Categoría: investigación

Trascendencia del transporte

La trascendencia económica del sector del transporte genera costos sociales y medioambientales de gran magnitud. Esta actividad supone aproximadamente un sexto del Producto Interno Bruto (PIB) de los países industrializados (ver Yepes, 2002). Un estudio del National Council of Physical Distribution (ver Ballou, 1991) estima que el transporte representó el 15% del PIB de Estados Unidos en 1978, lo que supuso más del 45% de los costes logísticos de las organizaciones. En España, según datos del Ministerio de Fomento (ver CTCICCP, 2001), la participación del sector en el valor añadido bruto del año 1997 se situó en un 4,6%. En cuanto al empleo, 613.400 personas se encontraban ocupadas en el sector de los transportes en España en 1999, lo que representaba el 3,69% de la población activa. La distribución física representa para las empresas entre la sexta y la cuarta parte de las ventas y entre uno y dos tercios del total de los costos logísticos (Ballou, 1991).

Además, una adecuada gestión de los problemas de distribución afecta directamente a la competitividad de las empresas. Así, el establecimiento de rutas y horarios para vehículos constituye un conjunto de problemas habituales que no se resuelven de manera óptima y acarrean una merma significativa en la cuenta de resultados de las empresas. Autores como Kotler (1991) afirman que se pueden obtener ahorros sustanciales en el área de la distribución física y la describen como “la última frontera para obtener economías en los costos” y “el continente oscuro de la economía”. Drucker (1962) describió las actividades logísticas que se llevaban a cabo tras la fabricación como las “áreas peor realizadas y, a la vez, más prometedoras dentro del mundo industrial”. Incluso el recorte de una pequeña fracción de los costos de distribución puede aflorar enormes ahorros económicos y una reducción de los impactos sociales y ambientales ocasionados por los accidentes, la polución y el ruido, además de incrementar significativamente la satisfacción de los clientes.

Todo ello se enmarca en un escenario en el que han crecido enormemente las expectativas de los clientes, al igual que los productos disponibles en el mercado. Ello provoca que las empresas se enfrenten a retos más dinámicos, que van desde aumentos en los niveles de servicio hasta rupturas de fronteras o la entrada en el comercio electrónico. La globalización de los mercados ha provocado, de hecho, una aceleración del comercio. El transporte, que ya es una función vital, tendrá aún una posición más estratégica para las industrias en el futuro.

Los problemas de rutas son difíciles de optimizar en situaciones reales debido a los procedimientos de resolución exactos, debido al incremento exponencial del esfuerzo de cálculo necesario en función de la dimensión del problema. En estas circunstancias, los métodos de resolución aproximados que emulan estrategias eficientes empleadas por la naturaleza y utilizadas en la inteligencia artificial pueden proporcionar soluciones satisfactorias en tiempos de cálculo razonables, constituyendo herramientas tecnológicas capaces de incrementar la competitividad de las empresas dedicadas al transporte.

Problemas de distribución física

Los problemas de distribución física consisten básicamente en asignar una ruta a cada vehículo de una flota para repartir o recoger mercancías. Los clientes se localizan en puntos o arcos y, a su vez, pueden presentar horarios de servicio determinados; el problema consiste en establecer secuencias de clientes y programar los horarios de los vehículos de manera óptima. Los problemas reales de transporte son extraordinariamente diversos. Yepes (2002) propone una clasificación que incluye un mínimo de 8,8·10⁹ combinaciones posibles de modelos de distribución. Si alguien fuese capaz de describir cada uno de ellos en un segundo, tardaría cerca de 280 años en enunciarlos todos. La investigación científica se ha centrado, por tanto, en un grupo muy reducido de modelos teóricos que, además, tienden a simplificar excesivamente los problemas reales.

El problema más famoso y sencillo de plantear se conoce como el del viajante de comercio (“Traveling Salesman Problem”, TSP). Se debe visitar un conjunto de ciudades una sola vez y volver a la ciudad de partida, de modo que la distancia recorrida sea mínima. Es un problema intensivo en términos de cálculo, puesto que un procesador que calculara un billón de soluciones por segundo tardaría unos 50 minutos en enumerar todos los casos posibles con 20 nodos y casi cinco siglos con 25.

El problema de las rutas “Vehicle Routing Problem, VRP” presenta una demanda asociada a cada ciudad y una capacidad determinada de transporte para cada uno de los vehículos. Aquí, el objetivo puede ser reducir al mínimo posible la suma de la distancia recorrida por todas las rutas, el número de vehículos, o una combinación de ambos criterios. Es importante destacar el hecho de que tanto para los problemas TSP como para los VRP, la dirección en la cual se desarrolla el camino carece de importancia, cosa que no ocurre con los problemas de rutas de reparto con restricciones en los horarios de servicio “Vehicle Routing Problem with Time Windows, VRPTW”, donde cada cliente restringe la satisfacción de su demanda a un horario de reparto o recogida determinado (ventana de tiempo). En estos casos, la ventana de tiempo obliga a esperar si el vehículo llega antes de su apertura e impide la prestación del servicio si se llega fuera del plazo previsto.

Estos problemas son difíciles de resolver debido al crecimiento exponencial de las soluciones en función del número de clientes. De hecho, solo algunos problemas de VRPTW de hasta 100 nodos han podido resolverse mediante métodos exactos. En estas circunstancias, es posible aplicar algoritmos de aproximación que proporcionen soluciones viables y razonables.

Sistemas inteligentes

Las metaheurísticas son métodos generales, aplicables a amplios conjuntos de problemas, que normalmente emulan estrategias eficientes empleadas por la naturaleza y utilizadas en la inteligencia artificial (evolución biológica, funcionamiento del cerebro, comportamiento de los insectos, mecánica estadística, etc.), y que sirven para guiar el funcionamiento de las heurísticas u otros procedimientos de optimización específicos. En el campo de la optimización combinatoria y en los problemas de transporte, se utiliza comúnmente el término metaheurística, mientras que en otros campos se conocen estos métodos como sistemas inteligentes (Goonatilake et al., 1995). Las redes neuronales, la lógica borrosa, los algoritmos evolutivos, la búsqueda tabú o la cristalización simulada son algunas técnicas que han probado su eficacia en la explotación de datos, en el descubrimiento de conocimiento y en la solución de problemas combinatorios en diferentes campos técnicos y científicos.

Modelo económico rutas de transporte

En las últimas décadas, la investigación científica ha dedicado un gran esfuerzo al desarrollo de técnicas para resolver modelos teóricos de transporte. Sin embargo, Yepes y Medina (2000) comprueban que la maximización de la rentabilidad de las operaciones reales de distribución debe contemplar funciones objetivo económicas basadas en los ingresos y los costos. Este mismo principio debe exigirse a los algoritmos empleados en su resolución. El éxito de una metaheurística especializada en un modelo teórico concreto, no garantiza su adecuación ante escenarios reales complejos propios de las empresas de transporte.

En la distribución real de mercancías, es habitual el empleo de flotas heterogéneas de vehículos, con características propias en costos, capacidad de carga, velocidad y jornadas de trabajo limitadas, con posibilidad de horas extraordinarias. Asimismo, la duración de los viajes depende del nivel de congestión y de los problemas de acceso a los clientes. Además, los vehículos pueden iniciar nuevas rutas si lo permite su jornada laboral, lo cual es habitual cuando las demandas de cada cliente superan la capacidad de transporte del vehículo, o bien cuando se emplea poco tiempo en recorrer las distancias hacia los diversos nodos. También es razonable acordar con los clientes bonificaciones en caso de que se rompan los horarios (rotura de servicio).

Para definir un esquema que cumpla las características anteriores, aproximadas al problema real de distribución, se define un problema de rutas con flotas heterogéneas y múltiples usos, con restricciones horarias blandas de servicio: “Vehicle routing problem with a heterogeneous fleet of vehicles with soft time windows and with multiple use of vehicles, VRPHEMSTW”.

Consecuencias de interés para las empresas

Algunas conclusiones de interés práctico que se han comprobado al emplear los sistemas inteligentes en la resolución de problemas que, lejos de ser teóricos, se acercan a la realidad cotidiana de las empresas de distribución son las siguientes (Yepes, 2002):

Los problemas reales de rutas no se modelan bien con funciones objetivo teóricas habituales. En efecto, posibles variaciones en los costos o en las tarifas provocan que soluciones buenas a problemas teóricos resulten muy malas para los problemas reales. Como empresario, debe exigir que el software que emplee maximice el beneficio y no solo minimice los costes.  Una empresa que quiera maximizar sus beneficios en la distribución puede incurrir en grandes costos de oportunidad involuntarios si adopta algoritmos especializados para resolver problemas teóricos. En general, estos procedimientos no son óptimos en escenarios reales. Mucho software es teórico y no está adaptado a su empresa.

Los modelos que utilizan funciones objetivo basadas en los costos globales y los ingresos, simulan mejor las operaciones de distribución. Cada cliente puede requerir una política de precios diferenciada. Exija a su software la posibilidad de segmentar a sus clientes según tarifas específicas. Una ligera flexibilización en los horarios de servicio permite, aun cuando exista cierta penalización económica por la transgresión de las ventanas horarias, una mejora en la calidad de las soluciones obtenidas. Negocie con sus clientes bonificaciones por incumplimientos de los horarios de entrega; al final, ello le puede llevar a mayores beneficios.  Un elevado costo fijo por disposición de los vehículos conlleva que la solución de mayor beneficio sea aquella que autorice el inicio de nuevas rutas por parte de un mismo vehículo, siempre que su jornada laboral lo permita. Desconfíe del software que no le permita discriminar situaciones como el alquiler o la compra de vehículos. La planificación de las rutas puede cambiar y su empresa puede perder beneficios. En una operación de distribución de mercancías, el uso múltiple o sencillo de los vehículos, dentro de su jornada de trabajo, es una decisión que depende de la estructura de costos de cada problema concreto. Esta posibilidad no se contempla por el software habitual y le puede hacer perder dinero.

En esta apretada síntesis, la empresa dedicada a la distribución de personas o mercancías dispone de nuevos conceptos para resolver sus complejos problemas de transporte. El reto consiste en elegir entre el vasto universo de técnicas posibles, aquella que sea capaz de aportar una solución de calidad dentro de un tiempo de cálculo razonable, teniendo presente que un problema de transporte determinado presenta múltiples escenarios posibles, y manejando un modelo económico adecuado a las variables y restricciones reales.

Referencias

Ballou, R. H. (1991). Logística empresarial. Control y planificación. Ed. Díaz de Santos, Madrid.

Comisión de Transportes del Colegio de Ingenieros de Caminos, Canales y Puertos (2001). Libro verde del transporte en España. Disponible en internet.

Drucker, P. (1962). The economy’s dark continent. Fortune, April, 265-270.

Goonatilake, S.; Treleaven, P. (Eds) (1995). Intelligent systems for finance and business. John Wiley & Sons, Chichester, England.

Kotler, P. (1991). Marketing management. Analysis, planning, implementation, and control. Prentice Hall International. United Kingdom.

Yepes, V. (2002). Optimización heurística económica aplicada a las redes de transporte del tipo Vrptw. Tesis Doctoral. Escuela Técnica Superior de Ingenieros de Caminos, Canales y Puertos, Universidad Politécnica de Valencia.

Yepes, V.; Medina, J.R. (2000). Optimización del problema generalizado de las rutas con restricciones temporales y de capacidad (CVRPSTW), en Colomer, J.V. y García, A. (Eds.): Actas del IV Congreso de Ingeniería del Transporte. Vol. 2, pp. 705-710. Valencia.