencia entre los
importes de inventario de los dos primeros períodos es de más de un millón, esta
diferencia es del nivel de 18.000 entre los períodos 10 y 11. Las capacidades de
almacenamiento, mano de obra, vehículos y procesamiento de residuos son adecuadas
para satisfacer la demanda en cada período. Todos los residuos producidos por las
aplicaciones de vacunas y su deterioro pueden ser tratados. Demuestra que la provincia
de Izmir tiene capacidad suficiente para gestionar los residuos médicos.
Observamos que el valor de la función objetivo empeora a medida que aumenta el
nivel de incertidumbre en casos inciertos. Diferentes tipos de costos causan este efecto
Fig. 13. El efecto del parámetro Г en diferentes tipos de costos por incertidumbre de suministro.
según diferentes parámetros inciertos. Aunque el valor del costo total empeora, las
soluciones manejadas con un mayor nivel de incertidumbre parecen ser soluciones
conservadoras más cercanas al peor de los casos.
costo del servicio, otros costos también aumentan con respecto al modelo determinista.
La disminución en el costo del servicio se debe a la disminución en el número de El parámetro que más afecta el valor de la función objetivo es el parámetro de oferta.
Cuando hay una oferta abundante, se puede inmunizar a toda la población. Sin
individuos vacunados, aumentando el costo de la demanda insatisfecha.
embargo, en un caso como el de las primeras etapas del proceso de vacunación, donde
Por último, se examina la incertidumbre en la cantidad de oferta. En el caso
hubo deficiencia de suministro, se ha revelado que no se puede lograr la inmunidad
determinista, se asumió que no había ningún problema con el suministro. Sin embargo,
comunitaria. Esta deficiencia es prominente a partir de cierto punto en el nivel de
este no es siempre el caso. Especialmente al inicio del proceso de vacunación contra
incertidumbre y alcanza su nivel más alto en el nivel más alto de incertidumbre.
la COVID19, hubo importantes problemas de suministro. Por tanto, el nivel de
incertidumbre se divide en diez partes iguales, que representan las diferentes etapas
Los resultados obtenidos para cada parámetro incierto dan una idea de la
del proceso de vacunación. Un estado de incertidumbre cero (Г=0) representa la fase
Políticas a seguir por los tomadores de decisiones:
en la que no hay problema de suministro.
• En primer lugar deben estar las medidas a tomar contra la incertidumbre en el
Por el contrario, una forma de Г=1 significa las primeras etapas del proceso de
suministro. Estas medidas deberían mejorar los acuerdos de adquisiciones, los
vacunación donde la situación del suministro es más problemática. Los resultados se
sistemas de refrigeración de los almacenes centrales y los procesos de transporte
presentan en la Tabla 11 y muestran que, como en otros casos, cuando la cantidad de
interurbano.
suministro se considera incierta, a medida que aumenta el valor Г , el valor del costo
aumenta mientras que el número total de FIP disminuye. Todos los resultados se • En respuesta a la incertidumbre de la demanda, se deben aumentar las capacidades
de almacenamiento y de mano de obra, y se deben tomar medidas para abordar el
alcanzaron con valores de brecha de optimización inferiores a 0,001. Por lo tanto, los resultados fueron
deterioro.
dieciséis
• Ante la incertidumbre sobre las capacidades de almacenamiento, es necesario Cuadro A1
aumentarlas. Sin embargo, en un entorno sin incertidumbre en la demanda, se Cantidades de capacidad de almacenamiento de vacunas por población.
pueden reducir las capacidades para reducir costos,
Población (personas) Capacidad bruta (L) Capacidad neta (L) Capacidad neta (unidad)
• Como el deterioro provoca una demanda insatisfecha, se deben tomar contramedidas.
≥ 0 190 142,5 1425
Incluso si no se pueden tomar estas medidas, es posible garantizar que se pueda
≤ 5.000 >
satisfacer la demanda manteniendo un stock de seguridad. 5.000 ≤ 365 273,75 2737,5 ≈ 2735
10.000
6. Conclusión > 10.000 610 457,5 4575
≤ 20.000
> 20.000 1000 750 7500
Este estudio se centra en optimizar la red de distribución de vacunas de la cadena ≤ 30.000
de frío COVID19 con la gestión de desechos médicos para superar los procesos difíciles
y ayudar a poner fin a la pandemia lo antes posible. Propusimos un MILP para modelar
el problema de distribución de la vacuna COVID19 con la gestión de desechos médicos Cuadro A2
y desarrollamos un enfoque de RO que aborda las incertidumbres de la demanda, la Capacidad horaria del personal respecto de la población.
capacidad de almacenamiento, el suministro y los parámetros de deterioro. La validez y
Población Número de personal Tiempo de trabajo mensual Capacidad neta
eficacia de los modelos desarrollados se prueban en un estudio de caso realizado en
(min.) (mín.)
Izmir, Turquía.
≥ 0 1 16.200 16.200
Si bien el objetivo principal del modelo propuesto es brindar inmunidad comunitaria,
≤ 5.000
también es importante hacerlo al menor costo. Por este motivo se determinan dos > 5.000 2 16.200 32.400
objetivos para el modelo: minimizar el coste total y maximizar el número total de FIP. ≤ 10.000
> 10.000 3 16.200 48.600
Como ocurre con todos los problemas de la vida real, el proceso de distribución de ≤ 15.000 >
15.000 ≤ 4 16.200 64.800
las vacunas COVID19 también contiene incertidumbres. Dado que las vacunas COVID19
20.000 >
son productos nuevos, no tenemos suficientes datos históricos ni opiniones de expertos. 20.000 ≤ 5 16.200 81.000
Para abarcar estas incertidumbres se ha utilizado el método más adecuado, la 25.000 >
optimización convexa robusta, uno de los métodos RO. Este estudio ha empleado el 25.000 ≤ 6 16.200 97.200
30.000
enfoque de modelación de Bertsimas y Sim (2004) porque proporciona linealidades y
evita centrarse en el peor de los casos. El modelo robusto desarrollado ha sido operado
según diferentes valores del parámetro de incertidumbre (Г). Las curvas de compensación
Cuadro A3
obtenidas de estos análisis ayudan a quien toma las decisiones a decidir qué posición
Tipos de costos y costos correspondientes.
tomar. Además, en los resultados obtenidos se analizó el comportamiento de los tipos
de costos según el valor de Г para diferentes parámetros inciertos. Tipo de costo Costo ( )
Transporte ( /dosis) Tipo de vehículo Vehículo tipo 2 Vehículo tipo 3

1 0.00088235 0.00013235 0.00011765
Los resultados muestran que, según soluciones modelo deterministas, la capacidad Inventario ( /kg) CHC FHC
1.494 1.718
de la provincia de Izmir es suficiente tanto para satisfacer la demanda total como para
Procesamiento de residuos ( /kg) CI
eliminar el desperdicio médico. Se ha comprobado que el proceso de vacunación puede
CC 3.1 9.41
completarse en 11 meses, mientras que la capacidad es insuficiente para vacunar a 14.115
Residuos no transportados ( /kg)
toda la población objetivo en períodos de tiempo más cortos. Pérdida de vacuna ( /dosis) 90.04
Demanda insatisfecha Paciente tipo 1 Paciente tipo 2
( /dosis) 691.1 345,6
Cuando el problema se considera con parámetros inciertos, el mayor efecto se debe
Servicio ( /dosis) 2.20987654
a los parámetros de oferta y demanda. Se ha observado que en los casos en que hay un
problema de suministro al inicio del proceso de vacunación, hay problemas para
proporcionar inmunidad comunitaria, lo que aumenta dramáticamente el costo total. dosis de refuerzo para aumentar el nivel de protección de las vacunas. Dado que es
Cuando se incluye a la población menor de 18 años en el proceso de inmunización, posible que no todo el mundo prefiera la dosis de refuerzo, este estudio se puede ampliar
mientras aún se puede satisfacer la demanda total, el costo total aumenta casi un 80%. realizando investigaciones adicionales sobre la demanda de la dosis de refuerzo.
Por último, se pueden desarrollar nuevos métodos híbridos de RO con más datos
Este aumento en el costo total se mantiene en 8% y 2% por incertidumbre en la capacidad manejados con incertidumbre.
de almacenamiento de los centros de salud y deterioro durante el transporte,
respectivamente. En cuanto a los tipos de costos, el mayor impacto está relacionado con Fondos
el costo de la demanda insatisfecha y luego el costo del inventario. En todos los
escenarios analizados, el costo de los desechos médicos no transportados es cero, lo No se recibieron fondos, subvenciones u otro tipo de apoyo.
que significa que la capacidad de gestión de desechos médicos es adecuada, incluso en
el peor de los casos.
8. Declaraciones
Dado que las vacunas contra el COVID19 son productos nuevos, las autoridades
constantemente toman nuevas decisiones que cambian los planes. Por tanto, futuros
Consentimiento para publicar Los autores confirman que la versión final del
estudios deberían reoptimizar el proceso de distribución con las nuevas decisiones. Dado
manuscrito ha sido revisada, aprobada y consentida para su publicación por todos los
que se están desarrollando y comercializando nuevas vacunas, incluir múltiples productos
autores.
en el modelo desarrollado puede ser una extensión de este estudio. Además, solo se
Aprobación ética No se requiere la aprobación del comité de ética.
presentó un estudio de caso para este plan de distribución de vacunas a nivel provincial.
Experimentar con diferentes casos revelará más claramente la validez del modelo.
Cuando el tamaño del problema aumenta, los tiempos de solución son considerablemente Declaración de intereses en competencia
más largos. Por esta razón, se pueden utilizar diferentes heurísticas o metaheurísticas
para obtener resultados en un tiempo razonable. Los autores declaran que no tienen intereses financieros en competencia ni
tiempo. Agregar decisiones de rutas de vehículos al modelo puede ser otra extensión. relaciones personales conocidas que pudieran haber influido en el trabajo presentado en
Más recientemente, las autoridades oficiales han estado alentando este artículo.
17
Disponibilidad de datos Govindan, K., Fattahi, M. y Keyvanshokooh, E. (2017). Diseño de red de cadena de suministro.
bajo incertidumbre: una revisión exhaustiva y direcciones de investigación futuras. Revista europea de
investigación operativa, 263(1), 108–141.
Hemos compartido el enlace a mis datos y código en el Apéndice B. Günay, EE, Park, K., Aydogan, S. y Okudan Kremer, GE (2019). Estrategias de distribución de vacunas contra la
polio: un análisis del escenario de Turquía. En la Conferencia y Exposición Anual del IISE del 18 al 21 de mayo
(p. 188).
Apéndice A. Tablas de datos
Haidari, LA, Connor, DL, Wateska, AR, Brown, ST, Mueller, LE, Norman, BA, et al. (2013). Aumentar el transporte
versus aumentar el almacenamiento en frío para mejorar las cadenas de suministro de vacunas. MÁS
UNO, 8(5), 1–7.
Haimes, YY, Lasdon, S. y Wismer, DA (1971). En una formulación bicriterio de la
Problema de identificación y optimización del sistema integrado. Transacciones IEEE sobre
Apéndice B. Datos complementarios
sistemas, hombre y cibernética, SMC1(3), 296–297.
Dirección General de Salud Pública (HSGM). (2018). Enfermedades prevenibles por vacunación.
Portal de Vacunas. Recuperado el 21 de diciembre de 2020 de https://asi.saglik.gov.tr/asi hastaliklari.
Los datos complementarios de este artículo se pueden encontrar en línea en https://doi.
org/10.1016/j.eswa.2023.120510.
Gilani, H. y Sahebi, H. (2022). Un modelo de optimización robusto basado en datos cortando
hiperplanos sobre la incertidumbre del acceso a las vacunas en la cadena de suministro de la vacuna
Referencias COVID19. Omega (Reino Unido), 110, artículo 102637. https://doi.org/10.1016/j.
omega.2022.102637
Hall, SN, Jacobson, SH y Sewell, EC (2008). Un análisis de los problemas de selección del formulario de
Aaby, K., Herrmann, JW, Jordan, CS, Treadwell, M. y Wood, K. (2006). El servicio de salud pública del condado de
vacunas pediátricas. Investigación de operaciones, 56(6), 1348–1365.
Montgomery utiliza la investigación operativa para planificar clínicas de vacunación y dispensación masiva
Hamidieh, A., Naderi, B., Mohammadi, M. y FazliKhalaf, M. (2017). Un robusto
de emergencia. Interfaces, 36(6), 569–579.
Modelo de programación posibilista para un diseño responsivo de red de cadena de suministro de circuito
Ahabchane, C., Langevin, A. y Trépanier, M. (2021). Optimización robusta para el problema de enrutamiento
cerrado . Matemáticas convincentes, 4(1), 1329886.
general capacitado mixto jerárquico aplicado al mantenimiento de carreteras en invierno. Informática e
Hatefi, SM y Jolai, F. (2014). Diseño de red logística directainversa robusta y confiable bajo incertidumbre de la
Ingeniería Industrial, 158(2021), artículo 107396. cuenta(hermanoprecedente::sb:referencia[1])"^?^(1)
demanda e interrupciones en las instalaciones. Modelado matemático aplicado , 38(9–10), 2630–2647.
[ref_tag]>Ajelli, M., Gonçalves, B.,
Balcan, D., Colizza, V., Hu, H., Ramasco, JJ, et al. (2010). Comparación de enfoques computacionales a gran
Hovav, S. y Herbón, A. (2017). Priorizar subgrupos de alto riesgo en un entorno múltiple
escala para el modelado de epidemias: modelos de metapoblación basados en agentes versus modelos
programa de distribución de vacunas del fabricante. La Revista Internacional de Gestión Logística, 28,
de metapoblación estructurados. Enfermedades infecciosas de BMC, 10(190).
311–331.
Arifo lu, K., Deo, S. e Iravani, SMR (2012). Externalidad del consumo e incertidumbre del rendimiento en la
Hovav, S. y Tsadikovich, D. (2015). Un modelo de flujo de red para la gestión de inventario y distribución de vacunas
cadena de suministro de la vacuna contra la influenza: intervenciones en el lado de la demanda y la oferta.
contra la influenza a través de una cadena de suministro de atención médica. Investigación operativa para la
Ciencias de la gestión, 58 (6), 1072–1091.
atención sanitaria, 5, 49–62.
Assi, TM, Brown, ST, Djibo, A., Norman, BA, Rajgopal, J., Welling, JS, et al.
Hu, Z. y Hu, G. (2020). Modelo de optimización híbrido, estocástico y robusto para problemas de programación y
(2011). Impacto del cambio del tamaño de los viales de la vacuna contra el sarampión en la cadena de suministro
dimensionamiento de lotes en condiciones de incertidumbre. Revista europea de investigación
de vacunas de Níger: un modelo computacional. Salud pública de BMC, 11, 425.
operativa, 284(2), 485–497. https://doi.org/10.1016/j.ejor.2019.12.030 Hu, XM, Zhang, J. y
Assi, TM, Brown, ST, Kone, S., Norman, BA, Djibo, A., Connor, DL, et al. (2013).
Chen, H. (2014). Estrategia óptima de distribución de vacunas para
Eliminar el nivel regional de la cadena de suministro de vacunas de Níger. Vacuna, 31(26), 2828–2834.
diferentes grupos de edad de la población: un enfoque de algoritmo de evolución diferencial.
Problemas matemáticos en ingeniería, 2014 (1024–1031), 1–7.
Assi, TM, Rookkapan, K., Rajgopal, J., Sornsrivichai, V., Brown, ST, Welling, JS, et al. (2012). Cómo la política de
Municipio Metropolitano de Esmirna (IMM). (2019). Desechos médicos. Obtenido el 23 de julio de 2021 de
vacunación contra la influenza puede afectar la logística de las vacunas. Vacuna, 30(30), 4517–4523.
https://www.izmir.bel.tr/tr/TibbiAtiklar/292/95.
Jacobson, SH, Sewell, EC, Deuson, R. y Weniger, BG (1999). Un modelo de programación entera para
Aytaç, M. (2021). Resultados del sistema de registro de población basado en direcciones. Recuperado
la adquisición y entrega de vacunas para la inmunización infantil: un estudio piloto. Ciencias de
26 de diciembre de 2020, de https://data.tuik.gov.tr/Bulten/Index?p=AdreseDayali NufusKayitSistemi
la gestión de la atención sanitaria, 2(1), 1–9.
Sonuclari202037210.
Jacobson, SH, Sewell, EC y Proano, RA (2006). Un análisis del problema de escasez de suministro de vacunas
Azadi, Z. (2018). Modelos de optimización estocástica para productos perecederos. Todas las
pediátricas. Ciencias de la gestión de la atención sanitaria, 9(4), 371–389. https://doi.org/10.1007/
disertaciones, 2551.
s1072900600015 _ JantziBauman, M. (2017).
Bairamzadeh, S., Saidimehrabad, M. y Pishvaee, MS (2018). Modelado de diferentes tipos de incertidumbre en el
Informe de desperdicio de vacunas. Recuperado el 23 de julio de 2021 de
diseño y planificación de redes de suministro de biocombustibles: un enfoque de optimización sólido. Energía
https://wdgpublichealth.ca/sites/default/files/fileattachments/basicpage/bh_01_jun0717_r15_
renovable, 116, 500–517.
_vaccine_wastage_report_juldec_2016_access.pdf.
BenTal, A. y Nemirovski, A. (2000). Soluciones robustas de problemas de Programación Lineal contaminados con
José Alem, D., & Morabito, R. (2012). Planificación de la producción en entornos de muebles mediante una
datos inciertos. Programación matemática, Serie B, 88(3),
optimización sólida. Investigación de operaciones y computadoras, 39 (2), 139150.
411–424.
Lee, BY, Assi, TM, Rookkapan, K., Connor, DL, Rajgopal, J., Sornsrivichai, V., et al.
BenTal, A., El Ghaoui, L. y Nemirovski, A. (2009). Optimización robusta. Princetón:
(2011). Reemplazo de la presentación de la vacuna contra el sarampión de diez dosis por la presentación
Prensa de la Universidad de Princeton, 10.1515/9781400831050.
de una sola dosis en Tailandia. Vacuna, 29(21), 3811–3817.
Berman, O., Gavious, A. y Menezes, MBC (2012). Respuesta óptima contra ataque bioterrorista en terminal
Lee, BY, Cakouros, BE, Assi, TM, Connor, DL, Welling, J., Kone, S., et al. (2012).
aeroportuaria. Revista europea de investigación operativa, 219 (2),
El impacto de hacer que las vacunas sean termoestables en la cadena de suministro de vacunas de Níger.
415–424.
Vacuna, 30(38), 5637–5643.
Bertsimas, D. y Sim, M. (2004). El precio de la robustez. Investigación de operaciones, 52 (1),
Lee, BY, Norman, BA, Assi, TM, Chen, SI, Bailey, RR, Rajgopal, J., et al. (2010).
35–53.
Viales de vacuna monodosis versus viales multidosis: un modelo computacional económico. Vacuna, 28(32),
Bertsimas, D. y Thiele, A. (2006). Un enfoque de optimización sólido para la teoría del inventario.
5292–5300.
Investigación de operaciones, 54(1), 150–168.
Lemmens, S., Decouttere, C., Vandaele, N. y Bernuzzi, M. (2016). Una revisión de los modelos de diseño de redes
Chen, SI, Norman, BA, Rajgopal, J., Assi, TM, Lee, BY y Brown, ST (2014).
de cadenas de suministro integradas: cuestiones clave para las cadenas de suministro de vacunas.
Un modelo de planificación para la red de distribución de vacunas del PAI de la OMS en países en
Investigación y diseño de ingeniería química , 109, 366–384.
desarrollo. Transacciones IIE (Instituto de Ingenieros Industriales), 46(8), 853–865. Çivit, D. (2020).
Levine, H. (2020). Las 5 etapas del desarrollo de la vacuna COVID19: lo que necesita saber sobre cómo funciona
Estadísticas de desechos médicos. Obtenido el 26 de diciembre de 2020 de https://data.tuik.gov.tr/Bulten/Index?
un ensayo clínico. Obtenido el 21 de diciembre de 2020 de https://www.jnj.com/innovation/the5stagesof
p=TibbiAtikIstatistikleri201933900.
covid19vaccinedevelopmentwhatyou needtoknowabouthowa trabajosdeensayoclinico.
De Boeck, K., Decouttere, C. y Vandaele, N. (2020). Cadenas de distribución de vacunas en países de ingresos
bajos y medios: una revisión de la literatura. Omega (Reino Unido), 97, Artículo 102097.
Lim, J., Norman, BA y Rajgopal, J. (2019). Rediseño de las redes de distribución de vacunas.
Transacciones internacionales en investigación operativa, 29, 200–225.
Demirci, EZ y Erkip, NK (2017). Diseñar una estrategia de intervención para el público.
Liu, Y., Lei, H., Wu, Z. y Zhang, D. (2019). Un enfoque de control predictivo de modelo robusto para la distribución
Bienes de interés: el caso del mercado de vehículos eléctricos de California. Omega (Reino Unido), 69, 53–69.
de ayuda después de un desastre. Computación e Ingeniería Industrial, 135 (2019), 1253–1270.
Duijzer, LE, van Jaarsveld, W. y Dekker, R. (2018). Revisión de la literatura: la cadena de suministro de vacunas.
Longini, IM, Ackerman, E. y Elveback, LR (1978). Un modelo de optimización para las epidemias de influenza
Revista europea de investigación operativa, 268(1), 174–192.
A. Biociencias matemáticas, 38(1–2), 141–157.
Ebong, CE y Levy, P. (2011). Impacto de la introducción de nuevas vacunas y la tasa de desperdicio de vacunas en
Luangkesorn, KL, Norman, BA, Zhuang, Y., Falbo, M. y Sysko, J. (2012). Resúmenes de práctica : diseño de
la rentabilidad del PAI de rutina: lecciones de un estudio descriptivo en un distrito sanitario de Camerún.
centros de detección y prevención de enfermedades en Abu Dhabi.
Rentabilidad y asignación de recursos, 9, 1–8.
Interfaces, 42 (4), 406–409.
¨
Mavrotas, G. (2009). Implementación efectiva del método de restricción ε en problemas de programación
Enayati, S. y Ozaltın, OY (2020). Distribución óptima de la vacuna contra la influenza con equidad.
matemática multiobjetivo. Matemáticas aplicadas y computación, 213(2), 455–465.
Revista europea de investigación operativa, 283(2), 714–725.
Erdogan, SA, Kannan, S. y Cheng, C. (2017). Optimización de la entrega de vacunas
Modarres, M. e Izadpanahi, E. (2016). Planificación de la producción agregada centrándose en el ahorro de
operaciones con centros de distribución regionales. En 67ª Conferencia y Exposición Anual del Instituto de
energía: un enfoque de optimización sólido. Revista de Producción Más Limpia, 133,
Ingenieros Industriales (págs. 17651770).
1074–1085.
FazliKhalaf, M., Khalilpourazari, S. y Mohammadi, M. (2019). Mixto robusto
Mohammadi, M., Dehghan, M., Pirayesh, A. y Dolgui, A. (2022). Bioobjetivo
Modelo posibilista de optimización de restricciones de probabilidad flexible para el diseño de redes de
optimización de una red de distribución de vacunas estocástica y resiliente en el contexto de
cadenas de suministro de sangre de emergencia. Anales de investigación de operaciones, 283(1–2), 1079–1109.
18
la pandemia de COVID19. Omega (Reino Unido), 113, artículo 102725. https://doi. org/10.1016/ Talaei, M., Farhang Moghaddam, B., Pishvaee, MS, BozorgiAmiri, A. y
j.omega.2022.102725 Mulvey, JM, Vanderbei, Gholamnejad, S. (2016). Un modelo robusto de optimización difusa para el problema de diseño de
JR y Zenios, AS (1995). Optimización robusta de gran escala. redes de cadenas de suministro de circuito cerrado eficientes en carbono : una ilustración numérica
sistemas. Investigación de operaciones, 43(2), 264–281. en la industria electrónica. Revista de Producción Más Limpia, 113, 662–673.
Najafi, M., Eshghi, K. y Dullaert, W. (2013). Un modelo robusto de optimización multiobjetivo para la Tanner, MW y Ntaimo, L. (2010). IIS ramificación y corte para articulaciones con posibilidades limitadas
planificación logística en la fase de respuesta al terremoto. Investigación sobre transporte, Parte Programas estocásticos y aplicación a la asignación óptima de vacunas. Revista europea de investigación
E: Revisión de logística y transporte, 49(1), 217–249. operativa, 207 (1), 290–296.
˘
Nayeri, S., Paydar, MM, AsadiGangraj, E. y Emami, S. (2020). Enfoque de optimización robusta y difusa de Tanriover, MD, Doganay, HL, Akova, M., Güner, HR, Azap, A., Akhan, S., et al.
múltiples objetivos para el diseño sostenible de redes de cadenas de suministro de circuito cerrado . (2021). Eficacia y seguridad de una vacuna de virión completo inactivado contra el SARSCoV2
Informática e Ingeniería Industrial, 148(2020), artículo 106716. (CoronaVac): resultados provisionales de un ensayo de fase 3, doble ciego, aleatorizado y controlado
Pishvaee, MS, Razmi, J. y Torabi, SA (2012). Programación posibilista sólida para el diseño de redes de con placebo en Turquía. Lancet (Londres, Inglaterra), 6736(21), 1–10.
cadenas de suministro socialmente responsables: un nuevo enfoque. Conjuntos y sistemas difusos , Tavana, M., Govindan, K., Nasr, AK, Heidary, MS y Mina, H. (2021). Un enfoque de programación matemática
206, 1–20. para la distribución equitativa de la vacuna COVID19 en los países en desarrollo. En Anales de
Rastegar, M., Tavana, M., Meraj, A. y Mina, H. (2020). Una ubicación de inventario investigación de operaciones. https://doi.org/10.1007/s10479021
Modelo de optimización para la distribución equitativa de la vacuna contra la influenza en países 04130z
en desarrollo durante la pandemia de COVID19. Vacuna, 15;39(3), 495–504. Taylor, TA y Xiao, W. (2014). Subsidiar el canal de distribución: financiación de donantes para mejorar la
Ministerio de Salud de la República de Turquía (RTMH). (2021). La cadena de frío y las capacidades logísticas disponibilidad de medicamentos contra la malaria. Ciencias de la gestión, 60 (10), 2461–2477.
de Turquía. Obtenido el 23 de julio de 2021 de https://covid19asi.saglik.gov.tr/EN 80237/turkeys Teytelman, A. y Larson, RC (2013). Asignación dinámica multirregional de vacunas durante una epidemia de
coldchainandlogisticscapabilities.html. influenza. Ciencia del servicio, 5(3), 197–215.
´
Robbins, MJ y Jacobson, SH (2011). Política de adquisición de vacunas pediátricas: La UribeSánchez, A., Savachkin, A., Santana, A., PrietoSanta, D. y Das, TK (2011).
El problema del monopsonista. Omega, 39(6), 589–597. Una metodología predictiva de ayuda a la toma de decisiones para la mitigación dinámica de
Robbins, MJ y Lunday, BJ (2016). Una formulación de dos niveles del problema del precio de las vacunas pandemias de influenza. O Espectro, 33(3), 751–786.
pediátricas. Revista europea de investigación operativa, 248(2), 634–645. Whitworth, MH (2006). Diseño de la respuesta a un ataque de ántrax. Interfaces, 36(6),
Robbins, MJ, Jacobson, SH, Shanbhag, UV y Behzad, B. (2014). El juego de cobertura de conjuntos 562–568.
ponderados : un modelo de fijación de precios de vacunas para la inmunización pediátrica. Wilding, R. OBE, (2020). La logística ganará la guerra de las vacunas Covid19. Recuperado
INFORMA Revista de Computación, 26(1), 183–198. 21 de diciembre de 2020, de https://www.richardwilding.info/logisticswiningthe covid19vaccine
Sadjadi, SJ, Ziaei, Z. y Pishvaee, MS (2019). El diseño del suministro de vacunas. war.html.
Red en condiciones inciertas: un enfoque de programación matemática robusto. Organización Mundial de la Salud (OMS). (2020). Panel de control de la enfermedad por coronavirus
Revista de modelado en gestión, 14 (4), 841–871. (COVID19) de la OMS. Recuperado el 21 de diciembre de 2020 de https://covid19.who.int/.
Saif, A. y Elhedhli, S. (2016). Diseño de cadena de suministro de frío teniendo en cuenta el medio ambiente. Organización Mundial de la Salud (OMS). (2021a). COVID19 Grupos de alto riesgo. Obtenido el 23 de julio de
Consideraciones: un enfoque de optimización de simulación. Revista europea de investigación operativa, 2021 de https://www.who.int/westernpacific/emergencies/covid19/information/highriskgroups.
251 (1), 274–287.
Samii, AB, Pibernik, R., Yadav, P. y Vereecke, A. (2012). Políticas de reserva y asignación de vacunas contra Organización Mundial de la Salud (OMS). (2021b). Sinovac CoronaVac® [Vero Cell]
la influenza. Revista europea de investigación operativa, 222(3), 495–507. https://doi.org/10.1016/ Vacuna inactivada contra el COVID19 (edición de junio). Obtenido el 23 de julio de 2021 de https://
j.ejor.2012.05.003 Shrestha, SS, Wallace, GS y Meltzer, MI (2010). www.who.int/publications/m/item/sinovaccoronavacverocell—inactivated covid19vaccine.
Modelado de la reserva nacional de vacunas pediátricas: escasez de suministro, impactos en la salud y
consecuencias en materia de costos. Vacuna, 28(38), 6318–6332. https://doi.org/10.1016/ Yang, Y. (2020). Diseño y operación óptimos de las cadenas de distribución de vacunas OMSPAI.
j.vaccine.2010.06.095 Shukla, S., Fressin, F., Un, M., Coetzer, H. y Chaguturu, SK Pittsburgh: Universidad de Pittsburgh. Tesis doctoral.
(2022). Optimización de la distribución de vacunas a través de clínicas móviles: un estudio de caso sobre la Yang, Y. y Rajgopal, J. (2019). Un algoritmo cíclico iterativo para diseñar vacunas.
distribución de la vacuna COVID19 a centros de atención a largo plazo. Vacuna, 40(5), 734–741. redes de distribución en países de ingresos bajos y medios. En Actas de la 25ª Conferencia Conjunta
https://doi.org/10.1016/j. vacuna.2021.12.049 Internacional sobre Ingeniería Industrial y Gestión de Operaciones (págs. 512–521).
Soyster, Luisiana (1973). Nota técnica: programación convexa con setinclusive Yang, Y. y Rajgopal, J. (2021). Estrategias de divulgación para la distribución de vacunas: un enfoque de
Restricciones y aplicaciones a la programación lineal inexacta. Investigación de operaciones, 21 (5), modelado estocástico de períodos múltiples. Foro de Investigación Operativa, 2(2), 24.
11541157. Yang, Y., Bidkhori, H. y Rajgopal, J. (2021). Optimización de las redes de distribución de vacunas en países
Personal, R. (2020). La vacuna candidata china contra el coronavirus de Sinovac parece segura, aunque de ingresos bajos y medios. Omega (Reino Unido), 99(2021), artículo
ligeramente más débil en personas mayores. Obtenido el 26 de diciembre de 2020 de https:// 102197.
www.reuters.com/article/ushealthcoronavirusvaccinesinovacidUSKBN25Y1QM. Yarmand, H., Ivy, JS, Denton, B. y Lloyd, AL (2014). Vacuna bifásica óptima
Sun, H., Wang, Y., Zhang, J. y Cao, W. (2021). Un modelo de optimización robusto para el problema de asignación a regiones geográficamente diferentes en condiciones de incertidumbre. Revista europea de
ubicación y transporte de víctimas de desastres con clasificación e incertidumbre. Sistemas Expertos investigación operativa, 233(1), 208–219.
con Aplicaciones, 175(2021), Artículo 114867. Zahiri, B., Torabi, SA, Mousazadeh, M. y Mansouri, SA (2013). Gestión de la extracción de sangre :
Sun, P., Yang, L. y De Véricourt, F. (2009). Asignación egoísta de medicamentos para contener una Metodología y aplicación. Modelado matemático aplicado, 39 (23–24), 7680–7696.
pandemia internacional de gripe desde su inicio. Investigación de operaciones, 57(6), 1320–
1332. Zokaee, S., Jabbarzadeh, A., Fahimnia, B. y Sadjadi, SJ (2017). Diseño robusto de red de cadena de
Sun, X., Andoh, EA y Yu, H. (2021). Un análisis basado en simulación para lograr resultados efectivos suministro: un modelo de optimización con aplicación en el mundo real. Anales de investigación de
Distribución de vacunas COVID19: un estudio de caso en Noruega. Perspectivas interdisciplinarias de la operaciones, 257(1–2), 15–44.
investigación en transporte, 11, artículo 100453. https://doi.org/10.1016/j. viaje.2021.100453
19
Heliyon 9 (2023) e14833
Helión
página de inicio de la revista: www.cell.com/heliyon
Artículo de investigación
Análisis de red de proyectos inciertos con difusa: PERT e Interval
Duraciones de actividad difusa tipo 2
Juan Carlos Figueroa–García a, ,1, Germán Hernández–Pérez b,2,
Jennifer Soraya Ramos–Cuesta a,3
a Universidad Distrital Francisco José de Caldas, Bogotá Colombia b Universidad Nacional de
Colombia, Sede Bogotá Colombia
Palabras clave: El análisis de la red de proyectos a menudo está sujeto a diferentes incertidumbres que pueden ocurrir en
Tipo de intervalo: 2 conjuntos difusos escenarios del mundo real. Estas incertidumbres no siempre son mensurables, lo que dificulta su estimación
PERT difuso estadística, por lo que el uso de información de terceros procedente de expertos es útil para proporcionar una
Distribución PERT difusa
estimación de la duración de las actividades del proyecto. Los proyectos suelen tener varios expertos que
proporcionan diferentes estimaciones de sus percepciones sobre la duración de las actividades, que pueden
representarse como conjuntos difusos de tipo 2 en los casos en que los expertos no están de acuerdo en sus
estimaciones. Dichos desacuerdos/ambigüedades se pueden expresar con números difusos de intervalo tipo
2 o con el conjunto PERT difuso propuesto, que es una extensión de la distribución PERT clásica a un entorno
difuso. Para ello se presenta una formulación matemática del problema difuso, se describen dos métodos de
solución y se resuelven dos ejemplos ilustrativos.
1. Introducción y motivación
El enfoque clásico para encontrar soluciones de una red de proyecto determinista es el CPM (método de ruta crítica), que encuentra el camino más corto para
terminar el proyecto, y el método más popular que involucra incertidumbre probabilística es el método PERT (Técnica de revisión y evaluación de programas), que
supone la duración de cada actividad se comporta como una variable aleatoria distribuida Beta descrita por tres parámetros: valores pesimistas, esperados y
optimistas. El uso de la distribución Beta y el método PERT fue descrito por primera vez por Malcolm et al. [24] como una contraparte no lineal de la distribución
triangular cuyo objetivo principal es abordar la incertidumbre probabilística en el comportamiento de las duraciones de las actividades agregando flexibilidad al
análisis. Sin embargo, cada proyecto es singular y las duraciones de las actividades a menudo carecen de datos históricos para estimar, lo cual es un problema
común que debe abordarse, por lo que el uso de fuentes de información alternativas (análisis comparativo, estimaciones basadas en expertos, etc.) se ha convertido
en un enfoque popular en Muchos proyectos y conjuntos difusos son apropiados para involucrar información proveniente de expertos en el análisis de la red del
proyecto.
La teoría de conjuntos difusos es útil en los casos en los que no se dispone de datos para realizar un análisis estadístico adecuado, por lo que se puede utilizar
´
información de terceros procedente de expertos para definir la duración de las actividades. Para ello, Dubois, Fortin & Ziełinski [10] y McCahon [25] en primer lugar
Direcciones de correo electrónico: jcfigueroag@udistrital.edu.co (JC Figueroa–García), gjhernandezp@unal.edu.co (G. Hernández–Pérez), jsramosc@correo.udistrital.edu.co
(JS Ramos–Cuesta).
1
Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas, Bogotá Colombia.
2
Departamento de Ingeniería de Sistemas Universidad Nacional de Colombia, Campus Bogotá Colombia.
3
Facultad de Ingeniería, Universidad Distrital Francisco José de Caldas, Bogotá Colombia.
https://doi.org/10.1016/j.heliyon.2023.e14833 Recibido
el 17 de septiembre de 2022; Recibido en forma revisada el 25 de enero de 2023; Aceptado el 19 de marzo de 2023
Disponible en línea el 22 de
marzo de 2023 24058440/© 2023 Los Publicado por Elsevier Ltd. Este es un artículo de acceso abierto bajo licencia CC BY.
autores. (http://creativecommons.org/licenses/by/4.0/).
JC Figueroa–García, G. Hernández–Pérez y JS Ramos–Cuesta Heliyon 9 (2023) e14833
propusieron el uso de duraciones de actividad difusas e inciertas en CPM y problemas de flujo de red, luego Fargier et al. [11] propuso el uso
de conjuntos difusos y técnicas PERT en gráficos paralelos en serie y Wang y Hao [38] han propuesto el uso de variables lingüísticas difusas
en análisis de redes; Chen [8] y Chen & Wang [9] han incluido imprecisiones difusas provenientes de incertidumbres no probabilísticas.
asociado con la percepción de un experto sobre el proyecto y utilizado cortes de representación de un conjunto difuso para obtener el conjunto difuso
de duraciones óptimas de un proyecto y Glisovic et al. [18] aplicó esos resultados a la previsión de la duración de un proyecto como decisión
sistema de apoyo; Lootsma [23] analizó la relación entre las técnicas PERT estocásticas y difusas con membresía triangular.
funciones, Chen & Huang [7] utilizaron PERT difuso para una cadena de suministro vista como una red de proyecto utilizando conjuntos difusos triangulares; hebilla y
Jowers [3] combinó técnicas de simulación Monte Carlo con métodos PERT difusos para involucrar aleatoriedad en el análisis y Kazemi,
Fakhori y Shakourloo [20] utilizaron sistemas de lógica difusa para representar la duración de las actividades utilizando variables lingüísticas difusas; Rambaud & Pérez
[33] abordaron por primera vez las estimaciones de varios expertos utilizando un valor de apuesta equivalente a su media. Una primera aproximación al Intervalo Tipo2 Difuso
Mohagheghi et al. propusieron números (IT2FN) para proyectar el análisis de redes. [31] que utilizan actividad IT2FS trapezoidal no normal
duraciones/costos en problemas de flujo de caja del proyecto; Aramesh, Mousavi y Mohagheghi [2] formalizaron un modelo de programación matemática
para redes de proyectos con limitaciones de recursos consideradas como IT2FS no normales y las duraciones de las actividades están limitadas a un acuerdo
e índices crecientes; Akan & Bayar [1] propusieron un método PERT basado en IT2FS (paso hacia adelante/atrás y cálculos de holgura)
y comparó los resultados obtenidos con un PERT clásico defuzzificado y enfoques PERT basados en simulación.
El principal inconveniente de los trabajos PERT anteriores que involucran IT2FN es que están enfocados a encontrar valores nítidos que satisfagan ciertos
condiciones/restricciones nítidas por lo que la solución obtenida es un valor único lo que implica una pérdida de información difusa. Es importante
Observe que las duraciones difusas de las actividades deben conducir a un conjunto difuso de duraciones óptimas del proyecto y a un conjunto de posibles resultados óptimos.
caminos/soluciones y esos trabajos previos no establecieron claramente el papel de los conjuntos difusos en la duración óptima del proyecto y
cómo pueden aparecer diferentes soluciones. De esta manera, proponemos un marco matemático para resolver redes de proyectos bajo tipo 2 difusas.
incertidumbre que proviene principalmente del desacuerdo entre diferentes expertos sobre la duración de las actividades, por lo que la unión de todos los expertos
Las percepciones se pueden representar con IT2FN y/o el conjunto propuesto de Intervalo Tipo2 difusoPERT para luego obtener el conjunto de percepciones óptimas.
duraciones de proyectos asociadas a un conjunto de posibles rutas/soluciones como secuela del modelo difuso propuesto por Chen [8]. Para hacerlo,
Se introducen dos métodos principales: un –cuts que calcula el conjunto de duraciones óptimas del proyecto difuso y un método basado en el
expectativas/centroides de todas las duraciones de actividad difusa de intervalo Tipo2 independientemente de su función de membresía.
El artículo está organizado de la siguiente manera: la Sección 1 presenta la introducción y motivación; La sección 2 presenta conceptos básicos sobre difusa.
conjuntos; La sección 3 presenta el problema de la red difusa y los conjuntos PERT difusos; La sección 4 presenta dos ejemplos: un intervalo tipo 2
En la Sección 5 se presentan un ejemplo de conjuntos difusos y un ejemplo de PERT difuso de intervalo tipo 2 y algunas observaciones finales .
2. Conceptos y definiciones de conjuntos difusos
Los conjuntos ̃ difusos se indican con letras mayúsculas con función de membresía () y los conjuntos difusos de tipo 2 se indican con letras resaltadas.
letras mayúsculas con función de pertenencia ̃( ) donde es un elemento de un subconjunto
̃ de los reales . ( ) mide la
grado de afinidad de un elemento con el concepto/palabra/etiqueta y mide la incertidumbre sobre . ( ) es la clase de todos los crujientes
conjuntos, 1( ) es la clase de todos los conjuntos difusos, 1( ) es la clase de todos los números difusos, 2( ) es la clase de todos los conjuntos difusos de tipo 2, 2( ) es
la clase de todos los números difusos de tipo 2 y ∫ denota la integral de Lebesgue. Por tanto, un conjunto difuso es un conjunto de pares ordenados de un elemento.
y su grado de membresía, ( ), es decir
= {( , ( ))| }. (1)
El soporte de 1( ), es decir ( ), es el conjunto de todos los valores con membresía positiva, es decir

( )={ | ( ) > 0} = [ , ]. (2)
El núcleo de 1( ), es decir ( ), es el conjunto de todos los valores con membresía máxima, es decir
( )={ | sorber ( )} = [ , ] (3)
La cardinalidad de 1( ) es decir | | es el área total de:
| (4)
| = ∫ ( )
El centroide de 1( ) de ( ) es el centro de gravedad matemático de más de ie
1
( ) = | (5)
| ∫ ( )
Se dice que un conjunto difuso es normal si ( | ( ) = 1) es decir, max ( ) = 1. Conjuntos difusos normales, en particular la subclase de difusos

Los números son populares en aplicaciones prácticas. El –corte de 1( ) es decir, es el conjunto de todos los valores tales que [0, 1], es decir:
= { | ( ) } (6)
( ), sup (7)
= [ inf ( ) ] = [ ( ), ( ) ]
2
( ) ( )
Fig. 1. Conjunto difuso triangular.
que satisface las siguientes propiedades:
= 0 = ( ) (apoyo) (8)
cenar ( ) = (centro) (9)
1 < 2 1 2 (monotonicidad) (10)
y permite definir el siguiente conjunto difuso especial (también conocido como conjunto de niveles difusos de intervalo):
= {( , )| [0, 1]}. (11)
Un conjunto difuso también se puede representar como la unión estándar difusa, es decir, de todos sus cortes (ver Klir y Yuan [22]), que se conoce
como la –representación de (también conocida como representación horizontal o descomposición de). La representación –slice de un conjunto dado de
[0, 1] –corta, es:
. (12)
≡
Es importante señalar que la convexidad no es un requisito para la representación . Una subclase particular e interesante de normal.
Los conjuntos difusos definidos sobre los reales son la clase de números difusos que es popular en teoría, aplicaciones y análisis reales.
Definición 1. Sea → [0, 1] un subconjunto difuso de los reales, entonces 1( ) se llama número difuso si existe un intervalo cerrado

[ , ] ≠ con grado de membresía ( ) tal que:
1 para , ],
[
( ) = ( ) para [−∞, ], (13)
( ) para [ ,∞],
donde ( ) = 1 para el subconjunto [ , ], (−∞, ) → [0, 1] es monótono creciente, continuo desde la derecha, es decir ( ) = 0 para

< ; ( ,∞) → [0, 1] es monótono continuo decreciente desde la izquierda, es decir ( ) = 0 para > .
La figura 1 muestra un conjunto/número difuso triangular. , su soporte ( ), núcleo y = [ ( ), ( )]. Las IT2FN no lineales (funciones gaussianas,

exponenciales, de membresía logística, etc.) se encuentran entre las formas más populares en el análisis, pero no están acotadas, es decir ( ̃ ) [−∞,∞]
lo que lleva a tener conjuntos difusos no compactos que conducen a soluciones ilimitadas/inviables. Para superar este problema proponemos
trunque conjuntos difusos ilimitados de la siguiente manera.
Definición 2. Sea 1( ) un número difuso ilimitado, entonces un número difuso truncado es un par ordenado {( , ( ))| }
tal que:
( ) − −1 −1
, [inf ( ),sup ( )]
( ) = 1 (14)
0, [inf −1 −1
( ),sup ( )]
donde [0, 1) es un factor de escala.
3
2.1. Tipo de intervalo: 2 conjuntos/números difusos
̃
Un conjunto difuso de intervalo tipo 2 (IT2FS) se indica con letras mayúsculas enfatizadas con una función de membresía ̃( ) donde es
un elemento de un subconjunto de los reales . ̃( ) mide el grado de incertidumbre de un valor respecto del concepto/palabra/etiqueta
(ver Mendel [27], Mendel [28], Bustince [5], Bustince et al. [4] y Türksen [35]). Sea ([0, 1]) el conjunto de todos los subintervalos cerrados
sobre [0, 1] es decir
([0, 1]) = { = [ , ]|( , ) [0, 1]2, },

̃
entonces un IT2FS es un par ordenado {( , ̃( )) | } tal que:
̃( ) = {[ ̃ ( ), ̃( )]|( ̃ ( ), ̃( )) [0, 1]2, ̃ ( ) ̃( )}
donde ̃( ) es la función de membresía de ̃, el conjunto de membresías primarias o variable
̃ primaria es y su dominio de incertidumbre
asociado a un elemento está el subconjunto = [ ̃ ( ), ̃( )] [0, 1]. se caracteriza completamente por una función de membresía superior
UMF( ̃) = ̃ =
y una función de membresía inferior LMF( ̃) = conjuntos en ̃ = . Un IT2FS también puede verse como la unión de infinitos tipos difusos de tipo 1.
FOU( ̃), es decir, conjuntos difusos integrados. Un (ver línea discontinua en la Fig. 2). ̃
número difuso de intervalo tipo 2 (IT2FN) es la extensión de un número difuso (ver FigueroaGarcía et al. al. [16]) lo que significa que es un IT2FS cuyo
UMF( ̃) y LMF( ̃) son números difusos, es decir, conjuntos difusos normales convexos cuyo intervalo cerrado es para todo [0, 1]
(ver FigueroaGarcía et al. [16]).
Definición
̃ 3 (Número difuso de intervalo tipo 2 (IT2FN)). Sea 1( ) la clase de todos los números difusos y 2( ) la clase de todos los IT2FN,
entonces 2( ) si existe un intervalo cerrado [ , ] ≠ para cada UMF( ̃) y LMF( ̃) tal que
1 para [ , ],
̃
( ) para [−∞, ̃( ) = ], (15)
̃( ) para [ ,∞],
̃ ̃
donde (−∞, ) → ([0, 1]), [0, 1] es monótono creciente, continuo desde la derecha, y ( ) = 0 para < , y ̃ ( ,∞) →
([0, 1]), [0, 1] es monótono decreciente, continuo desde la izquierda y ̃( ) = 0 para > .
̃
Ahora bien, si tanto UMF( ̃) como LMF( ̃) son números difusos, entonces es un IT2FN (ver Fig. 2). Ahora, el núcleo de un IT2FN, a saber ( ̃), es:
( ̃)={ | ̃( ) = 1} = [ , ] (dieciséis)
̃
donde = = para IT2FN de un solo núcleo. Ahora, el apoyo de un IT2FN 2( ) es:
( ̃)={ | ̃( ) > 0} = [ , ]. (17)
El corte de 1( ) se define como = { | (ver Dubois ( ) }. Esto simplifica el cálculo de cualquier

̃ función continua difusa ( ) ̃
y Prade [32] y Nguyen [15]). En nuestro caso )( = ( cortes
), entonces el cálculo de
′
viene
en ld e ( de mapear es una manera fácil de mapear
ugar )( ) hasta
−1
̃( ). Por lo tanto, la idea es calcular ( (ver Figueroa [12]) es la unión de todos los cortes de todos los conjuntos ̃ ) → en su lugar. Primero, el corte de un
̃ ̃
IT2FN a saber difusos incrustados en = [ ̃ ( ), ̃( )]:
̃
= { | ̃( ) } ; [0, 1] (18)
̃
= { | ( ) } ; [0, 1], [0, 1] (19)
Los límites de cada corte se definen de la siguiente manera.
̃ ̃
Definición 4 (Límites de ̃). Dejemos que los límites de un IT2FN sean 2( ), definirse como los cortes de su UMF( ̃) = y LMF( ̃) =
los siguientes:
= [ inf ( ); sup ( ) ] = [ ( ), ( ) ] (20)
= [ inf ( ); sup ( ) ] = [ ( ), ( ) ] (21)
̃
Los límites de También nos permite definir el siguiente intervalo de nivel difuso de tipo 2.
̃ ̃
= {( , )| [0, 1]}, (22)
̃
y la representación –slice de dado un conjunto de [0, 1] –cortes, es
̃
.̃
≡
4
1 FOU( ̃)

( ) ( ) ( ) ( )
̃
Fig. 2. Conjunto difuso de intervalo tipo 2 ̃.
̃
Una representación g̃ ráfica de se proporciona en la Fig. 2.
El centroide de es decir ( ̃) es el problema de optimización de encontrar los límites ( ̃), ( ̃) de los centroides de todos los posibles
conjuntos incrustados encerrados en FOU ( ̃).
Definición 5 (Wu y Mendel [39]). Sea 1( ) un conjunto difuso incrustado de tipo 1 encerrado en FOU( ̃). El centroide ( ̃ ) de
un IT2FS es la unión de los centroides de todos , es decir,
( ̃) = ( )=[ ( ̃), ( ̃)]
( ̃) = mín ( ),
( ̃) = máx ( )
̃
La varianza relativa de es el siguiente problema de optimización para encontrar dos cotas ( ̃), ( ̃).
Definición 6 (Wu y Mendel [39]). Sea 1( ) un conjunto difuso incrustado de tipo 1 encerrado en FOU( ̃). La varianza relativa
( ̃) respecto de ( ̃) es la unión de las varianzas de todas , es decir,
( ̃) = ( )=[ ( ̃), ( ̃)]
( ̃) = mín ( ),
( ̃) = máx ( ),
∑ =1( − ( ))2 ) = ( )
(
∑ =1 ( )
Los métodos iterativos más eficientes para obtener ( ̃), ( ̃), ( ̃) y ( ̃) son los algoritmos KM y EKM (ver Mendel & Liu
[29], Wu & Mendel [40] y Mendel [41]) ya que no hay métodos exactos disponibles para calcularlos. Igualmente ilimitado tipo 1 difuso
conjuntos, también podemos definir un IT2FN truncado.
̃ ̃
Definición 7. Sean ̃ 2( ) sea un IT2FN ilimitado, luego un número difuso truncado ̃ ( ) donde se caracteriza por una UMF truncada( ̃)
( ) y un LMF truncado ( ̃) [0, 1) es un factor de escala.
Los conjuntos difusos ilimitados no son adecuados en el análisis de redes de proyectos ya que en la práctica un soporte ilimitado permite resultados poco realistas.
duraciones de las actividades, es decir, −∞ ∞. De esta manera, los números difusos truncados permiten incluir percepciones no lineales de los expertos, sobre
las cuales deben ser no negativas y mensurables de forma finita.
5
Fig. 3. Proyecto de expertos individuales/grupales.
3. El problema de la red de proyectos difusos
Una red de proyecto determinista es un triplete de vértices + es , un conjunto de arcos/actividades factibles ( , ) y la duración de sus actividades

, , formulación de programación matemática es
decir = cuya
= Máx∑ ∑
∑ 1 = 1, (23)
∑ − ∑ = 0, {1, } (24)
∑ = 1, (25)
{0, 1},( , )
donde es una variable de decisión para activar el flujo de nodo a nodo. Las restricciones (23) y (25) garantizan activar el flujo desde
el nodo uno (fuente) al nodo terminal (sumidero) y la restricción (24) define arcos factibles.
En proyectos donde no se dispone de datos históricos para definir, la información proveniente de expertos se puede utilizar como fuente adecuada.
información para representar incertidumbres que ocurren en el mundo real. Un experto puede representar su conocimiento individual sobre un
duración de la actividad mediante el uso de un conjunto difuso para medir la ambigüedad a su alrededor, pero algunos proyectos involucran a diferentes expertos que
no necesariamente concuerdan entre sí, por lo que el uso de conjuntos difusos de tipo 2 es útil para representar la incertidumbre alrededor y encerrar
todas las percepciones de los expertos en una sola medida delimitada por dos conjuntos difusos y.
La Fig. 3 muestra la idea detrás de un único experto asociado a un único conjunto difuso y un grupo de expertos asociados a un IT2FS. Múltiple
Los expertos pueden definir diferentes conjuntos difusos integrados que pueden incluirse en la FOU de un IT2FS (ver Fig. 2), mientras que un solo
El experto puede simplemente tener una percepción ambigua de la cual puede representarse mediante membresías de intervalo (o ambiguas) [ , ].
Zadeh [42] y Klir & Folger [21] se refieren a conjuntos difusos para medir la imprecisión o la gradualidad de una etiqueta/palabra/concepto con buena precisión.
valores/función de membresía definidos y un conjunto difuso tipo 2 está asociado a la ambigüedad asociada a la falta de certeza sobre la
grados de membresía de un conjunto difuso (ver Mendel [26]). Trabajos completos sobre cómo configurar funciones/grados de membresía tipo 2
han sido propuestos por Mendel [27] y Mendel y Wu [30].
En la práctica, un IT2FS puede componerse como la unión de múltiples percepciones de expertos dadas como conjuntos difusos integrados y un o
experto que proporciona membresías ambiguas como grados con valores de intervalo. En ambos casos, los límites inferior/superior de la duración de las actividades
son , ] obtenido por los valores min ∕max de membresía para cada valor que están definidos por analistas de proyectos que conocen
[los límites de la duración de las actividades bajo ambigüedad o incertidumbre.
Los proyectos suelen tener expertos para cada actividad, cada uno con una percepción diferente sobre la duración de cada actividad. , entonces su
Las percepciones se pueden representar mediante diferentes formas, como triangular, gaussiana, exponencial, trapezoidal, etc. Sin embargo, también es
Es posible definir una versión difusa de la distribución PERT y un conjunto PERT difuso de tipo 2 que son útiles para representar dos tipos diferentes.
pero niveles de incertidumbre relacionados: imprecisión mediante conjuntos difusos clásicos o incertidumbre (desacuerdo/ambigüedad) mediante conjuntos difusos de tipo 2.
6

2 1 1 2
̃
Fig. 4. Conjunto de intervalo PERT difuso tipo 2 .
3.1. Enfoques PERT difusos y de intervalo tipo 2
Uno de los enfoques más populares para representar tiempos de actividad no lineales es la distribución PERT (ver Malcolm et al. [24]) que
También se utiliza en el análisis de riesgos y la toma de decisiones (ver Vose [36]). El conjunto PERT difuso se puede definir de la siguiente manera.
Definición 8. El conjunto PERT difuso de una duración de actividad 0 se define de la siguiente manera:
−1
( − ) −1 ( − )
( ) = −1 ; [ , ], (26)
( − ) −1( − )
− −
=1+4 , =1+4 ,
− −
+ 4 + 6
( ) = , (27)
( ( ) − )( − ( ))
( ) = 7 . (28)
El conjunto PERT difuso es un conjunto basado en beta que utiliza los mismos parámetros de la distribución triangular, pero carece de las características inherentes.
problema de sesgo de su media y alta sensibilidad de su desviación estándar ya que la función beta es más suave alrededor de la moda y
produce una desviación estándar sistemáticamente más baja.
Por extensión de la ecuación. (26), es posible definir un conjunto PERT difuso de tipo 2 de intervalo a través de sus miembros inferior y superior.
funciones. Esta representación PERT difusa ayuda a representar percepciones no lineales de un grupo de expertos que no están de acuerdo en sus opiniones.
percepciones particulares o para abordar tanto la ambigüedad como la imprecisión en la definición de un . De esta manera, un conjunto PERT difuso mide
la imprecisión y un conjunto PERT difuso de intervalo tipo 2 miden la incertidumbre (vista como desacuerdo y/o ambigüedad).
̃
Definición 9. Conjunto difuso de intervalo tipo 2 difuso PERT, de la duración de una actividad 0 se caracteriza por una parte inferior y una superior
como sigue:
( − 1) 1−1( ( ) 1 − ) 1−1
= ( − ; [ 1, 1], − ) (29)
1) 1−1( ( − 2) 1 1−1
2−1( ( ) = ( − 2 − ) 2−1
2) ; [ 2, 2], − ) (30)
2−1( 2 2−1
− −
1 2
1 =1+4 − ; 2 =1+4
− ,
1 1 2 2
− −
1 2
=1+4 1 =1+4; 2 .
− −
1 1 2 2
0 1 2 2 1.
A diferencia de ( ) y ( ) (véanse las ecuaciones (27) y (28)), el cálculo de ( ̃) y ( ̃) no tiene formas cerradas (véanse las Definiciones 5 y 6). ̃
pero se pueden calcular con métodos iterativos (ver Wu y Mendel [39]). La figura 4 muestra un conjunto PERT difuso de tipo 2 de intervalo (definición 9). (ver
7
3.2. El modelo de red de proyecto difuso
̃
Un modelo de proyecto difuso propuesto por , arcos/actividades factibles ( , ) con
̃ Chen [8] es un triplete de vértices, un conjunto de
duración de las actividades difusas 1( +), es decir = , , . Su extensión a un entorno difuso tipo 2 se da en los casos en que ̃ 2 los expertos
del proyecto no están de acuerdo en sus percepciones/opiniones sobre los tiempos de las actividades. Una red ̃ de proyecto difuso ̃ 2 es un ̃ triplete
vértices , un conjunto de arcos/actividades factibles ( , ) y su duración de actividades difusas Tipo 2 2( +) es decir tipo 2 = , , de cuyo
modelo de programación matemática es
̃
= Máx∑ ∑ ̃
∑ 1 = 1, (31)
∑ − ∑ = 0, {1, } (32)
∑ = 1, (33)
{0, 1},( , )
donde es una variable de decisión para activar el flujo de nodo a nodo.̃
̃ Los tiempos de las actividades son conjuntos difusos representados por → 2( +), 2( +) es el conjunto de números difusos no negativos y
IT2FN 2( + ) × 2( + ) → 2( +) es el conjunto difuso Tipo2 de todas las duraciones posibles del proyecto.
̃
Definición 10. Denotemos las restricciones (31), (32) y (33) como ( ) y el corte de un tiempo de actividad compacto en ser descompuesto
( ), ( ), ( ), ( ) (ver (20) y (21)) que alcanzan los siguientes valores óptimos , a saber
( ) ( ), {0, 1},( , ) , (34)

( ) Máx {∑ ∑ [0, 1]}
( ) ( ), {0, 1},( , ) , (35)

( ) Máx {∑ ∑ [0, 1]}
( ) ( ), {0, 1},( , ) , (36)

( ) Máx {∑ ∑ [0, 1]}
( ) ( ), {0, 1},( , ) , (37)

( ) Máx {∑ ∑ [0, 1]}
que están ordenados binariamente, es decir
( ) ( ) ( ) ( ). (38)
̃ ̃
Ahora, es la suma algebraica de todos los tiempos
de actividad difusa que se puede descomponer en un conjunto de [0, 1] –cortes, por lo que cada valor
̃
conduce al conjunto de valores posibles definidos de la siguiente manera:
̃
= [ ( ), ( ), ( ), ( )]
̃
así como la suma algebraica de todos también es binario ordenado para cualquier es decir
∑ ∑ ( ) ∑ ∑ ( ) ∑ ∑ ( ) ∑ ∑ ( ).
En este enfoque, se selecciona una cantidad de cortes para luego calcular ( ), es decir ( ), ( ), ( ), ( ) y resuelve ( ), ( ), ( ), ( )

̃
como la unión de todos esos conjuntos de niveles (ver Ecs. (11) y (12)).
como se muestra en las Ecs. (34)(37) para finalmente componer el conjunto
̃
3.3. Conjunto de intervalos de soluciones esperadas de un proyecto incierto.
̃
Otra forma de
̃ calcular soluciones es mediante
̃ el uso de un modelo basado en centroides (ver FigueroaGarcía [14]). Su idea principal es
defuzzify cada uno usando su centroide ) que es el conjunto de todos los centroides posibles ( ̃) ( ) para luego obtener el conjunto esperado de
(valores óptimos de ̃. Wu & Mendel [29,40] y Melgarejo [6] han propuesto una versión más eficiente y su cálculo usando cuts
ha sido definido por FigueroaGarcía [12,13]. Ahora bien, los modelos de p̃rogramación matemática que obtienen el conjunto de valores centrales de
el proyecto basado en el centroide/valores esperados/promedio de es como sigue:
̃
) ( ), {0, 1},( , ) , (39)
Máx {∑ ∑ ( [0, 1]}
8
que se caracteriza completamente por sus límites superior/inferior (ver FigueroaGarcía [14]) de la siguiente manera
̃
) ( ), {0, 1},( , ) , (40)
Máx {∑ ∑ ( [0, 1]}
̃
) ( ), {0, 1},( , ) , (41)
Máx {∑ ∑ ( [0, 1]}
Así, el conjunto central de valores óptimos ( ) está compuesto por dos fronteras , y un valor central que proviene de

Ecs. (40) y (41):
̃ ̃
= [ , ) , ∑ ∑ ( )
] ≡ [∑ ∑ ( ]
donde y son las rutas/soluciones óptimas para (40) y (41) y su valor central es
= ( + )∕2.
̃
) se calculan para luego obtener un conjunto de duraciones
En este enfoque basado en centroides, los centroides de todos los tiempos de actividad (
óptimas centrales del proyecto, es decir, que proporciona una expectativa
̃ a priori de la duración del proyecto por adelantado. A diferencia del
enfoque de cortes, se necesitan menos MLP, pero el problema de obtener ( ) aún necesita cálculos adicionales.
4. Ejemplos ilustrativos
Ahora, se resuelven dos ejemplos clásicos de redes de proyectos. El primero es un problema CPM propuesto por Taha [34] cuyas duraciones de
actividades son deterministas, por lo que las consideramos como duraciones de actividades difusas con diferentes formas no lineales (triangular,
gaussiana y exponencial). El segundo ejemplo es un PERT clásico propuesto por Lyndwood y Montgomery [19] donde la duración de cada actividad
se considera como PERT distribuido, por lo que primero definimos la distribución PERT difusa para luego resolver un problema PERT difuso incierto.
4.1. ejemplo de taha
Este ejemplo es una versión difusa de un método CPM clásico introducido por Taha [34]. En lugar de utilizar una única forma para todas las
actividades, que es el enfoque más común abordado en la literatura, este ejemplo utiliza tres formas diferentes: un conjunto difuso triangular lineal
clásico que utiliza tres parámetros (optimista, modal y pesimista) y se utiliza ampliamente en proyectos. programación, funciones de membresía
gaussianas no lineales que se usan comúnmente para representar percepciones similares a las humanas y funciones de membresía exponenciales
no lineales que a menudo están relacionadas con variables de tiempo. Se ̃ ha conservado el núcleo de todos los tiempos de actividad deterministas
del ejemplo original. La red del proyecto difuso Triangular IT2FN (ver se muestra en la Fig. 5.
Fig. 6) se define de la siguiente manera.
−
1 1
− ,
( ) = máximo( mínimo( − 1 1 − )); [ 1, 1] − ));
−
2 2
− ,
( ) = máximo( mínimo( − 2 2 [ 2, 2]
2 < 1; 2 < 1.
Los IT2FN gaussianos (ver Fig. 7) se definen de la siguiente manera
2 ( ( )∕ 1 )2 ) ; ( ( )∕
( −1

( ) =
2 1 )2 ); >
( −1
2 (()∕ 2 )2 ); ( ( )∕
( −1

( ) =
( −12 2 )2 ); >
2 < 1; 2 < 1.
y los IT2FN exponenciales (ver Fig. 8) se definen de la siguiente manera
(()∕
1); 1);
( ) = { (−( − )∕ (> ) = { (−
( − )∕ 2); (()∕ 2); >
2 < 1; 2 < 1.
9
Heliyon 9 (2023) e14833
JC Figueroa–García, G. Hernández–Pérez y JS Ramos–Cuesta
3
̃ ̃
13 36
̃
35
̃
1 23 5 ̃ 6
56
̃
̃ 45
12
̃
46
̃
2 24
Fig. 5. Red difusa tipo 2 del Ejemplo 1 (Taha).
1 2 2 1
Fig. 6. IT2FS triangular ̃.
1 FOU( ̃)
Fig. 7. IT2FS gaussiano simétrico ̃.
Los valores de ( ̃) de un conjunto difuso truncado utilizado en la Tabla 1 para un IT2FS gaussiano son:
= + √ln( ) 2 1
= + √ln( ) 2 2
= − √ln( ) 2 1
= − √ln( ) 2 2
y para un IT2FS exponencial son:
= + ln( ) 1
10
̃
̃
1 FOU( )

Fig. 8. IT2FS exponencial ̃.
tabla 1
Parámetros del ejemplo 1 (Taha).
Colocar
Forma ( ̃) ( ̃)
1 2 2 1
̃
gaussiano 1.5 1 5 1.5 2 1.328 2.552 8.672 9.895 5 5.720
̃ 12
Triangular 1 3 6 8 9 1 3 8 9 5 6
̃ 13
gaussiano 1 0,75 3 0,75 1.5 0.552 1.164 4.836 6.672 2.820 3.541
̃ 23
Exponencial 2 1.5 8 1 1.5 2.009 3.506 10.996 12.494 7.277 8
̃ 24
Triangular 0,5 1 2 3 5 0,5 1 3 5 1.833 2.667
̃ 35
gaussiano 3 2 11 1 2 3.657 6.105 13.448 15.895 9.557 11
̃ 36
Triangular 0.1 0,25 1 1.5 2 0.1 0,25 1.5 2 0,867 1.083
̃ 46
Exponencial 2 1 12 2 3 6.009 9.004 17.991 20.987 12 13.458
56
Fig. 9. Conjunto difuso de valores óptimos del proyecto (Taha).
= − ln( ) 2
= + ( ) 1
= − ln( ) 2
̃
Los parámetros de duración de cada actividad. para = 0,05 se reescalan de acuerdo con las Definiciones 2 y 7 y los límites del , , ,
soporte para los conjuntos difusos truncados se muestran en la Tabla 1 (tenga en cuenta que sólo es necesario modificar las formas gaussianas y exponenciales).
–truncados ya que son conjuntos difusos ilimitados).
El conjunto obtenido de duraciones óptimas del proyecto para once cortes, es decir = {0, 0.1, , 1} (ver Definición 10) se muestra en la Fig. 9.
Todos los tiempos de actividad se muestran en la Tabla B.5 (ver Apéndice B) y se resumen las duraciones óptimas obtenidas del proyecto por
en la Tabla 2 donde la ruta óptima (1, 2) → (2, 4) → (5, 6) es válida para todos.
11
Tabla 2
Resultados del Ejemplo 1 (Taha).
0 0.1 0,2 0.3 0,4 0,5 0,6 0,7 0,8 0,9 1
( ) 9.35 14.33 16,76 18.41 19,68 20,72 21,62 22.43 23.18 23,93 25
( ) 15.06 18.21 19,74 20,79 21.59 22.25 22,83 23.34 23,82 24.3 25
( ) 37,66 33,74 31,82 30,5 29,48 28,64 27,9 27.24 26,61 25,97 25
( ) 43,38 37,62 34,8 32,88 31.4 30.17 29.11 28.15 27.25 26.34 25
̃
El conjunto esperado de valores óptimos. (ver Sección 3.3) proviene del centroide de cada es decir ( ̃) = [ ( ̃), ( ̃)] que son
resumido en la Tabla 1 donde ( ̃), ( ̃) se han calculado utilizando el método de reducción de tipo propuesto por FigueroaGarcía et al.
[17]. El conjunto obtenido es el siguiente:

= [ , ] = [24,277, 27,178]
cuyo valor central es = 25.727 y las rutas óptimas son = = (1, 2) → (2, 4) → (5, 6).
4.1.1. Análisis de resultados
Está claro que las duraciones de actividad difusa de Tipo 2 conducen a un conjunto difuso de posibles duraciones de Tipo 2, como se muestra en la figura A.12. El conjunto
La mayoría de las duraciones posibles está representada por el conjunto esperado de duraciones posibles y el valor central esperado del proyecto.
es cuyo valor medio puede verse como un valor determinista para referirse al valor medio general del proyecto, mientras que el
El valor modal del proyecto es, en este caso, el núcleo de duraciones del proyecto, es decir, ( ̃) = 25 (recordamos que este valor estaba destinado a
corresponde al ejemplo original). Es importante señalar que el enfoque de cortes necesita resolver 4( − 1) + 1 valores óptimos para
IT2FS de un solo núcleo y 4 MLP para IT2FS de núcleo de intervalo (consulte las ecuaciones (34)(37)). ̃
Por otro lado, las duraciones más optimistas/pesimistas del proyecto vienen dadas por el apoyo de es decir ( ̃) = [ , ] =
[9.35, 43.38] lo que significa que la duración más pequeña posible del proyecto es 9.35 y la duración más grande posible del proyecto es
43,38 dadas las expectativas aportadas por los expertos. Es importante recordar la importancia de obtener –actividad difusa truncada
duraciones (ver Definición 7), ya que sus formas originales conducen a duraciones de proyecto optimistas/pesimistas limitadas al infinito.
Se observa que los tiempos de inicio más tempranos de cada actividad no crítica son funciones bien definidas, pero su inicio más tardío
y sus pantalones no son una función de. Esto es una consecuencia de la naturaleza del operador max involucrado en el cálculo de la
inicio tardío y la inactividad de toda actividad no crítica. La hora de finalización más temprana (en negro) y la hora de inicio más tardía (en azul) para
la actividad no crítica (2, 3) se muestra en la Fig. A.12 (ver Apéndice A).
4.2. Ejemplo de Johnson & Montgomery
Este ejemplo ẽ s una versión difusa de un método PERT clásico introducido por Lyndwood & Montgomery [19]. La red del
El proyecto difuso se muestra en la Fig. 10. Los parámetros de las duraciones de la actividad PERT difusa de Intervalo Tipo 2 (consulte
̃ la Definición 9 y
Fig. 4) se muestran en la Tabla 3. Tenga en cuenta que los valores originales se han conservado como núcleo de cada El .
método PERT se basa en calcular el centroide ( ̃) = [ ( ̃), ( ̃)] y la varianza ( ̃) = [ ( ̃), ( ̃)] de cada actividad
que se resumen en la Tabla 3 para luego calcular el conjunto de valores óptimos (ver Sección 3.3). El conjunto obtenido es el siguiente:

= [ , ] = [35,17, 40,83]
cuyo valor central es = 34.84, sus rutas óptimas son y varianzas máximas = = (1, 2) → (2, 3) → (3, 5) → (5, 6) → (6, 7) y el mínimo obtenido

a saber , se calculan como la suma de las variaciones individuales de cada ruta óptima, es decir

= mín{[0,214, 2,079] + [0,909 , 6,014] + [1,774, 7,681] + [0,704, 3,974] + [1,999, 7,988]} = 5,6

= máx{[0,214, 2,079] + [0,909 , 6,014 ] + [1,774, 7,681] + [0,704, 3,974] + [1,999, 7,988]} = 27,736
Las duraciones óptimas obtenidas del proyecto para cada se resumen en la Tabla 4 y se muestran en la Figura 11 donde dos
rutas óptimas = (1, 2) → (2, 3) → (4, 6) → (6, 7) y = (1, 2) → (2, 3) → (3, 5) → (5, 6 ) → (6, 7).
4.2.1. Análisis de resultados
Como se esperaba, la Fig. 11 muestra que el proyecto tiene una forma PERT difusa ya que todos los tiempos de actividad tienen forma PERT difusa. el conjunto es
el conjunto de duraciones esperadas del proyecto y el valor esperado central del proyecto es el valor medio general del proyecto, el
core ( ̃) = 37 es el valor modal de las duraciones del proyecto. Nuevamente,
̃ ( ̃) pretendía corresponder al ejemplo original y
Se requieren al menos 4 ( − 1) + 1 MLP para componer .
Las duraciones más optimistas/pesimistas del proyecto están dadas por ( ̃) = [ , ] = [15, 70] por lo que la duración más pequeña posible de
el proyecto es 15 y la mayor duración posible del proyecto es 70 dada la percepción PERT difusa de los expertos. No –truncado
En este ejemplo se necesitaban conjuntos.
Se obtuvieron dos caminos críticos: = (1, 2) → (2, 3) → (4, 6) → (6, 7) el cual se obtuvo para los valores ( ), 0.1 y ( ), = 0 a
luego cambie a la ruta = (1, 2) → (2, 3) → (3, 5) → (5, 6) → (6, 7) para el resto (consulte la Tabla 4). Esto significa que el proyecto tiende a
12
4
̃ ̃
24 46
̃ ̃ ̃
12 23 67
1 2 3 6 7
̃
35
̃ ̃
25 56
Fig. 10. Red difusa tipo 2 del Ejemplo 2 (Johnson & Montgomery).
Tabla 3
Parámetros del ejemplo 2 (Lyndwood & Montgomery).
Colocar
1 2 1 2 ( ̃) ( ̃) ( ̃) ( ̃)
̃
12 1 2.5 4 5 8 3.667 4.417 0.214 2.079
̃
24 2 4.5 7 9 13 6.5 7.583 0.704 4.945
̃
23 3 6.5 7 13 15 7.333 8.25 0.909 6.014
̃
25 1 3.5 6 8 11 5.5 6.417 0.704 3.965
̃
46 8 12.5 14 21 26 14.167 15,75 1.967 12.846
̃
35 1 2.5 10 11 15 8.667 9.583 1.774 7.681
̃
56 4 6.5 9 11 14 8.5 9.417 0.704 3.974
̃
67 3 5.5 7 14 18 7.5 8.583 1.999 7.988
Tabla 4
Resultados del Ejemplo 2 (Lyndwood & Montgomery).
0 0.1 0,2 0.3 0,4 0,5 0,6 0,7 0,8 0,9 1
( ) 15( ) 16.44( ) 18.03 19,71 21.31 22.9 24,55 26.32 28.35 30,91 37
( ) 27( ) 27,5 28,65 29,54 30.33 31.08 31,82 32,59 33,45 34,52 37
( ) 54 48.28 46,74 45,57 44,56 43,63 42,72 41,8 40,8 39,61 37
( ) 70 62.24 59,32 56,96 54,81 52,76 50,71 48,58 46.22 43.36 37
Fig. 11. Conjunto difuso de valores óptimos del proyecto (Johnson & Montgomery).
13
fluya a través de la ruta ( ) para duraciones optimistas y cambie a la ruta ( ) para duraciones centrales/modales y pesimistas para que el analista pueda tener una idea de
los posibles cambios de ruta con anticipación.
5. Observaciones finales
La teoría de conjuntos difusos es útil en proyectos donde no hay información estadística disponible para estimar la duración de las actividades, y los conjuntos difusos
de intervalo Tipo 2 ayudan a lidiar con la incertidumbre proveniente de múltiples estimaciones de expertos que se incorporan a un modelo de programación matemática
(consulte la Sección 3.2) . Se proponen dos métodos de solución: un método de representación de cortes que proporciona una representación detallada de la duración del
proyecto (ver Definición 10) y un método basado en centroide que proporciona una expectativa de la duración del proyecto (ver Ecs. (39) , (40) y (41)).
El uso de ̃ conjuntos difusos de intervalo tipo 2 para involucrar incertidumbres
̃ en la red del proyecto permite a los analistas obtener un conjunto de proyectos posibles y
duraciones , sus valores óptimos y rutas de antemano. El conjunto del también proporciona estimaciones optimistas/modales/pesimistas de la duración.
proyecto con el fin de apoyar la toma de decisiones.
Los ejemplos presentados pretenden ilustrar dos enfoques: ̃ un ejemplo de CPM introducido originalmente por Taha [34] que se centra en proporcionar el conjunto de
duraciones óptimas y un ejemplo de PERT difuso propuesto originalmente por Lyndwood y Montgomery [19] que también obtiene las duraciones esperadas. /varianza ̃ del
proyecto en un entorno difuso de intervalo Tipo2. Es importante señalar que al menos 4( − 1) + 1 MLP óptimos y el cálculo de ( ̃) y ( ̃) siguen siendo problemas necesidades
abiertos sin formas cerradas (ver Mendel & Liu [29], Wu & Mendel [40 ] y Mendel [41]) , por lo que los cálculos eficientes son un tema a abordar próximamente.
Trabajo futuro
El uso de conjuntos difusos generales de Tipo 2 es un paso natural en el análisis de la incertidumbre difusa y su aplicación a la optimización/programación difusa.
Otras formas que se pueden utilizar en el análisis incluyen GauAngle IT2FS propuesta por Wagner [37] y otras funciones de membresía no simétricas que pueden ayudar
a representar duraciones de actividades no lineales.
Declaración de financiación
Esta investigación no recibió ninguna subvención específica de agencias de financiación del sector público, comercial o sin fines de lucro.
Declaración de contribución de autoría CRediT
Juan Carlos Figueroa–García: concibió y diseñó los experimentos, escribió el artículo.
Germán Hernández—Pérez: analizó e interpretó los datos; Reactivos, materiales, herramientas de análisis o datos aportados.
Jennifer Soraya Ramos–Cuesta: realizó los experimentos; Reactivos, materiales, herramientas de análisis o datos aportados.
Declaración de intereses contrapuestos
Los autores declaran que no tienen conocidos intereses financieros en competencia o relaciones personales que pudieran haber parecido
influyen en el trabajo reportado en este artículo.
Disponibilidad de datos
Datos incluidos en artículo/material complementario/referenciados en artículo.
Apéndice A. Horas de inicio más tempranas/más tardías
̃
Los valores obtenidos de las primeras/últimas horas de inicio ̃ y para la actividad no crítica (2,3) del Ejemplo 1 (Taha) son
se muestra en la Fig. A.12.
El comportamiento del momento de inicio más temprano (en negro) de las actividades no críticas está claramente ordenado de forma binaria, lo que significa que es
una función de, es decir,
( ) ( ) ( ) ( ); [0, 1]
mientras que su hora de inicio tardía (en azul) es claramente de orden no binario, es decir, no es una función de cortes.
14
Figura A.12. Horas de inicio más tempranas/últimas de la actividad no crítica (2, 3) para el Ejemplo 1.
Apéndice B. Valores utilizados en el ejemplo 4.1
Cuadro B.5
Valores de cuts para el ejemplo 4.1.
̃ ̃ ̃ ̃ ̃ ̃ ̃ ̃
Actividad 12 13 23 24 35 36 46 56
= 0 ( ) 1,33 1,00 0,55 2,01 0,50 3,66 0,10 6,01
( ) 2,55 3,00 1,16 3,51 1,00 6,10 0,25 9,00
( ) 8,67 6,00 4,84 11,00 3,00 13,45 1,00 17,99
( ) 9,90 9,00 6,67 12,49 5,00 15,90 1,50 20,99
= 0,1 ( ) 2,05 1,50 1,03 4,14 0,65 5,10 0,19 8,14
( ) 3,03 3,30 1,53 5,10 1,10 7,07 0,33 10,07
( ) 7,95 6,00 4,47 9,93 2,90 12,97 1,00 15,86
( ) 8,93 8,70 5,95 10,90 4,70 14,93 1,45 17,79
= 0,2 ( ) 2,47 2,00 1,31 5,15 0,80 5,93 0,28 9,15
( ) 3,31 3,60 1,73 5,86 1,20 7,62 0,40 10,57
( ) 7,53 6,00 4,27 9,43 2,80 12,69 1,00 14,85
( ) 8,38 8,40 5,53 10,14 4,40 14,38 1,40 16,28
= 0,3 ( ) 2,78 2,50 1,52 5,81 0,95 6,56 0,37 9,81
( ) 3,52 3,90 1,89 6,36 1,30 8,04 0,48 10,91
( ) 7,22 6,00 4,11 9,09 2,70 12,48 1,00 14,19
( ) 7,96 8,10 5,22 9,64 4,10 13,96 1,35 15,28
= 0,4 ( ) 3,05 3,00 1,70 6,31 1,10 7,10 0,46 10,31
( ) 3,70 4,20 2,03 6,73 1,40 8,40 0,55 11,16
( ) 6,95 6,00 3,97 8,84 2,60 12,30 1,00 13,69
( ) 7,60 7,80 4,95 9,27 3,80 13,60 1,30 14,53
= 0,5 ( ) 3,30 3,50 1,86 6,71 1,25 7,59 0,55 10,71
( ) 3,86 4,50 2,15 7,03 1,50 8,73 0,63 11,36
( ) 6,70 6,00 3,85 8,64 2,50 12,14 1,00 13,29
( ) 7,27 7,50 4,70 8,97 3,50 13,27 1,25 13,93
= 0,6 ( ) 3,53 4,00 2,02 7,04 1,40 8,07 0,64 11,04
( ) 4,02 4,80 2,27 7,28 1,60 9,04 0,70 11,52
( ) 6,47 6,00 3,73 8,48 2,40 11,98 1,00 12,96
( ) 6,96 7,20 4,47 8,72 3,20 12,96 1,20 13,43
= 0,7 ( ) 3,77 4,50 2,18 7,33 1,55 8,54 0,73 11,33

( ) 4,18 5,10 2,39 7,50 1,70 9,36 0,78 11,66
( ) 6,23 6,00 3,61 8,34 2,30 11,82 1,00 12,67
( ) 6,64 6,90 4,23 8,50 2,90 12,64 1,15 13,01
(Continúa en la siguiente página)
15
Tabla B.5 (continuación)
̃ ̃ ̃ ̃ ̃ ̃ ̃ ̃
Actividad 12 13 23 24 35 36 46 56
= 0,8 ( ) 4,03 5,00 2,35 7,58 1,70 9,05 0,82 11,58
( ) 4,35 5,40 2,51 7,68 1,80 9,70 0,85 11,79
( ) 5,97 6,00 3,49 8,21 2,20 11,65 1,00 12,42
( ) 6,30 6,60 3,97 8,32 2,60 12,30 1,10 12,63
= 0,9 ( ) 4,33 5,50 2,55 7,80 1,85 9,66 0,91 11,80
( ) 4,55 5,70 2,66 7,85 1,90 10,11 0,93 11,90
( ) 5,67 6,00 3,34 8,10 2,10 11,45 1,00 12,20
( ) 5,89 6,30 3,67 8,15 2,30 11,89 1,05 12,30
= 1 ( ) 5 6 3 8 2 11 1 12
( ) 5 6 3 8 2 11 1 12
( ) 5 6 3 8 2 11 1 12
( ) 5 6 3 8 2 11 1 12
Referencias
[1] Ercan Akan, Sibel Bayar, Técnica de revisión y evaluación de programas difusos de intervalo tipo 2 para la gestión de proyectos en la construcción naval, en: Ships and Offshore
Estructuras, 2021, págs. 119.
[2] S. Aramesh, SM Mousavi, V. Mohagheghi, Un nuevo marco integral de programación, seguimiento y gestión de proyectos basado en la cadena crítica bajo
intervalo de incertidumbre difusa tipo 2, Irán. J. Sistema difuso. 18 (1) (2021) 151–170.
[3] James J. Buckley, Leonard J. Jowers, Programación de proyectos difusos/PERT, Estudios sobre borrosidad y computación blanda, vol. 222, Springer Berlín, Heidelberg, 2007.
[4] H. Bustince, E. Barrenechea, M. Pagola, J. Fernández, Conjuntos difusos con valores de intervalo construidos a partir de matrices: aplicación a la detección de bordes, Fuzzy Sets Syst. 60 (13)
(2009) 1819–1840.
[5] Humberto Bustince, Conjuntos difusos con valores de intervalo en informática suave, Int. J. Computación. Intel. Sistema. 3 (2) (2010) 215–222.
[6] Carlos Celemin, Miguel Melgarejo, Una propuesta para acelerar el cálculo del centroide de un conjunto difuso de intervalo Tipo 2, Adv. Sistema difuso. 2013 (1993).
[7] Chentung Chen, SueFen Huang, Aplicación de PERT difuso en la gestión del tiempo de ciclo para sistemas de cadena de suministro, en: AIS (Ed.), Actas de ICEB 2003
(Singapur), vol. 1, 2003.
[8] ShihPin Chen, Análisis de rutas críticas en una red de proyectos con tiempos de actividad difusos, Eur. J. Ópera. Res. 183 (1) (2007) 442–459.
[9] ShyiMing Chen, TaoHsing Chang, Encontrar múltiples rutas críticas posibles utilizando PERT difuso, IEEE Trans. Sistema. Hombre Cybern., Parte B, Cybern. 31 (6) (2001)
930–937.
´
[10] Didier Dubois, Jérome Fortin, Pawel Ziełinski, Ingeniería y gestión de producción en condiciones difusas, PERT de intervalo de capítulo y su extensión difusa,
vol. 252, Springer Verlag, 2010.
[11] H. Fargier, Vincent Galvagnon, Didier Dubois, Fuzzy PERT en gráficos paralelos en serie, en: IEEE (Ed.), Actas de la Novena Conferencia Internacional IEEE sobre
Sistemas difusos, vol. 2, 2000, págs. 717–722.
[12] Juan Carlos FigueroaGarcía, Un método de aproximación para la reducción de tipo de un conjunto difuso de intervalo Tipo2 basado en cortes, en: IEEE (Ed.), Actas de FEDCSIS
2012, IEEE, 2012, págs. 1–6.
[13] Juan Carlos FigueroaGarcía, Un modelo general para programación lineal con coeficientes tecnológicos difusos de intervalo tipo 2, en: Reunión Anual de 2012 de la
Sociedad Norteamericana de Procesamiento de Información Difusa (NAFIPS), IEEE, 2012, págs. 1–6.
[14] Juan Carlos FigueroaGarcía, Un enfoque basado en centroides para resolver problemas de programación lineal con coeficientes tecnológicos difusos de intervalo tipo 2, en: 2015
Reunión anual de la Sociedad Norteamericana de Procesamiento de Información Difusa (NAFIPS), vol. 34, IEEE, 2015, págs. 1–6.
[15] Juan Carlos FigueroaGarcía, Sobre la representación de conjuntos difusos tipo 2, en: 2016 Annual Meeting of the North American Fuzzy, en: Information Processing Society
(NAFIPS), vol. 35, IEEE, 2016, págs. 1–6.
[16] Juan Carlos FigueroaGarcía, Yurilev ChalcoCano, Heriberto RománFlores, Medidas de distancia para números difusos de intervalo tipo 2, Aplicaciones discretas. Matemáticas. 197 (1)
(2015) 93102.
[17] Juan Carlos FigueroaGarcía, Heriberto RománFlores, Yurilev ChalcoCano, Tiporeducción de intervalo Tipo2 números difusos a través de la desigualdad de Chebyshev,
Sistema de conjuntos difusos. 435 (1) (2022) 164–180.
[18] N. Glisovic, N. Bojovic, M. Milenkovic, Sistema de soporte a la decisión para la previsión del tiempo de actividad de un proyecto basado en el método PERT difuso, en: 32nd Int. Conf. en
Interfaces de tecnología de la información, IEEE, 2010, págs.
[19] Lynwood A. Johnson, Douglas C. Montgomery, Investigación de operaciones en planificación de producción, programación y control de inventario, John Wiley and Sons, 1974.
[20] Abolfazl Kazemi, Pasha Pasha Fakhori, Ali Shakourloo, Presentación de un sistema experto difuso para determinar el tiempo de finalización del proyecto en la red PERT, Ind. Manag.
Semental. 13 (38) (2015) 41–69.
[21] George J. Klir, Tina A. Folger, Conjuntos difusos, incertidumbre e información, Prentice Hall, 1992.
[22] George J. Klir, Bo Yuan, Conjuntos difusos y lógica difusa: teoría y aplicaciones, Prentice Hall, 1995.
[23] FA Lootsma, Stochastic and Fuzzy Pert, Optimización aplicada, vol. 8, Springer, Boston, MA, 1997.
[24] DG Malcolm, JH Roseboom, CE Clark, W. Fazar, Aplicación de una técnica para la evaluación de programas de investigación y desarrollo, Oper. Res. 7 (5) (1959)
646–669.
[25] CS McCahon, Uso de PERT como una aproximación del análisis difuso de red de proyectos, IEEE Trans. Ing. Gestionar. 40 (1) (1993) 146–153.
[26] JM Mendel, Una arquitectura para emitir juicios utilizando la informática con palabras, Int. J. Aplica. Matemáticas. Computadora. Ciencia. 12 (3) (2002) 325–335.
[27] Jerry M. Mendel, Sistemas de lógica difusa basados en reglas inciertas: introducción y nuevas direcciones, Prentice Hall, 2001.
[28] Jerry M. Mendel, Avances en sistemas y conjuntos difusos de tipo 2, Inf. Ciencia. 177 (2007) 84110.
[29] Jerry M. Mendel, Feilong Liu, Convergencia superexponencial de los algoritmos de KarnikMendel para calcular el centroide de un conjunto difuso de intervalo tipo 2, IEEE
Trans. Sistema difuso. 15 (2) (2007) 309–320.
[30] Jerry M. Mendel, D. Wu, Computación perceptual: ayudar a las personas a emitir juicios subjetivos, John Wiley & Sons, 2010.
[31] V. Mohagheghi, S. Meysam, SM Mousavi, B. Vahdani, Análisis del flujo de caja del proyecto mediante un nuevo modelo difuso de intervalo tipo 2 con aplicación a la construcción.
industria, Computación Neural. Aplica. 28 (2021) 3393–3411.
[32] Maowen Nie, Woei Wan Tan, Hacia un método eficiente de reducción de tipo para sistemas de lógica difusa de intervalo tipo 2, Conferencia internacional IEEE sobre tecnología difusa
Sistemas, vol. 1, IEEE, 2008, págs. 1425–1432.
[33] Salvador Cruz Rambaud, José García Pérez, La opinión agregada de varios expertos en las metodologías difusa y pert, Fuzzy Econ. Rev.6 (2) (2001).
[34] Hamdy A. Taha, Investigación de operaciones: Introducción, PrenticeHall, Nueva Jersey, 2003.
dieciséis
[35] IB Türksen, Conjuntos difusos valorados por intervalos y AND compensatorio, Fuzzy Sets Syst. 51 (1992) 295–307.
[36] David Vose, Análisis de riesgos: una guía cuantitativa, John Wiley and Sons, 2008.
[37] Christian Wagner, Juzzy: un conjunto de herramientas basado en Java para lógica difusa de tipo 2, en: IEEE (Ed.), Actas del Simposio IEEE de 2013 sobre avances en lógica difusa de tipo 2
Sistemas lógicos (T2FUZZ), vol. 1, 2013, págs. 45–52.
[38] JH. Wang, J. Hao, experto en lingüística difusa, IEEE Trans. Sistema difuso. 15 (2) (2007) 133–144.
[39] Dongrui Wu, Jerry M. Mendel, Medidas de incertidumbre para conjuntos difusos de intervalo tipo 2, Inf. Ciencia. 177 (1) (2007) 5378–5393.
[40] Dongrui Wu, Jerry M. Mendel, Algoritmos mejorados de KarnikMendel, IEEE Trans. Sistema difuso. 17 (4) (2009) 923–934.
[41] HC Wu, dualidad de Wolfe para la optimización valorada por intervalos, J. Optim. Aplicación de la teoría. 138 (1) (2008) 497.
[42] LA Zadeh, PRUF: un lenguaje de representación de significado para lenguajes naturales, Int. J. ManMach. Semental. 10 (1) (1978) 395–460.
17

8910 Traducido

Cargado por

Información del documento

Título original

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

8910 Traducido

Cargado por

Copyright:

Formatos disponibles

Machine Translated by Google

Nomenclatura sik Matriz multiplicativa de intervalos calificada por k­ésimos expertos

P̃1 P̃2 = P˜1

(4) = 1, 2, 3, 4.. norte )

w = ( w1, w2 wjw ) sea el vector de ponderación para β1, β2 , βjβn con 0 ≤ wj ≤ SikL = 1000dicL √ (9)

PFWAw(β) = (w1β1) (w2β2) (wnβn)

Paso 1: Iniciar el problema MCDM finalizando los criterios y max(0, A j z̃ij) = { A j [0,

̃x11 ̃x12 . ̃xm1 máx(0, A j z̃ij) = { A [0,

. . . . NDA ̃ij = Si j NB y (19)

(14) 2 μ− ij 2 − μj− µ+2 − µ+2 υ+

En la ecuación anterior, ( zij A j ) es un número difuso pitagórico y

Organizativo ORGB1 Falta de infraestructura organizacional (Khan et al., 2023;

Regulador REB1 Falta de regulación legal para (Patidar et al., 2023;

Industria 4.0 en la industria de la cadena de suministro de alimentos sostenible REB2 Falta de apoyo (Aravindaraj y Chinna,

les proporcionará estrategias para superarlas e implementar eficazmente la Industria 4.0. Las tecnologías de Industria 2022)

ECOB3 Falta de fondos para llevar a cabo (Patidar et al., 2023; Khan SO1 Capacitación de la fuerza laboral/empleados (Patidar et al., 2023; Accorsi et al.,

sostenible. SO3 Ofrecer incentivos tecnológicos a los (Accorsi et al., 2022; da Silveira et al., 2021)

de alimentos sostenibles. SO11 Auditoría y seguimiento continuo de las actividades en (Ghosh et al., 2023b; Okorie et al.,

ORGB2 CHI EE.UU. HOLA HOLA LI

Opinión de expertos sobre la barrera de la Transformación. STRB5 0,11850438

Barreras económicas (ECOB) ECOB1 0.34252529

REB REB1 REB2 REB3 REB4 SOCB4 0.16113871

ORBG1 MI CHI HOLA METRO HOLA LI HOLA LI LI MI HOLA LI CHI CHI

STRB6 HOLA LI LI CHI VLI MI VHI CLI MI VLI MI LI MI HOLA

REB1 VLI HOLA LI HOLA MI LI MI LI CHI LI MI VHI LI HOLA

REB2 LI LI CLI VHI MI HOLA LI CLI VHI VLI LI MI VLI CHI

REB4 LI MI CLI MI LI CLI CLI LI HOLA LI MI LI CLI MI

Solución SO1 SO2 ............SO14 Código Peso final Rango

La clasificación de los subcriterios de STRB es STRB6 > STRB4 > STRB1 > STRB2 > SOCB5 0.0268 15

alimentos sostenible hacia adelante y hacia atrás (TRB3), tiene el mayor peso. Los ECOB REB3 0,0096 26

Solución Rango políticas regulatorias e industriales adecuadas para fomentar la inversión y mejorar la

Publicaciones Características del problema Incertidumbre Objetivo Tipo de Enfoque de solución Decisión

No No Multi – – Costo mínimo IP – – CPLEX Táctico

+ EC* ∑ ∑ ∑ ( Con1n,h,t + Con2n,h,t ) {CostoServicio} (2) Restricciones de saldo de inventario:

Inv0,t ≤ (1 − B0)*Inv0,t− 1 − ∑ ∑ A0,i,k,t, t {1 |T|} (15)

DDn,h,t ≥ Dn,h,t − Con1n,h,t, n N, h H, t {1..1} (3) j VFi k K2

Invi,t ≤ (1 − Bi)*Invi,t− 1 + ∑ ( 1 − B0,i,k ) *A0,i,k,t− 1 − ∑ ∑ Ai,j,k,t

Con2n,h,t ≤ Con1n,h,t− 1, n N, h H, t {2..|T| } (7)

A0,i,k,t ≤ Capk, i I, k K1, t {1..|T| } (10)

FIPn,h = ∑ Con2n,h,t, n N, h H (20)

∑ ( WF0,c,t − DDW0,c,t ) ≥ M* ( B0*Inv0,t ) , t {1..|T| } (21)

(1) + r (1) ≥ D (38)

Sim (2004) para desarrollar una contraparte robusta del modelo MILP para parámetros norte, h H, t {2..|T| }

matriz de coeficientes contiene incertidumbre. Sin embargo, la incertidumbre también ≤ 0, i I, j VFi, t {1..|T| }

Capn − Cap n*Γ(9) ≤ Invn,0 ≤ Capn + Cap n*Γ(9)

{1 |T|} (55)

(14) ∑ h H Con1j,h,1 ∑ h HCon2j,h,1

∑ h HCon2j,h,t Izmir tiene un almacén provincial, 11 CHC y 362 FHC. Según datos de 2018,

≥ B i,j,k*Ai,j,k,t− 1, i I, j VFi, k K2, t {2 |T| } 1000 L, de pequeños a grandes. Estos gabinetes se asignan según la población

eventos ocurrirán con mayor frecuencia, la tasa de deterioro es del 6%. Finalmente, la Objetivo Costo Total ($) Número total de FIP Sol. Tiempo (seg.)

Valor _ Costo Total ($) Número total de FIP Sol. Tiempo (seg.) Objetivo Coste total Número total de FIP Sol. Tiempo (seg.)

2793501.48 172.230.701,399 2.793.502 751.079 Costo mínimo 244.678.641,96 3.325.939 29.05

#Nodos Planeando el horizonte #Restricciones #Variables Costo Total ($) Número total de FIP Sol. Tiempo (seg.) Brecha de Optimidad (%)

393 12 meses 55.513 52.369 244.678.641,96 3.325.939 29.05 0

Planeando el horizonte #Restricciones #Variables Costo Total ($) Número total de FIP Sol. Tiempo (seg.)

12 meses 55.513 52.369 244.678.641,96 3.325.939 29.05

decir, mientras el número de pacientes vacunados aumenta un 19,06%, el coste Γ(2) = Γ(3) FIP (paciente) optimización (%) (seg.)

aumenta un 42,042%. 0 244.678.642 3.325.939 0.0159 28.984

Γ(5) = Costo total ( ) Número total de FIP Brecha de optimización Sol. tiempo

0 244.678.642 3.325.939 0.0159 28.047

Transporte ( /dosis) Tipo de vehículo Vehículo tipo 2 Vehículo tipo 3

= {( , ( ))| }. (1)

El soporte de 1( ), es decir ( ), es el conjunto de todos los valores con membresía positiva, es decir

Nomenclatura sik Matriz multiplicativa de intervalos calificada por késimos expertos

Invi,t ≤ (1 − Bi)Invi,t− 1 + ∑ ( 1 − B0,i,k ) A0,i,k,t− 1 − ∑ ∑ Ai,j,k,t

Capn − Cap nΓ(9) ≤ Invn,0 ≤ Capn + Cap nΓ(9)