1 INTRODUCCIÓN

Tras décadas de esfuerzos focalizados exclusiva-mente al conflicto armado interno, las instituciones nacionales colombianas se encuentran en una transi-ción hacia la inversión en el desarrollo de la agroin-dustria en condiciones de legalidad y sostenibilidad. Para llevar a cabo los ambiciosos compromisos y ob-jetivos planteados en dicho campo como políticas de estado por parte del gobierno de turno, es vital agotar esfuerzos en el desarrollo de la competitividad en un contexto de desventaja circunstancial, frente a países homogéneos en componentes ecosistémicos y logísti-cos que presentan ventajas basadas por el know how (Programa de transformación productiva, 2013).

El objetivo del presente proyecto de investigación es determinar una solución a la localización de las plataformas logísticas del producto hortofrutícola Ananas Comosus (Piña) con enfoque de exportación

en zonas rurales de gestión industrial, a partir de una metodología de tres fases.

2 PLATAFORMAS DE GESTIÓN INDUSTRIAL EN COLOMBIA

Dentro del programa de transformación productiva (PTP) de Bancoldex se propone la idea de centros lo-gísticos como plataformas de gestión integral (PGI), que no se limiten a realizar una labor de intermedia-ción en la cadena logística hortofrutícola, sino que por el contrario aporten integral y sistemáticamente a la evolución del sector. Las PGI pueden ser tan com-plejas como las pretensiones establecidas a priori y es por esto que es de gran relevancia analizar sus dife-rentes aristas en cuanto a objetivos, funciones, valo-res agregados, características de constitución y el obs-táculo presente en la ubicación.

Localización de plataformas logísticas y ruteo de acopio de la Ananas Comosus J.S. Arbelaez & D.M.Rodriguez Universidad de los Andes, Bogotá, Colombia

RESUMEN: La presente investigación plantea una solución con soporte científico para la ubicación de plata-formas de gestión industrial del cultivo Ananas Comosus en Colombia y se desarrolla a través de una metodo-logía de cuatro fases. La primera fase consiste en la obtención de la oferta potencial teniendo en cuenta la zonificación del producto por aptitud y la productividad. En la segunda fase se determina el punto de transfe-rencia del producto perecedero y los tiempos de los eslabones de la cadena de valor. En la fase tres, se desarrolla una herramienta de optimización location, donde se establece si la cobertura en tiempos es factible y eficiente. Finalmente, en la cuarta fase, se realiza el routing entre los clientes potenciales y las plataformas logísticas, aplicando una solución de tres etapas cuya estructura fundamental es un algoritmo de Búsqueda Tabú con es-pacio Granular. ABSTRACT: This research raises a solution with scientific support for the location of industrial management platforms for the Ananas Comosus crop in Colombia. It’s developed through a four-phase methodology. The first phase is to obtein the potential offer with the product zoning by aptitude and the adequate production. The second phase is to determine the transfer point of the crop and the process times in the value chain. The third phase is a location optimization model to determine if the coverage in times is feasible and efficient. Finally, the fourth phase is a routing of the potential customers and the logistic platforms through a three-stage solution based in a Granular Tabu Search.

Uno de los casos de éxito en Colombia es Car-tama® que nació en el año 2000 en la ciudad de Pe-reira bajo la visión de la oportunidad de negocio y el auge previsto en el aguacate Hass en años venideros (Gómez, Álvarez-Martínez, José, & Saavedra, 2018). De otro lado, Bengala® nace en el 2012 bajo la visión de diversificación de las inversiones del Complejo Riopaila® y Castilla®. En 2017 logró una producti-vidad de 120 ton/ha, lo cual es sumamente exitoso te-niendo cuenta que es similar a los países lideres en la región (Franco, Álvarez-Martínez, & Mauricio, 2018).

3 CONTEXTO DE LA ANANS COMUSUS

3.1 Diagnóstico de la piña en el mundo La consultora LKS en el Programa de Transforma-ción Productiva propuso un procedimiento trivial para interpretar la creciente demanda de la Ananas Comosus en el mundo, a través de una relación directa entre el crecimiento político y demográfico de la po-blación, con el consumo hortofrutícola de alta calidad (LKS, 2018). Adicionalmente, la evolución en el equilibrio de clases con mayor poder adquisitivo y la creciente demanda de productivos saludables pro-pone un escenario optimista para la Ananas Comosus hacia el futuro. Una demanda creciente y estable es vital al momento de plantear un modelo de negocio como una PGI, cuyo balance financiero resulte renta-ble y mejor remunerado para todos los eslabones de la cadena, especialmente para los pequeños cultiva-dores.

El país referente en el continente americano es Costa Rica, principalmente en mercado captado, in-gresos y productividad por hectárea. Este es un país en vía de desarrollo, restringido en área y con limita-ciones en infraestructura, pese a esto logró explotar el modelo de negocio eficazmente de tal forma que ha logrado posicionarse con éxito. La ventaja competi-tiva que sobresale de este caso de éxito es la estanda-rización de los procesos y las buenas prácticas adqui-ridas. De otro lado, las debilidades más representativas son la pobre integración campo-in-dustria y la escaza implementación de dotación de vanguardia adecuada para frescos y subproductos.

3.2 Diagnóstico de la piña en Colombia

El sector hortofrutícola colombiano se encuentra en una posición ventajosa debido a que cuenta con con-diciones agrológicas y medioambientales

convenientes para un gran espectro de cultivos y, ade-más, posibilita generar condiciones de cosecha a lo largo de todo el año, por características meteorológi-cas y ubicación geográfica.

La tendencia de la siembra de la piña en Colombia ha crecido constantemente en los últimos años alre-dedor de una tasa promedio del 6% año por año; sin embargo, el rendimiento no ha presentado creci-miento sustancial con una tasa del 3.2%, lo que im-plica un bajo desarrollo en la productividad. Al año 2016 la productividad nacional era de 41.19 Ton/Ha lo cual está lejos de un ejemplo de éxito como Ben-gala® que en el año incursión alcanzo un valor de 65 Ton/Ha.

Figura 1. Evolución de la Producción y rendimiento de la Piña Fuente: (Ministerio de Agricultura, diciembre 2017)

Como todo país en vía de desarrollo existen obs-táculos para alcanzar el éxito en cualquier modelo de negocio y pese todas las dificultades, es posible evi-denciar que Colombia ocupa el décimo lugar mundial en la producción de la Ananas Comosus y ha logrado consolidarse en el diecisieteavo lugar en exportacio-nes (TRIDGE, 2018). Las exportaciones en 2017 se realizaron a 24 países de 4 continentes por una canti-dad de 16.68 millones de toneladas y un valor mone-tario de 10.5 millones de dólares.

Actualmente Colombia presenta en mayor medida cinco variedades de piñas para el mercado interno y externo: piña Gigante, piña Reina, piña Miel (Tai-nung), piña Green Selangor y piña Reina Malacca (TRIDGE, 2018). De estas la mas utilizada para ex-portación es la miel.

Colombia presenta fortalezas importantes que se deben explotar para mejorar los indicadores de pro-ductividad, cautivar mayor oferta del mercado mun-dial y mejorar los resultados antes expuestos (LKS, 2018): • Ubicación estratégica para cultivar. • Exportación por dos mares. • Destino atractivo para inversionistas.

34

36

38

40

42

44

46

0100,000200,000300,000400,000500,000600,000700,000800,000900,000

20072008

20092010

20112012

20132014

20152016

Evolución de la Producción (Ton) y rendimiento de la Piña en Colombia (Ton/Ha)

Producción

Rendimiento

• Disposición de mano de obra. • Concentración de conocimiento específico. • Incremento de la producción tipo exportación. • Disponibilidad de tierras fértiles para cultivar.

3.3 Exigencias para la exportación de la piña

La piña presenta parámetros deseables al momento de su venta y en general se busca estética y sanidad. A continuación, se describen algunos de los atributos característicos del producto fresco que exigen los clientes internacionales.

Color de la corteza: Representa el color de la cás-cara de la piña en su proceso de evolución entre el verde hasta el amarillo reflejo de la madurez del fruto. En Colombia se emplea la escala de 0 a 6.

Calibre: Indica el peso y tamaño estandarizado de la piña en una escala de 5 a 10.

Tamaño, forma, firmeza y defectos: Las piñas de-ben presentar forma levemente cónica de 1000 a 2500 gramos. La uniformidad de los hombros o costados de la corona son fundamentales para su aprobación.

4 FASE 1 OBTENCIÓN DE LA OFERTA

4.1 Zonificación del perecedero por aptitud El esquema de evaluación de tierras integra y analiza componentes físicos, ecológicos y socioeconómicos propuestos en el Framework for land Evaluation (FAO and Agriculture Organization of the United Nations, 1976) para optimizar la planeación en el campo. La definición de unidades de tierra (fincas) y requerimientos de cultivo está asociada a un análisis multicriterio conforme a la calificación y procesa-miento de datos de los criterios mas relevantes al mo-mento de incursionar en un modelo de negocio agri-cola.

Los criterios son un grupo de condiciones que es-tablecen decisiones de aptitud de uso específico en una zona rural y se clasifican en cuatro grupos: jerár-quicos, exclusiones técnicas, exclusiones legales y condicionales. Un criterio de análisis jerárquico es aquel que aumenta o reduce la aptitud del cultivo co-mercial de la piña. La exclusión técnica son las zonas que por condiciones físicas o socio-ecosistémicas no son factibles para impulsar el cultivo. Los criterios condicionales son aquellas zonas que independiente-mente de la actitud requieren estudios adicionales para verificar la factibilidad del cultivo. Finalmente, la exclusión legal delimita las zonas que por manto legal no se permite el desarrollo agrícola. A partir de la matriz de criterios se genera un mapa cartográfico

de zonificación por aptitud para la Ananas Comosus (ver Figura 2).

Figura 2. Zonificación por aptitud del cultivo de la piña. Fuente: (Unidad de Planificación Rural Agropecuaria (UPRA), 2017).

4.2 Producción

Para obtener la producción de la Ananas Comosus se usó únicamente el área con zonificación de aptitud alta en el territorio nacional, con la finalidad de eva-luar los escenarios con mayor impacto. De otro lado, la productividad que se aplicó en producto con el área sembrada es mayor al promedio nacional pero con-servador en comparación con el caso de éxito. La me-todología utilizada para calcular la producción fue la siguiente: 1. Se obtuvo el área con aptitud alta por municipio

a partir del cruce de información. 2. Con base en los municipios de aptitud alta y su

respectiva área determinada, se realizó el pro-ducto con la productividad mínima que presen-taba Bengala® cuando incursionó en el negocio de la Ananas Comosus. El resultado de la opera-ción antes expuesta es la producción en toneladas por municipio.

5 FASE 2 PUNTO DE TRANSFERENCIA DE LA PIÑA

5.1 Tiempo de color de la Ananas Comosus Las piñas presentan una degradación característica de un producto perecedero. Para que la cobertura de las PGI sea suficiente, es necesario conocer el tiempo máximo con el que se cuenta para verificar la factibi-lidad de la exportación. En la visita realizada en (Franco, Álvarez-Martínez, & Mauricio, 2018) se re-portó información importante para la estimación de los tiempos máximos de transporte de la Ananas Co-mosus.

Del análisis de la visita se logró obtener el com-portamiento del color de la cascara en cuatro puntos temporales de análisis: 30, 50, 70 y 90 días bajo unas condiciones especiales de temperatura. Todos los mercados cuentan con exigencias de color dife-rentes dependiendo de su énfasis; sin embargo, en la visita se dilucidó que, por experiencia, el color de cascara preferente para exportación de la piña es el dos. Con base en la información de expertos y del comportamiento de la fruta, se utiliza el intervalo de 50 días por dos razones, la primera que conserva la menor cantidad de fruta en colores mayores a dos (mercado nacional) y la segunda es que presenta un tiempo disponible considerable para que el trans-porte pueda ser factible. Las pérdidas presentan un valor del 11,2% según la gráfica que se ilustra en la

Figura 3.

Figura 3. Porcentaje de maduración vs días Fuente: (Bengala, 2018).

5.2 Modelo de simulación de la cosecha

Los modelos de simulación surgieron de la necesidad de conocer los comportamientos y sopórtalos en una herramienta fiable, más que por estimaciones aproxi-madas de una persona. Con el objetivo de obtener un tiempo por capacidad de un camión de 8.5 toneladas

(supuesto de transporte hacia el PGI, basado en el uti-lizado por Bengala® y Cartama®) se creó la secuen-cia de operaciones estándar según la literatura costa-rricense (Calderon & Cerdas, 2005).

Como se ilustra en la Figura 4, las tareas de cosecha inician con la extracción de la cantidad de fruta esti-mada teniendo en cuenta un camión de 8500 kg y un peso promedio entre calibres de piña de 1.7 kg. Pos-terior al ingreso de las entidades (piña) al modelo, se realiza la recolección en canastos sobre las hileras de plantaciones, puesto que el objetivo es el análisis de un escenario no industrializado. Posteriormente, se acumulan los canastos para almacenarlos en bins transportados por minitractores o por carretas. Acto seguido, se transportan al patio en donde lo recoge el vehículo de turno. Durante el proceso y a través de los sentidos y la experiencia, los cultivadores realizan una inspección de calidad, desechando fruta con pro-blemas de calidad de plagas, golpes o deformidades; sin embargo, este tiempo no es tenido en cuenta puesto que lo realizan mientras las manipulan en los diferentes procesos.

Figura 4. Diagrama del modelo de simulación de eventos discre-tos que escenifica los procesos de la cosecha. Fuente: Adapta-ción de (Bengala, 2018) y (Calderon & Cerdas, 2005).

El resultado promedio obtenido por entidad de piña fue de 16.9 horas y el valor máximo fue de 32.9 horas. Con el objetivo de manejar un perfil conservador en la cosecha, se utiliza el valor máximo. Es claro que no es posible trabajar continuamente 32.9 horas, luego se consideró una jornada laboral de 9.6 horas diarias, consecuentemente se requeriría 3.42 días. El factor que se usa como supuesto para compensar las condiciones bajo temperatura elevadas que son muy nocivas para la fruta, será de 5 días refrigerados por cada día a temperatura ambiente, para un total de 17,1 días. Cabe anotar que para el procesamiento anterior se utilizó como supuesto 7 resources (trabajadores) entre las diferentes labores.

0.0%10.0%20.0%30.0%40.0%50.0%60.0%70.0%

0 0,5 1 3 0 0,5 1 3 4 0,5 1 2 3 4 5 0,5 1 2 3 4 5 6

30 días 50 días 70 días 90 díasGrado de maduración

% GRADO MADURACIÓN VS DÍAS

5.3 Modelo de simulación del centro logístico

El modelo de simulación de la PGI fue basado en la literatura costarricense y se complementó con la vi-sita realizada a la planta de Bengala® presentada en (Franco, Álvarez-Martínez, & Mauricio, 2018). El proceso inicia con la carga de piñas a los bins con ca-pacidad de 1200 kg desde el furgón que proviene de unidad productiva o finca. Posteriormente, se realiza la descarga sobre lo que se conoce como piscina de inmersión, en donde además de analizar la gravedad especifica de la fruta, se realiza el lavado, desinfec-ción y la fumigación. Acto seguido, las frutas de ma-nera individual se transportan en la banda automati-zada de donde se toman aleatoriamente un numero de piñas para realizar los exámenes de laboratorio, mien-tras que el resto de la producción continua sin intro-misiones su camino hacia la preselección por forma y tamaño.

Parte de la producción se retira para el mercado na-cional por la preselección (en su mayoría por caracte-rísticas estéticas), el resto seguirá por la banda trans-portadora pasando por el encerado y en algunos casos (no todas las empacadoras la realizan) una segunda capa de fungicida. Seguidamente, se organizan las frutas en el sentido requerido para la posterior clasifi-cación automática por calibre en tres puestos de tra-bajo, donde manualmente se ubican en cajas estanda-rizadas para la exportación. Luego, se ubican las cajas nuevamente sobre la banda transportadora donde pa-ralelamente se realiza la marcación en la base y la co-rona. En este punto se culmina la etapa en la banda transportadora, puesto que se forma un pallet con una cantidad de 64 cajas (unidad estándar de comerciali-zación) y en seguida, se transporta al almacenamiento refrigerado a 7ºC. Una vez se tenga la cantidad de 21 pallets, se carga el contenedor refrigerado de 40 pies con destino al puerto.

Figura 5. Diagrama del modelo de simulación de eventos discre-tos que escenifica la plataforma de gestión integral. Fuente: Adaptación (Bengala, 2018) y (Calderon & Cerdas, 2005).

Los resultados que se obtuvieron con base en el modelo fue una producción de 17.8 toneladas en 16.43 horas de labores en dos turnos, que es lo habi-tual en una plataforma de gestión industrial. Para ob-tener estos resultados se utilizaron 15 resources (tra-bajadores) entre las diferentes labores.

5.4 Tiempos de desplazamiento entre municipios y adicionales

Puesto que la infraestructura vial colombiana es limi-tada y no presenta dualidad en las vías, se optó por obtener una matriz triangular. A través de la disposi-ción del API de google y la disponibilidad de un monto presupuestal para obtener dicha información, se logró determinar las distancias y tiempos entre cada par de municipios del mejor motor de búsqueda de información vial. Esta información se utiliza en el modelo de optimización para realizar los dos viajes logísticos requeridos: Unidad Productiva-PGI y PGI-Puerto Marítimo.

Los tiempos adicionales en los puertos y en el transporte marítimo se obtuvieron de la plataforma pública Searates®. Es significativo anotar dos impor-tantes supuestos, el primero es que el puerto de origen colombiano seleccionado es el que actualmente uti-liza Bengala®, es decir, el Puerto de Buenaventura. El segundo supuesto es el puerto destino, en cuyo caso se seleccionó a Holanda -en octavo lugar de las exportaciones nacionales- el cual presenta una ubica-ción exigente e interesante para el tiempo de trans-porte marítimo.

6 FASE 3 MODELO DE OPTIMIZACIÓN: LOCALIZACIÓN DE INSTALACIONES

6.1 Descripción El modelo matemático es resultado de una composi-ción de tres modelos clásicos de la literatura (Loca-tion, set covering y maximum flow), en donde se pre-senta el problema de la localización de los PGI como un modelo de maximización de la utilidad dados los costos de operación y los costos logísticos. El modelo propuesto usa la estructura tradicional de un modelo de localización capacitado (Medaglia, Villegas, & Rodríguez, 2007) con un cambio en la naturaleza de las variables para cuantificar la producción enviada desde los municipios hacia los centros logísticos. De igual manera se adicionan parámetros para garantizar la cobertura desde el puerto hacia las posibles ubica-ciones de las plataformas, dado la restricción de tiempo de trasferencia del cultivo. Es importante

aclarar que el modelo se basa en la localización PGIs únicamente en municipios de aptitud alta (UPRA, 2016).

A continuación, se expondrá el modelo Matemá-tico de la localización de las PGI donde se resume los conjuntos, parámetros, variables, restricciones y fun-ción objetivo.

Conjuntos 𝑀: 𝑐𝑜𝑛𝑗𝑢𝑛𝑡𝑜𝑑𝑒𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑠𝑑𝑒𝑎𝑝𝑡𝑖𝑡𝑢𝑑𝑎𝑙𝑡𝑎𝑒𝑛𝐶𝑜𝑙𝑜𝑚𝑏𝑖𝑎 Parámetros 𝑡456: 𝑡𝑖𝑒𝑚𝑝𝑜𝑚á𝑥𝑖𝑚𝑜𝑝𝑎𝑟𝑎𝑒𝑙𝑐𝑜𝑙𝑜𝑟ó𝑝𝑡𝑖𝑚𝑜𝑑𝑒𝑒𝑛𝑡𝑟𝑒𝑔𝑎 𝑡456: 𝑡<=>?<@5 + 𝑡<BC + 𝑡=<B + 𝑡<BD + 𝑡EF?GH=I<=B + 𝑡JFKF?

+ 𝑡EF?GH=IL?>HMN= 𝑡<BC: 𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑝𝑎𝑟𝑎𝑒𝑙𝑟𝑢𝑡𝑒𝑜𝑀𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑠 − 𝑃𝐺𝐼 𝑡<BD:𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑖𝑠𝑝𝑜𝑛𝑖𝑏𝑙𝑒𝑝𝑎𝑟𝑎𝑒𝑙𝑟𝑢𝑡𝑒𝑜𝑃𝐺𝐼 − 𝑃𝑢𝑒𝑟𝑡𝑜𝑠 𝑡=<B: 𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛𝑒𝑛𝑙𝑎𝑃𝐺𝐼 𝑡<=>?<@5: 𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛𝑑𝑒𝑐𝑜𝑠𝑒𝑐ℎ𝑎𝑝𝑜𝑟𝑐𝑎𝑚𝑖ó𝑛 𝑡EF?GH=I<=B: 𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑡𝑟á𝑛𝑠𝑖𝑡𝑜𝑒𝑛𝑒𝑙𝑝𝑢𝑒𝑟𝑡𝑜𝑑𝑒𝐶𝑜𝑙𝑜𝑚𝑏𝑖𝑎 𝑡JFKF?: 𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒𝑑𝑒𝑝𝑢𝑒𝑟𝑡𝑜𝑎𝑝𝑢𝑒𝑟𝑡𝑜 𝑡EF?GH=IL?>HMN=: 𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑡𝑟á𝑛𝑠𝑖𝑡𝑜𝑒𝑛𝑒𝑙𝑝𝑢𝑒𝑟𝑡𝑜𝑑𝑒𝑠𝑡𝑖𝑛𝑜

𝑏MT: U1, 𝑠𝑖𝑠𝑒𝑐𝑢𝑏𝑟𝑒𝑒𝑙𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑗𝜖𝑀𝑑𝑒𝑠𝑑𝑒𝑒𝑙𝑃𝐺𝐼𝑖𝜖𝑀

0, 𝑑. 𝑙. 𝑐.

𝑡MT: 𝑡𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒𝑒𝑛𝑡𝑟𝑒𝑒𝑙𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑖𝜖𝑀𝑎𝑙𝑗𝜖𝑀 𝑑MT: 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑖𝑎𝑑𝑒𝑡𝑟𝑎𝑛𝑠𝑝𝑜𝑟𝑡𝑒𝑒𝑛𝑡𝑟𝑒𝑒𝑙 𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑖𝜖𝑀𝑎𝑙𝑗𝜖𝑀 𝑝T: 𝑝𝑟𝑜𝑑𝑢𝑐𝑐𝑖ó𝑛𝑑𝑒𝑙𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑗𝜖𝑀𝑐𝑙C: 𝑐𝑜𝑠𝑡𝑜𝑙𝑜𝑔í𝑠𝑡𝑖𝑐𝑜𝑡𝑒𝑟𝑟𝑒𝑠𝑡𝑟𝑒𝑒𝑛𝑡𝑟𝑒𝑙𝑜𝑠𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑠𝑦𝑃𝐺𝐼𝑐𝑙D: 𝑐𝑜𝑠𝑡𝑜𝑙𝑜𝑔í𝑠𝑡𝑖𝑐𝑜𝑡𝑒𝑟𝑟𝑒𝑠𝑡𝑟𝑒𝑒𝑛𝑡𝑟𝑒𝑃𝐺𝐼𝑦𝑒𝑙𝑝𝑢𝑒𝑟𝑡𝑜 𝑐𝑎: 𝑐𝑜𝑠𝑡𝑜𝑑𝑒𝑎𝑝𝑒𝑟𝑡𝑢𝑟𝑎𝑑𝑒𝑢𝑛𝑃𝐺𝐼𝑝𝑟𝑒𝑐𝑖𝑜: 𝑝𝑟𝑒𝑐𝑖𝑜𝑑𝑒𝑙𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑝𝑚𝑛: 𝑝𝑟𝑒𝑐𝑖𝑜𝑑𝑒𝑣𝑒𝑛𝑡𝑎𝑑𝑒𝑙𝑎𝑝𝑖ñ𝑎𝑒𝑛𝑒𝑙𝑚𝑒𝑟𝑐𝑎𝑑𝑜𝑛𝑎𝑐𝑖𝑜𝑛𝑎𝑙 𝑈𝑐𝑢𝑙: 𝑢𝑡𝑖𝑙𝑖𝑑𝑎𝑑𝑑𝑒𝑙𝑐𝑢𝑙𝑡𝑖𝑣𝑎𝑑𝑜𝑟𝐶𝑐𝑢: 𝑐𝑜𝑠𝑡𝑜𝑑𝑒𝑙𝑐𝑢𝑙𝑡𝑖𝑣𝑎𝑑𝑜𝑟𝐶𝑝: 𝑐𝑜𝑠𝑡𝑜𝑜𝑝𝑒𝑟𝑎𝑐𝑖ó𝑛𝑒𝑛𝑒𝑙𝑝𝑢𝑒𝑟𝑡𝑜 Variables de Decisión 𝑥M: U

1𝑠𝑖𝑠𝑒𝑎𝑏𝑟𝑒𝑢𝑛𝑃𝐺𝐼𝑒𝑛𝑒𝑙𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑖𝜖𝑀0, 𝑑. 𝑙. 𝑐.

𝑖𝑛𝑣T: 𝑖𝑛𝑣𝑒𝑛𝑡𝑎𝑟𝑖𝑜𝑑𝑒𝑙𝑝𝑟𝑜𝑑𝑢𝑐𝑡𝑜𝑒𝑛𝑒𝑙𝑃𝐺𝐼𝑢𝑏𝑖𝑐𝑎𝑑𝑜𝑒𝑛𝑗𝜖𝑀𝑒𝑦MT:𝑓𝑙𝑢𝑗𝑜𝑒𝑛𝑡𝑟𝑒𝑒𝑙𝑚𝑢𝑛𝑖𝑐𝑖𝑝𝑖𝑜𝑗𝜖𝑀𝑎𝑙𝐶𝐷𝑖𝜖𝑀

Función Objetivo 𝑚𝑎𝑥 ∑ 𝑖𝑛𝑣T ∗ 𝑝𝑟𝑒𝑐𝑖𝑜 ∗ 0.63 +𝑖𝑛𝑣T ∗ 𝑝𝑚𝑛 ∗ (1 − 0.63)T∈i −∑ ∑ 𝑑MT ∗ 𝑐𝑙C ∗ 𝑦MTT∈iM∈i − ∑ 𝑑MjF?GH= ∗ 𝑐𝑙D ∗ 𝑥M ∗M∈i 𝑖𝑛𝑣T −∑ 𝑥T ∗ 𝑐𝑎T∈i − ∑ 𝑖𝑛𝑣T ∗ (𝑈𝑐𝑢𝑙 + 𝐶𝑐𝑢𝑙)T∈i − ∑ 𝑥M ∗ 𝐶𝑜M∈i −∑ 𝑖𝑛𝑣T ∗ (𝐶𝑝 + 𝐶𝑏)T∈i (1) Restricción de cobertura del centro logístico al puerto 𝑏T,MkjF?GH= ≥ 𝑥T, ∀𝑗 ∈ 𝑀(2) Restricción del cálculo del inventario 𝑖𝑛𝑣T = ∑ 𝑦TMM∈i , ∀𝑗 ∈ 𝑀(3) Restricción del inventario por PGI

p𝑦TMM∈i

≤ 𝑥T ∗ 17.8, ∀𝑗 ∈ 𝑀(4)

Restricción capacidad de producción ∑(𝑗 ∈ 𝑀)𝑦T 𝑖 ≤ 𝑝M, ∀𝑖 ∈ 𝑀(5) Restricción de apertura de CD p𝑥MM∈i

≤ 𝐶𝐷(6)

Restricción de cobertura de los municipios 𝑏MT ∗ 𝑀 ≥ 𝑢MT, ∀𝑖, 𝑗 ∈ 𝑀(7) Naturaleza de las variables 𝑦MT ∈ 𝑅, ∀𝑖, 𝑗 ∈ 𝑀 𝑖𝑛𝑣T ∈ 𝑅, ∀𝑗 ∈ 𝑀 𝑥T ∈ 𝐵𝑖𝑛𝑎𝑟𝑖𝑎, ∀𝑗 ∈ 𝑀 La esencia del modelo de optimización es ubicar las PGIs garantizando que el tiempo de transferencia del cultivo de piña sea suficiente para la exportación y se obtengan los mejores resultados monetarios. El seg-mento de set covering consiste en dos ecuaciones, la Ecuación 2 cumple la función de acotar el número PGI factibles debido al tiempo desde esta hasta el puerto de Buenaventura (Distribución). De igual forma la Ecuación 7 acota las PGI factibles, en este caso desde los municipios ofertantes (Abasteci-miento). Es importante aclarar que el tiempo de trans-porte de abastecimiento se ve afectado en mayor me-dida que el transporte de distribución dado que en este la fruta se encuentra sin refrigeración y se afectará te-niendo en cuenta lo expuesto en el modelo de simula-ción de cosecha.

El segmento de flujo máximo tiene la función de representar el envío del cultivo desde los municipios hasta las PGIs. Las Ecuaciones 4 y 5 restringen los flujos de tal manera que estos no sean mayores a la producción del municipio y no superen la capacidad diaria del PGI. Por último, la Ecuación 3 registra la producción que se tiene en la plataforma.

El tercer segmento del modelo se representa con la variable 𝑥T la cual decide cuales centros logísticos se deberán abrir y conecta todas las ecuaciones con la Ecuación 1.

Para la construcción de la función objetivo (Ecua-ción 1) se tienen en cuenta seis costos presentes en la exportación del cultivo y un precio de venta por tone-lada producida. El primer costo es el de ruteo de abas-tecimiento desde los municipios a las PGIs, el cual se determina por medio de la aplicación desarrollada por ministerio de transporte SICETAC (Ministerio de Transporte, 2018). La metodología desarrollada para estimar el costo promedio por kilómetro recorrido y tonelada transportada fue generar rutas entre munici-pios extremos del país y estimar la media, y

adicionalmente se agrega un porcentaje de utilidad del 50% perteneciente a los trasportadores. El se-gundo costo es el transporte desde las PGIs al puerto de Buenaventura, cuya estimación fue similar a la metodología del transporte de abastecimiento, con la diferencia que esta vez se generan rutas desde todos los municipios habilitados en la plataforma hasta el puerto.

El tercer costo es el de apertura de la PGI, el cual es estimado por Bancoldex y extrapolado al tamaño de la plataforma teniendo en cuenta la capacidad ins-talada. Este costo se estima recuperarlo en un hori-zonte de tiempo de cinco años de operación, por lo cual se estima un costo diario de apertura de $ 8.307.945 COP.

El cuarto costo esta asociado a la compra del cul-tivo a los agricultores, el cual es una estimación rea-lizada por la asociación de productores, comercializa-dores y transformadores agropecuarios, en donde valoran un gasto asociado a la operación del cultivo de la piña (Alcaraz, 2016). Adicionalmente se agrega una utilidad en el cultivo para los agricultores del 60% teniendo en cuenta la literatura.

El quinto costo esta asociado a la operación de la PGI y al igual que el costo de apertura es una estima-ción realizada en la investigación de mercado de Ban-coldex.

El modelo de optimización también contempla un precio asociado a la venta del cultivo tipo exporta-ción, este precio se toma de los precios históricos de ventas internacionales de piña de Colombia de la con-sultora de estadísticas macroeconómicas TRIDGE. La productividad utilizada en el modelo de optimiza-ción fue la que se expuso en el capitulo 4.2 Produc-ción.

El modelo tiene en cuenta que no todas las zonas de aptitud alta resultaran ser productoras del cultivo, por lo cual se realizó un acotamiento de la producción a partir de escenarios de análisis. Para el año 2016 el área cosechada en piña no resulta ser mayor al 0.01% de los municipios con aptitud alta, teniendo esto en cuenta se hace una acotación de la producción con dos escenarios. El primer escenario denominado pe-simista tiene una producción del 0.01% de la capaci-dad de los municipios con área de aptitud alta y el se-gundo escenario optimista tendrá el 1% del área total del municipio con aptitud alta.

En el modelo presentado en las Ecuaciones 1-7 se tuvieron en cuenta una serie de supuestos que se pre-sentan a continuación: • La producción de los municipios se recoge en el

centro de este, pero esto se corrige en la etapa de enrutamiento de vehículos con restricciones de

distancia máxima (DCVRP, del inglés Distance Constrained Vehicle Routing Problem), utilizando los polígonos asociados a las unidades productivas dentro del municipio.

• El tiempo disponible dado el tiempo de transferen-cia se dividió de igual manera tanto para el trans-porte de abastecimiento como para el transporte de distribución.

• Los costos fijos no son variables en el tiempo. • Las distancias son calculadas con el API de Goo-

gle®, lo cual implica que tiempos y distancias de-penden del tráfico en el momento de la petición. Para revisar cómo cambian los resultados de mo-

delo y poder analizar la robustez de este, se generaron diferentes instancias o escenarios del problema. Es importante anotar que la selección de los escenarios se baso en la importancia dentro del modelo.

6.2 Resultados

El primer escenario de análisis se denomina real, el cual presenta la producción real nacional de la Ana-nas Comosus y con base en la productividad presente en la PGI (17.8 toneladas/día) se determinó la canti-dad de plataformas que suplen dicha producción. Las PGI fueron ubicadas en los siguientes municipios: La Cumbre, Valle del Cauca; Agrado, Huila y Pital, Huila. La ubicación en estos municipios se debe a que en primera instancia son de aptitud alta, es decir bajo un análisis físico, social, ecosistémico y financieros es recomendable su apertura y en segunda instancia, estos municipios se encuentran rodeados por otros municipios cercanos con aptitud alta y con capacidad de aporte para suplir al máximo su demanda, lo que ciertamente disminuye los costos logísticos (ver Figura 6).

Figura 6. Escenario con cantidad de PGI según las exportacio-nes nacionales. El escenario de producción pesimista se planteó con la necesidad de analizar el comportamiento del mo-delo con una oferta del 0,01% de la producción po-tencial. Una de las PGI presenta gran concentración de la oferta de todos los municipios disponibles sin importar la lejanía, con tal de completar la capacidad instalada de la plataforma. De otro lado, se logra di-lucidar que las dos PGI se encuentran ubicadas lejos de los puertos, en estado de “riesgo” debido a la po-sibilidad de que en el transporte de distribución no se logre cumplir con los tiempos de transferencia, recor-dando que en el transporte sin refrigeración se pena-liza los atributos de la fruta. El segundo PGI se ubica lejos del primero para poder abarcar la oferta que queda disponible en el país. Las plataformas están ubicadas en los municipios Buenavista y Zarzal (ver Figura 7).

Figura 7. Escenario pesimista en la producción de piña El escenario de producción optimista se planteó con la necesidad de analizar el modelo con una oferta del 1% de la producción potencial que presentan los mu-nicipios con aptitud alta. Este escenario es utópico en el sentido de que gran parte del área potencial se dis-pondrá para el cultivo de la piña, lo cual evidente-mente no sucede en el campo, puesto que la incerti-dumbre en los precios de los perecederos hace que los cultivadores exploten su tierra bajo un modelo de multiproducto. Existe una alta movilización de carga de Ananas Comosus desde el norte hacia el centro del país por el exceso de producción. También se puede evidenciar que debido a que los municipios presentan elevada producción, es factible abrir un PGI cerca al puerto, sin utilizar la capacidad máxima instalada. De igual forma también es factible que los municipios se atiendan a sí mismos, de tal forma que los costos lo-gísticos sean altamente reducidos. (ver Figura 8).

Figura 8. Escenario optimista en la producción de piña.

El escenario con restricción de tiempo y producción optimista se planteó con la necesidad de analizar el modelo con una restricción fuerte sobre el tiempo de transferencia del producto Los recorridos son cortos, salvo tres que se transporta de una región con aptitud alta hacia el centro del país, cuya ubicación es estra-tégica para el transporte al puerto. Se observan gran-des concentraciones de municipios ofertantes. De igual forma, al ingresar una disminución en la cober-tura de transporte se visualizan regiones que no son factibles, dejando como fuente de exportación parte del norte colombiano por concentración de aptitud alta y el centro de Colombia por la cercanía al puerto. Las plataformas están ubicadas en 12 municipios muy cerca al puerto de Buenaventura (ver Figura 9).

Figura 9. Escenario pesimista con los tiempos logísticos y pro-ducción neutral es decir 0.1%.

El escenario de análisis de costos logísticos y pro-ducción neutral se planteó con la necesidad de anali-zar el modelo con una restricción sobre el costo que es posible mejorar mediante estrategias de enruta-miento. Los resultados en el costo logístico son di-cientes, en el sentido de que se observa grandes cam-bios en la ubicación de la PGI en el escenario optimista versus el pesimista. Se observa que la zona norte y oriente cancela la apertura de PGI puesto que se penaliza los recorridos extensos. Pese a lo anterior, hay un factor fundamental y es que las vías 4G, hacen que un segmento de la zona caribe permanezca como ubicación seductora con beneficios altos, en otras pa-labras, se ha disminuido el tiempo en dichos recorri-dos. De otro lado, puesto que existe elevada oferta de aptitud alta, el primer recorrido es corto, lo que ge-nera la existencia de ahorros logísticos que elevan el atractivo de dicha región. (ver Figura 10).

Figura 10. Escenario pesimista y optimista en el costo logístico y producción neutral.

7 PROPUESTA DE ENRUTAMIENTO DE UNIDADES PRODUCTIVAS

7.1 Clustering Tras haber determinado las ubicaciones de los Plata-formas de Gestión Industrial y los municipios con los cuales se suple la demanda, se hizo un zoom de tal manera que se pudiera hacer una aproximación a las Unidades Productivas (fincas productoras) del cultivo en las zonas que fueron destinadas para ser atendidas por los PGIs. Esto como es de esperar aumenta la complejidad del problema, puesto que pasamos de un problema con unos cientos de clientes a miles de clientes. Como se mencionó en capítulos anteriores, la metodología planteada para el GTS (Toth & Vigo, The Granular Tabu Search and Its Application to the Vehicle-Routing Problem, 2003) en primera instancia se alimenta del algoritmo de clustering.

Para reducir la cantidad de restricciones que crecen de manera combinatoria para el problema de

enrutamiento de vehículos que recolectan el fruto re-cién cosechado, se adoptó un algoritmo de Urgency Clustering. Con el clustering se busca generar una competencia de los PGIs por las unidades productivas que se encuentren en las “fronteras” (polígonos equi-distantes a mínimo dos PGI), esto con el propósito de poder generar una corrección sobre la solución obte-nida del modelo de localización, ya que este solo se hizo a escala de municipios.

El clustering por urgencias es una adaptación de la heurística de vecino más cercano, en donde se gene-ran clusters de tal manera que la distancia al PGI sea mínima teniendo en cuenta que al hacer la asignación no se supere la capacidad instalada del centro logís-tico (ver Algoritmo 1).

Procedimiento Uclustering (PGI, Polígonos, Producción Po-lígonos) 1 While (Termino) 2 Min ← Min(Distancia (CD, Poligono)) 3 If (Min<>99999) 4 If (Capacidad CD<17.8) 5 Asignar Polígono CD 6 Actualizar Capacidad 7 Else 8 Termino← True

Algoritmo 1. Clustering por urgencias

7.2 Algoritmo de busqueda tabú en espacio granular

Esta etapa presenta una aproximación heurística para obtener unas rutas de recolección de fruto recién co-sechado confiables para análisis de los costos logísti-cos. Fue seleccionado el algoritmo de Búsqueda Tabú en un espacio Granular, debido a su buen desempeño en diferentes variantes de los Problemas de Rutas de Vehículos. (Toth & Vigo, The Granular Tabu Search and Its Application to the Vehicle-Routing Problem, 2003), (Cordeau & Laporte, 2005), (Prins, Prodhon, Ruiz, Soriano, & Wolfler Calvo, 2007), (Jin, Crainic, & Løkketangen, 2012), (Escobar, Linfati, & Toth, 2013), (Bortfeldt & Homberger, 2013), (Kirchler & Calvo, 2013) y (Escobar J. W., Linfati, Toth, & Baldoquin, 2014). En especial el GTS publicado por (Bernal, Escobar, Paz, Linfati, & Gatica, 2018) será un punto de comparación justo debido a que este re-suelve la misma variante de VRP que se requiere en este estudio (DCVRP). El algoritmo presentado en este proyecto inicia su operación a través de la deter-minación de un Giant Tour usando la heurística LKH, Lin–Kernighan–Helsgaun para un problema de agente viajero (Helsgaun, 2000), sin tener en cuenta los centros de distribución. Seguidamente a partir de un modelo Set Partioning (Toth & Vigo, Vehicle Routing: Problems, Methods, and Applications, Second Edition, 2014), se asignan las PGIs a las

unidades productivas y nuevamente utilizando la heu-rística LKH se refinan las rutas que en este caso con-tienen ya el PGI.

Una vez terminado el procedimiento de inicializa-ción, se procede a aplicar la heurística de búsqueda local basado en una Búsqueda Tabú con espacio Gra-nular. En un principio se crea un espacio granular po-dando todos los arcos que estén por encima de un um-bral determinado por un factor seleccionado y los costos promedio, obteniendo un grafo incompleto. Seguidamente el algoritmo escoge la mejor solución de los siguientes operadores intra-ruta e inter-ruta: in-sertion, swap, two-opt, exchange y double swap (Toth & Vigo, The Granular Tabu Search and Its Application to the Vehicle-Routing Problem, 2003). En este punto la heurística prohíbe el último movi-miento utilizado para alcanzar este mejor vecino du-rante un cierto número de iteraciones, para evitar re-incidir en el proceso de búsqueda. Finalmente, dentro del código se agrega un método de perturbación.

Para calibrar los parámetros del GTS se utilizaron todos los parámetros recomendados en (Escobar J. W., Linfati, Toth, & Baldoquin, 2014). Es importante anotar que el código del Granular Tabú se utilizó para solucionar únicamente los transportes de abasteci-miento del escenario real, el cual se escogió en pri-mera instancia porque era retador en un espacio fac-tible y en segunda medida fue suficiente para evidenciar su utilidad.

7.3 Cortes en las rutas

Como último paso dentro de la fase de enruta-miento de abastecimiento se encuentra el corte de las rutas obtenidas por el GTS. Esta metodología se adopta como medida para reparar las rutas teniendo en cuenta la restricción de tiempo. Para generar los cortes se tiene en cuenta dos tiempos, el primero es el tiempo de recorrido de una finca A hasta una finca B, para este recorrido se estima una distancia harversine, la cual toma en cuenta la curvatura de la tierra y se asume un supuesto de una velocidad crucero de 40km/h. Esto se debe a que el ruteo de abastecimiento se hace en vías terciarias, las cuales en su gran mayo-ría no se encuentran en buen estado. El segundo es un tiempo de cargue en cada finca, este se asume de una hora (ver Algoritmo 2).

Procedimiento CortedeRutas (Rutas, Distancias, Velocidad) 1 For each Ruta in Rutas 2 If𝑇𝑖𝑒𝑚𝑝𝑜 +

zM>H5N<M5({|}|~���~�,{|}|���������)�?B=<ML5L

+

𝑇𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑐𝑎𝑟𝑔𝑢𝑒 +zM>H5N<M5({|}|���������,���)

�?B=<ML5L< 9.6

3 Nodo actual ← Nodo siguiente 4 Tiempo ruta← 𝑇𝑖𝑒𝑚𝑝𝑜 +

zM>H5N<M5({|}|~���~�,{|}|���������)�?B=<ML5L

+ 𝑇𝑖𝑒𝑚𝑝𝑜𝑑𝑒𝑐𝑎𝑟𝑔𝑢𝑒 5 Else 6 Romper ruta() 7 Nodo actual ←PGI

Algoritmo 2. Recorte de rutas por normatividad

7.4 Instancias públicas

El algoritmo propuesto fue codificado en diferentes lenguajes. La etapa 1 de inicialización o clustering se realizó en el lenguaje R, mientras que el GTS se im-plementó en C++ y la tercera etapa de cortes en las rutas se realizó en R. Estos experimentos fueron con-ducidos en un Intel Quad Core CPU (2,90 GHz) en sistema operativo macOS 10.13.16 con 16 GB de me-moria RAM. Las instancias propuestas por Christofi-des et al. (1979) se utilizaron para realizar el bench-marcking entre el GTS propuesto, el GTS probabilístico de (Bernal, Escobar, Paz, Linfati, & Gatica, 2018) y las mejores funciones objetivo.

Los resultados de las tablas de las instancias pre-sentan la siguiente notación: - Instancia: referencia de la instancia analizada. - n: número de clientes. - k: número de vehículos que salen del depot. - D: restricción de tiempo para instancias Christofi-

des o distancia para instancias Golden por ruta. - Q: capacidad de cada vehículo - BKS: costo de la mejor solución conocida para el

DCVRP - Ref. BKS: algoritmos de referencia: PISM

(Taillard, 1993), RT (Rochat and Taillard, 1995), TS (Gendreau et al., 1994), MB (Toklu et al., 2014), CGL (Cordeau et al., 1997), GTS (Toth and Vigo, 2003), PA (Groër et al., 2011), VCGLR (Vidal et al., 2012), CP (Jin et al., 2014), TK (Ta-rantilis and Kiranoudis, 2002), NB (Nagata and Bräysy, 2009), IBCP (Pecin et al., 2016), MBE (Mester and Bräysy, 2005), LGW (Li et al., 2005), MACS (Toklu et al., 2014), UPSV, ILS-SP and UHGS (Uchoa et al., 2014)

- Costo: costo de la solución que solo requiere de las primeras dos etapas o incluyendo la tercera etapa.

- Gap BKS: brecha porcentual de la solución del al-goritmo respecto a la mejor solución reportada en la literatura.

- Time: tiempo de cómputo de la solución expresada en segundos correspondiente al algoritmo.

Tabla 1. Soluciones obtenidas por el algoritmo de tres etapas de las instancias propuestas en (Christofides, Mingozzi, Toth, & Sandi, 1979).

7.5 Resultados

La propuesta para el ruteo de abastecimiento se corre en el escenario real dadas dos razones primordiales, la primera es evidenciar bajo el escenario, como se pueden llegar a reducir los costos logísticos. Esto te-niendo en cuenta que la idiosincrasia colombiana es individualista, por lo cual no se generan estrategias cooperativas que beneficie al cultivador. La segunda razón es para hacer una mejor aproximación a los tiempos y costos asociados en esta fase, ya que como se mencionó en capítulos anteriores, se cuenta con un supuesto fuerte, la producción se recoge en el cen-troide del municipio. Es por esta razón que se hace

una corrección, puesto que se hace enrutamiento a una mayor escala (unidades productivas). Cabe resal-tar que se hace un acercamiento a las fincas con los polígonos de aptitud alta asociados a los municipios que suplen la demanda del PGI.

Figura 11. Ubicación de PGI 290, unidades productivas y las rutas recomendadas.

En la Figura 11 se evidencia que la plataforma ges-

tión industrial se abre en el municipio de Dagua, ubi-cado entre los municipios de Buenaventura, Restrepo y la Cumbre. Esta resulta ser una muy buena ubica-ción dado que se encuentra cerca al puerto y las fincas que cubren este PGI se encuentran en municipios ale-daños, por lo cual es factible generar rutas en donde se cumpla con la restricción de capacidad del vehículo y la distancia de la ruta, con el fin de reducir el costo logístico asociado. Este PGI abarca la mayor parte de la producción del departamento del Valle del cauca razón por la cual es la PGI que tiene la menor cantidad de rutas y menor cantidad de kilómetros re-corridos, haciendo el PGI de Dagua el mas rentable del escenario.

Como resultado se obtiene un total de 34 rutas donde se atiende un total de 198 unidades producti-vas, con una distancia total recorrida igual a 4071 ki-lómetros en un tiempo de 101 horas. Esto representa una reducción del 21% con respecto a un escenario en donde los agricultores envían su cultivo de manera in-dividual.

8 CONCLUSIONES

Los resultados de la localización de las plataformas de gestión industrial a través de un modelo de optimi-zación presentan similitud con el desarrollo realizado por Bancoldex y su herramienta multicriterio (ver Fi-gura 12). Sin embargo, la presentación de resultados de Bancoldex es amplia, puesto que gran parte del país es apto para construir una Plataforma. De otro lado, la debilidad que presenta dicho análisis se en-cuentra en la dependencia de la subjetividad en la

calificación de diversos expertos y adicionalmente, no cuenta con una aplicación de optimización de re-cursos y evaluación del cumplimiento en la cobertura de tiempos. Asimismo, la herramienta de optimiza-ción es poderosa en el sentido de que es posible eva-luar las variables implícitas bajo diferentes escena-rios. Según los resultados del modelo de localización, es recomendable abrir las plataformas de gestión in-dustrial en los departamentos de Valle del Cauca, To-lima, Córdoba y Sucre, puesto que abarcan las dos zo-nas con mayor presencia de aptitud alta, la zona caribe y el centro y, por otra parte, presentan rutas propicias para el transporte de la fruta fresca y/o están cerca del puerto.

Figura 12. Ubicación de plataformas de gestión integral del cul-tivo de piña (UTOF, 2014). El departamento de Santander presenta la mayor pro-ducción actual en Colombia de Ananas Comosus; pese a esto, no muestra grandes áreas de aptitud alta según el estudio de UPRA, lo que penalizó su com-portamiento en los resultados de los modelos.

La ubicación de las plataformas es altamente sen-sible a los impactos inherentes al transporte y aunque no era evidentes previo al desarrollo del proyecto, también lo es al comportamiento de los costos princi-pales, es decir los del cultivador. Las PGI son conce-bidas bajo una filosofía de mejorar las prácticas y ca-lidad de los productos, de tal forma que los costos

pueden decrecer haciendo del cultivo de la piña, un negocio atractivo y más rentable.

En la actualidad es posible evidenciar la individua-lización mezquina de los procesos agrícolas en todos los niveles económicos per se y dado que las platafor-mas de gestión industrial están proyectadas para lide-rar de manera cooperativa el gremio hortofrutícola, estas pueden encabezar los cambios en las costum-bres del transporte de la materia prima justo después de su cosecha. En otras palabras, es sumamente bene-ficioso realizar transportes que agrupen producciones bajo los mismos estándares.

Las soluciones planteadas presentan fortalezas en la flexibilidad y representación del contexto actual; sin embargo presenta debilidades en los supuestos aplicados que pueden reforzarse en futuros estudios.

9 BIBLIOGRAFÍA

Alcaraz, L. (2016). Produccion y comercializacion piña gold.

Asociación Nacional de Instituciones Financieras. (2018). Competitividad exportadora de colombia 2017-2018. Bogotá: Asociación Nacional de Instituciones Financieras.

Barillas Valdes, A. F. (11 de 2011). Estudio de mercado y financiero para la exportación de piña MD2 hacia los Estados Unidos. Obtenido de https://bdigital.zamorano.edu/bitstream/11036/66/1/AGN-2011-T006.pdf

Bengala, A. (05 de Junio de 2018). Vísita técnica a instalaciones Bengala Valle del Cauca. (R. d. Andes, Entrevistador)

Bernal, J., Escobar, J. W., Paz, J. C., Linfati, R., & Gatica, G. (2018). A probabilistic granular tabu search for the distance constrained capacitated vehicle routing problem. Inderscience Enterprises Ltd.

Bortfeldt, A., & Homberger, J. (2013). Packing first, routing second—a heuristic for the vehicle routing and loading problem. Computers & Operations Research, 873-885.

Calderon, M., & Cerdas, M. d. (2005). GUIAS TECNICAS DEL MANEJO POSCOSECHA PARA EL MERCADO FRESCO. San José: Ministerio de Agricultura y Ganadería.

Centro de estudios regionales cafeteros y empresariales. (2015). Documento de análisis y mapa de factores logísticos y de comercialización. Bogotá: Centro de estudios regionales cafeteros y empresariales.

Christofides, N., Mingozzi, A., Toth, P., & Sandi, C. (1979). Combinatorial optimization. Chichester: Jhon Wisley & Sons.

Consejo Nacional de Política Económica y Social. (2006). Institucionalidad y principios rectores de política para la competitividad y productividad - Documento Conpes 3439. Bogotá: Ministerio de Comercio, Industria y Turismo.

Consejo Nacional de Política Económica y Social. (2008). Política Nacional de competitividad y productiva - Documento Conpes 3527. Bogotá: Ministerio de Comercio, Industria y Productividad.

Cordeau, J.-F., & Laporte, G. (2005). Tabu Search Heuristics for the Vehicle Routing Problem. En Metaheuristic Optimization via Memory and Evolution (págs. 145-163). Operations Research/Computer Science Interfaces Series.

Cordeau, J.-F., Gendreau, M., & Laporte, G. (1997). tabu search heuristic for periodic and multi-depot vehicle routing problems. En Networks (págs. 105-119).

DANE. (2017). Cuentas trimestrales - Producto Interno Bruto. Bogotá: DANE.

Escobar, J. W., Linfati, R., Toth, P., & Baldoquin, M. (2014). A hybrid Granular Tabu Search algorithm for the Multi-Depot Vehicle Routing Problem. Springer Science+Business Media.

Escobar, J., Linfati, R., & Toth, P. (2013). A two-phase hybrid heuristic algorithm for the capacitated location-routing problem. Computers & Operations Research, 70-79.

FAO and Agriculture Organization of the United Nations. (1976). A framework for land evaluation. Roma: Food and Agriculture Organization of the United Nations.

Food and agriculture Organization of the United nations. (29 de 04 de 2018). Obtenido de http://www.fao.org/faostat/en/#data/RFN

Franco, C., Álvarez-Martínez, D., & Mauricio. (2018). Producción de piña (MD2) de exportación en el Valle del Cauca. Bogotá: Universidad de los Andes.

Gendreau, M., Hertz, A., & Laporte, G. (1994). A tabu search heuristic for the vehicle routing. En Management Science, (págs. 1276-1290). Montreal.

Glover, F., & Kochenberger, G. (2003). Handbook of Metaheuristics. New York: Kluwer Academic Publishers.

Glover, F., & Kochenberger, G. A. (2003). Handbook of Metaheuristics. New York: Kluwer Academic Publishers.

Gomez, C. R., Rojas, J., Peñuela, A., Aristizabal, G., Chaparro, M., & Lopez, J. (2008). Caracterización de lo productos hortofrutícolas colombianos y establecimientos de las normas técnicas de calidad. Cenicafe.

Groër, C., Golden, B., & Wasil, E. (2011). A parallel algorithm for the vehicle routing problem. En INFORMS Journal on Computing (págs. 315-330).

Gómez, C., Álvarez-Martínez, D., José, V., & Saavedra, S. (2018). Cartama, el método al servicio de la calidad - visita a una productora y comercializadora internacional de aguacate Hass. Bogotá: Universidad de los Andes.

Helsgaun, K. (2000). An Effective Implementation of the Lin-Kernighan Traveling Salesman Heuristic. European Journal of Operational Research, 106-130.

ICONTEC. (2017). Frutas Frescas. Piña. Especificaciones. NTC 729-1. Bogotá: ICONTEC.

Jin, J., Crainic, T., & Løkketangen, A. (2012). A parallel multi-neighborhood cooperative tabu search for capacitated vehicle routing problems. European Journal of Operational Research, 441-451.

Jin, J., Crainic, T., & Løkketangen, A. (2014). A cooperative parallel metaheuristic for the capacitated vehicle routing problem. En Computers & Operations Research, Vol. 44 (págs. 33-41).

Kirchler, D., & Calvo, R. (2013). A Granular Tabu Search algorithm for the Dial-a-Ride Problem. Transportation Research Part B: Methodological, 120-135.

Li, F., Golden, B., & Wasil, E. (2005). Very large-scale vehicle routing: new test problems,algorithms, and results. En Computers & Operations Research (págs. 1165–1179).

LKS. (2015). Proyecto bandera plataformas de gestión integral. LKS.

LKS. (2018). Plan de Negocios de Piña. Bogota: LKS.

Medaglia, A., Villegas, J., & Rodríguez, D. (2007). Hybrid Biobjective Evolutionary Algorithms for the Design of a Hospital Waste. Bogota.

Mester, D., & Bräysy, O. (2005). Active guided evolution strategies for large-scale vehicle routing problems with time windows. En Computers & Operations Research, Vol. 32 (págs. 1593–1614).

Ministerio de Agricultura. (diciembre 2017). Anuaria estadístico del sector agropecuario. Bogotá: Gobierno Nacional.

Ministerio de Agricultura y Desarrollo Rural. (Septiembre 2018). Cadena Productiva Piña - Area, Producción Y Rendimiento. Bogotá: Ministerio de Agricultura y Desarrollo Rural.

Ministerio de Transporte. (18 de 7 de 2018). Sicetac. Obtenido de Sicetac: http://sicetac.mintransporte.gov.co:8080/sicetacWeb/#!/auth/login

Nagata, Y., & Bräysy, O. (205-215). Edge assembly-based memetic algorithm for the capacitated vehicle routing problem. En Networks, Vol. 54.

Pecin, D., Pessoa, A., Poggi, M., & Uchoa, E. (s.f.). Improved branch-cut-and-price for capacitated vehicle routing. En Mathematical Programming Computation.

Prins, C., Prodhon, C., Ruiz, A., Soriano, P., & Wolfler Calvo, R. (2007). Solving the Capacitated Location-Routing Problem by a Cooperative Lagrangean Relaxation-Granular Tabu Search Heuristic. Transportation Science, 431-541.

Programa de transformación productiva. (2013). Plan de negocios de la piña. Asohofrucol.

Rochat, Y., & Taillard, E. (1995). Probabilistic diversification and intensification in local search for vehicle routing. En J. o. Heuristics.

Sociedad de agricultura de Colombia. (2004). La infraestructura de transporte y la competitividad del sector agropecuario colombiano. Bogotá.

Taillard, E. (1993). Parallel iterative search methods for vehicle routing problems. En Networks (págs. 661-673).

Tarantilis, C., & Kiranoudis, C. (s.f.). BoneRoute: an adaptive memory-based method for effective fleet management. En Annals of operations Research, Vol. 115 (págs. 227-241).

Toklu, N., Gambardella, L., & Montemanni, R. (2014). A multiple ant colony system for a vehicle routing problem with time windows and uncertain travel times. En Journal of Traffic and Logistics Engineering, (págs. 333-346).

Toklu, N., Gambardella, L., & Montemanni, R. (2014). A multiple ant colony system for a vehicle routing problem with time windows and uncertain travel times. En Journal of Traffic and Logistics Engineering, (págs. 52-58).

Toth, P., & Vigo, D. (2003). The Granular Tabu Search and Its Application to the Vehicle-Routing Problem. INFORMS Journal on Computing, 331-429.

Toth, P., & Vigo, D. (2014). Vehicle Routing: Problems, Methods, and Applications, Second Edition. MOS-SIAM Series on Optimization.

TRADE MAP. (05 de 10 de 2018). ITC. Obtenido de https://www.trademap.org/Country_SelProduct_TS.aspx?nvpm=3|||||0804|||4|1|1|2|2|1|2|2|1

TRIDGE. (15 de 09 de 2018). TRIDGE. Obtenido de https://www.tridge.com/about-us

Uchoa, E., Pecin, D., Pessoa, A., Poggi, M., Subramanian, A., & Vidal, T. (2014). New Benchmark. Universidade Federal Fluminense.: Research Report Engenharia de Produção.

Unidad de Planificación Rural Agropecuaria (UPRA). (Julio de 2017). Datos abiertos Gobierno Nacional. Obtenido de Datos abiertos Gobierno Nacional: https://www.datos.gov.co/Agricultura-y-Desarrollo-Rural/Zonificaci-n-De-Aptitud-Para-El-Cultivo-Comercial-/auvk-8s58/about

Unidad de Planificación Rural Agropecuaria. (15 de 05 de 2018). UPRA. Obtenido de https://www.upra.gov.co/uso-y-adecuacion-de-tierras/evaluacion-de-tierras/zonificacion

Unidad de Planificación Rural y Agropecuaria UPRA. (2016). Cultivo comercial de papa - identificación de zonas aptas en Colombia, a escala 1:100.000. Bogotá: UPRA.

United Nations. (2017). Population Division. United States Department of Agriculture. (1990).

United States Standards for Grades of Canned Pineapple. United States Department of Agriculture.

UPRA. (2016). Cultivo comercial de papa - identificación de zonas aptas en Colombia, a escala 1:100.000. Bogotá: UPRA.

UTOF. (2014). Ubicación de plataformas de gestión integral para el cultivo de piña. Bogotá: Bancoldex.

UTOF. (2015). Documento de análisis y mapa de factores logísticos y de comercialización. BANCOLDEX Y UT CRECE.

Vidal, T., Crainic, T., Gendreau, M., Lahrichi, N., & Rei, W. (2012). A hybrid genetic algorithm for multidepot and periodic vehicle routing problems. En Operations Research (págs. 611-624).

Vidal, T., Crainic, T., Gendreau, M., Lahrichi, N., & Rei, W. (2012). A hybrid genetic algorithm for multidepot and periodic vehicle routing problems. En Operations Research,Vol. 60, No. 3 (págs. 611-624).

World Health Organization. (15 de 10 de 2018). Global database on the implementation of nutrition action (GINA). Obtenido de https://extranet.who.int/nutrition/gina/en/map