El conjunto de factores a tener en cuenta en la toma de decisiones de transporte en las BSC, además de la iniciativa, intuición, sentido común, sagacidad, experiencia y azar; requiere poseer una disciplina de análisis y herramientas cuantitativas que orienten hacia decisiones acertadas en el marco de complejidad que estas se desarrollan. El dominio de la capacidad de análisis y del manejo de los modelos matemáticos como herramientas de gestión deben constituir las bases que sustentan el proceso decisional (Marrero, Díaz, & Montesino Ronquillo, 2012).
Considera Crosetti (2016) que la propuesta de modelos matemáticos soportado en el Análisis Multicriterio para el proceso de toma de decisiones de transporte en las BSC, proporciona una nueva visión en el campo de la teoría de la decisión, ya que pretende lograr un equilibrio entre el conjunto de objetivos en conflicto o en la medida de lo posible satisfacer una serie de metas que están asociadas a dichos objetivos. Es así, como hoy en día en otras latitudes de la cadena de suministros se van logrando modelos matemáticos más perfectos, para resolver en las organizaciones situaciones reales ya sean individuales o colectivas, soportados en múltiples criterios, la incertidumbre y el riesgo.
Los modelos cuantitativos basados en técnicas de programación matemática y simulación para las BSC, consideran los múltiples niveles de la cadena, productos y períodos y son abordados de
manera dinámica en el uso de procedimientos generales que integren soluciones puntuales a través de un modelo matemático, que intenta encontrar soluciones analíticas en la predicción del comportamiento de la cadena y el conjunto de parámetros y condiciones iniciales impuestas. La investigación de operaciones es un enfoque adecuado para describir mediante modelos cuantitativos las BSC, evaluar su desempeño y optimizar criterios tales como su costo total, el consumo de energía y sus emisiones de gases de efecto invernadero (Ba, Prins, & Prodhon, 2015). De hecho, el número de investigaciones reportados que usan métodos y modelos de optimización en el campo de la bioenergía está creciendo (Baños et al., 2011; Iakovou et al., 2010). En el apartado siguiente se realiza un análisis de los modelos para el diseño de BSC desde una óptica de investigación de operaciones.
1.3.1 Modelos optimizadores del transporte en el flujo integrado de biomasa
Varias revisiones fueron identificadas en la literatura que tratan de diferentes formas las BSC desde un contexto de investigación de operaciones. De acuerdo con Sharma et al., (2013) se pueden identificar cuatro métodos de modelación aplicados en la gestión de la cadena de suministro de biomasa: i) determinísticos, ii) estocásticos, iii) híbridos y iv) modelos dirigidos por Tecnologías de Información (IT-driven models). Para los modelos deterministas, los parámetros son conocidos y se fijan con certeza. En los modelos estocásticos, al menos un parámetro es incierto y aleatorio; también se les llama modelos probabilísticos; se subclasifican en modelos óptimos de control teórico y de programación dinámica. Los modelos híbridos tienen elementos de modelos determinísticos y estocásticos, incluyen modelos de teoría de inventario y de simulación. Los modelos dirigidos por tecnologías de información integran y coordinan varias fases de la planificación de la cadena de suministro en tiempo real utilizando el software de aplicación lo que ayuda a mejorar la visibilidad en toda la cadena de suministro (Bragado et al., 2016).
Los acercamientos a la programación matemáticas, ya sea la programación lineal (LP) o la programación lineal entera mixta (MILP), definen que los modelos están integrados por una o varias funciones objetivos y heterogéneas restricciones. Debido a que el diseño de la red de suministro involucra decisiones a largo plazo mientras que la administración de la logística del transporte requiere decisiones de mediano a corto plazo, los autores consultados recurren a la programación lineal entera mixta para identificar el tamaño y la ubicación de las instalaciones, simultáneamente con la optimización de la planificación de inventario y la gestión del transporte (A De Meyer et al., 2014).
Para abordar las decisiones de transporte, ya sean estratégicas, tácticas como operativas, los modelos MILP consideran las variables binarias que determinan si una instalación (con cierta capacidad) se abre o no en un lugar determinado y las variables continuas que determinan la cantidad de biomasa cosechada y la cantidad de biomasa enviada e inventariada entre instalaciones durante un período de tiempo dentro de un horizonte temporal (Ekşioğlu et al., 2009; Tembo et al., 2003). En el modelo desarrollado por Tembo et al. (2003), se determinan las decisiones tácticas sobre el flujo de biomasa y las decisiones estratégicas sobre la ubicación y el tamaño de las instalaciones de conversión, asumiendo endógenamente que todas las inversiones tienen lugar al comienzo del ciclo anual. En estudios más recientes Ekşioğlu et al. (2009), determinan las decisiones tácticas sobre el flujo de biomasa y las decisiones estratégicas sobre la ubicación y el tamaño de las instalaciones de conversión con cierta capacidad. La dependencia estacional del suministro de biomasa y la competencia de la tierra está incluida en las restricciones de este modelo. Por su parte, Zhu et al., (2011) proporciona un marco de estudio donde integra las decisiones estratégicas sobre el cambio de suministro y el programa de operación.
Con el fin de optimizar el número de unidades de transporte requeridas para la transferencia de productos entre las regiones y la entrega local, Akgul, Shah, & Papageorgiou (2012), determinan el número de unidades de transporte necesarias. En contraste con Geijzenforffer et al., (2008), Diekema et al., (2005) optimiza el flujo de biomasa y la ubicación y tecnología del centro de conversión según una combinación definida por los objetivos de los clientes potenciales. Combinar los modelos matemáticos con las funciones de los sistemas de información geográfica (GIS, por sus siglas en inglés) permite la determinación de las ubicaciones potenciales de las instalaciones en función de un conjunto específico de criterios. Geijzenforffer et al., (2008), combinan el MILP con un GIS, que permite calcular el suministro esperado de biomasa y la distancia de transporte y evaluar los impactos espaciales de los requisitos de materia prima.
Aunque las publicaciones mencionadas abordan diferentes tipos de decisiones, todos los autores consultados presentan un modelo MILP de períodos de tiempo múltiples para incluir la dinámica de producción de biomasa y la demanda de bioenergía a lo largo del horizonte temporal. Dunnett, Adjiman, & Shah (2007), se centran en la optimización del procesamiento operativo y del calendario de tareas de recolección y logística, dada la superestructura del sistema, el peso fresco dinámico, el contenido de humedad de la cosecha y las tasas analíticas de secado ambiental. Gunnarsson (2004), aplica el modelo MILP para decidir cuándo y dónde los residuos forestales
deben convertirse en astillas, y cómo deben transportarse y almacenarse para satisfacer la demanda contraída en el aserradero. Este modelo considera la capacidad de astillado, la capacidad de almacenamiento, la demanda y los costos de transporte relacionados con cada período de tiempo. Por otro lado, Flisberg, Frisk, & Rönnqvist (2012), se centran en la optimización de la planificación de inventarios para apoyar la elección de la tecnología de astillado, su ubicación y la ruta a las plantas de calefacción. Para permitir la optimización en cada período de tiempo, Flisberg et al., (2012) definen los costos relacionados con la compra de biomasa, inventario y transporte para cada período de tiempo considerado en el modelo, permitiendo al usuario identificar los costos relacionados con cada etapa de la cadena de suministro.
En comparación con el modelo de Zamboni et al., (2009), De Meyer et al., (2014), introduce diferentes intervalos de tiempo que permiten al modelo considerar la variación de tiempo en el suministro de caña de azúcar, la demanda de energía y el costo de transporte. De todas las publicaciones consultadas que presentan modelos de optimización en el campo de la gestión de la cadena de suministro de biomasa, solo Dyken t al., (2010) aborda puramente las decisiones en el ámbito operacional, concentrándose en la planificación del inventario, la planificación del vehículo y la programación para garantizar el funcionamiento continuo de la instalación de conversión. Si bien las preocupaciones económicas, energéticas, ambientales y sociales afectan simultáneamente las decisiones que se tomarán en la gestión de la cadena de suministro, la mayoría de los modelos de optimización se concentran en la optimización de problemas económicos. Para eludir esta limitación, varios autores aplican la optimización para identificar el conjunto de alternativas que representan la compensación óptima entre los objetivos económicos y medioambientales descritos por los modelos MILP (Zamboni et al., 2009). De Meyer et al., (2015) proporciona una descripción general de las BSC para la bioenergía, en cuanto a las decisiones relacionadas con su diseño y gestión desde una óptica de programación matemática. El documento ofrece una visión general de los métodos y modelos que se centran en las decisiones relativas al diseño y la optimización de los eslabones de aprovisionamiento y producción de las BSC para la bioenergía. Ba et al. (2015) redactó una revisión más reciente e interesante para la presente investigación, en este artículo se examinan las recientes publicaciones sobre modelos de BSC, desde una perspectiva de investigación de operaciones.
Como se pude apreciar, numerosos autores han propuesto modelos de optimización, los cuales han enfrentado el problema desde muy diferentes aristas: monobjetivos, multiobjetivos, deterministas,
estocásticos. En la tabla 1.1 se muestra un conjunto de trabajos que demuestra la variedad de problemas enfrentados para optimizar el transporte en la gestión de las BSC. Los 20 artículos con mayor relevancia fueron seleccionados y categorizados de acuerdo con las características: i) pilar de la sostenibilidad modelado mediante la función objetivo; ii) nivel de decisión en que se enfoca el modelo; iii) variables incluidas en el modelado y iv) objetivos del modelo, la descripción en detalle se muestra en la tabla 1.1.
Sin lugar a dudas la programación entera mixta contiene variables de decisión para determinar el número, las ubicaciones y los tamaños de las instalaciones de almacenamiento y conversión, para prescribir modos de cosecha, capacidades y potencia de trabajo, y para determinar modos de transporte, capacidades y flota. El estudio del estado del arte demuestra que pocas investigaciones han aplicado modelos multiobjetivo para la optimización de la cadena de suministro de la biomasa debido a la complejidad de manejar simultáneamente varios objetivos (Mirkouei, Haapala, Sessions, & Murthy, 2017). La mayoría de los trabajos revisados presentaban un único objetivo orientado a lo económico, minimizar los costos o maximizar ganancias; sin embargo se encontraron artículos multiobjetivos en los que más allá de la mejor rentabilidad económica se apunta a las energías limpias con un compromiso con el medio ambiente, presentando como restricción el grado de sostenibilidad ambiental. La revisión permitió observar también, que la sostenibilidad de las cadenas de suministros aun es un tema con amplio potencial para abordar en el modelado de las BSC.