DOI: https://doi.org/10.56124/finibus.v6i11.0002
Análisis de las variables de un modelo de logística inversa aplicable a Pymes mediante Analityc Network Process
Peñafiel-Vera Jordy1; Burgos-Santana Alejandro 2,
Zavala-Alcívar Antonio Xavier3, Solís-Bravo Hugo 4
1Universidad
Laica Eloy Alfaro de Manabí – Facultad de Ingeniería, Industria y Arquitectura
Correo:
e1313511873@live.uleam.edu.ec
2Universidad
Laica Eloy Alfaro de Manabí – Facultad de Ingeniería, Industria y Arquitectura.
Correo:
e1350980783@live.uleam.edu.ec
de Máquinas. Manta – Ecuador.
3Universidad
Laica Eloy Alfaro de Manabí – Facultad de Ingeniería, Industria y Arquitectura.
Docente.
Correo:
antonio.zavala@uleam.edu.ec
4Universidad
Laica Eloy Alfaro de Manabí – Facultad de Ciencias Administrativas, Contables y
Comercio. Docente.
Correo:
hugo.solis@uleam.edu.ec
RESUMEN
El
elevado y rápido crecimiento poblacional aumenta el consumo de productos,
ocasionando la generación de residuos, malestares ambientales y preocupación
social por sus impactos negativos. Esta problemática lleva a la industrias a la
búsqueda de soluciones, siendo la logística inversa una de las que más ha
llamado la atención en los últimos años. Esta investigación, partiendo de un
estudio de la bibliografía existente, analiza las variables necesarias para la
implementación de un programa de logística inversa en Pymes, basado un modelo
Analytic Network Process (ANP) como método de toma de decisión multicriterio
(MCDM) y uso del softwatre “Super Decisions V3.2”. Los resultados mostraron la
deficiencia aún en el manejo de la logística inversa por parte de las Pymes,
siendo la mejor alternativa la contratación de una empresa especializada en
este tipo de servicios.
Palabras clave: logística inversa, sostenibilidad, MCDM, ANP, Pymes.
ABSTRACT
"The high and rapid population growth increases product
consumption, leading to waste generation, environmental discomfort, and social
concern due to their negative impacts. This issue prompts industries to seek
solutions, with reverse logistics being one of the most prominent in recent
years. This research, based on a study of existing literature, analyzes the
variables necessary for implementing a reverse logistics program in SMEs, using
an Analytic Network Process (ANP) model as a multicriteria decision-making
(MCDM) method and the 'Super Decisions V3.2' software. The results showed a
deficiency in reverse logistics management by SMEs, with the best alternative being
the hiring of a specialized company in this type of services."
Keywords: reverse logistics, sustainability, MCDM, ANP, SMEs
Recibido: 23/03/2023
- Revisado: 20/05/2023 - Aceptado: 05/06/2023
1. INTRODUCCIÓN
El elevado y rápido crecimiento
poblacional ha dejado como consecuencia el aumento de consumo de productos, lo
que a su vez ocasiona la generación de residuos (Valderrama
Ocoró et al., 2018). Este aumento de residuos causa malestares
ambientales y preocupación social, lo que ha llevado a muchas industrias, como
parte de su responsabiliad social a la búsqueda de soluciones, siendo la
logística inversa una de las que más ha llamado la atención en los últimos años
(Kaynak, Koçoğlu
and Akgün, 2014).
Mallick et al. (2023) describen a la logística inversa como una
práctica mediante la cual las organizaciones recuperan productos de los
consumidores finales con el fin de reducir el efecto ecológico adverso y
obtener beneficios potenciales de la reutilización y el reciclaje de un
producto completo o sus partes. La aplicación de la logística inversa busca mejorar
el manejo de los distintos flujos de información, productos y subproductos, con
el fin de sacar su mayor provecho al poder reducir costos, mejorar la relación
entre cliente y proveedor, cumplir con la legislación y disminuir el impacto
ambiental (Ding, Wang and
Chan, 2023). La logística inversa busca la recuperación de
aquellos materiales que ya no cumplan la función de satisfacer al usuario y así
lograr generar ingresos mediante su venta o reutilización, contribuyendo a los
criterios de sostenibilidad y resiliencia de la cadena de suministro (Zavala-Alcívar,
Verdecho and Alfaro-Saíz, 2020).
La presente investigación busca
determinar, mediante una revisión bibliográfica de la literatura, las variables
más utilizadas entre distintos autores para la aplicación de un modelo de
logística inversa, que junto a la construcción de un modelado de análisis de
decisión de multicriterio (MCDM), ayudará a la toma de decisión frente a las
distintas alternativas a considerar al momento de implementar logística inversa
en las industrias. Para la resolución de la problemática se optó por el modelo
multicriterio Analityc Network Process (ANP). El uso del ANP como técnica de
toma de decisiones multicriterio permite analizar las dependencias internas y
externas de las variables y, su influencia en las alternativas a elegir (Cortés Pellicer
and Alarcón Valero, 2018).
La investigación está estructurada
de la siguiente forma. Un apartado que describe la metodología. Otro apartado
con la aplicación del método y aplicación en una Pymes. Y finalmente las
conclusiones a lo que llega la investigación.
2. METODOLOGÍA
Una revisión sistemática de la
literatura (RSL) es una metodología robusta para analizar investigaciones
académicas, y servir como partida de otras técnicas matemáticas aplicables.
Esta investigación combina RSL con Proceso Analítico Jerárquico (ANP) para determinar
las variables más utilizadas que permita aplicar un modelo de logística en
Pymes. La proceso desarrollado es el siguiente:
· Revisión Inicial de la Literatura (RSL): mediante una búsqueda en Scopus y Web
of Science se identificaron las principales investigaciones que relacionan
las variables analizadas. Se obtuvieron 35 documentos dentro de esta búsqueda.
·
Criterios
de inclusión y revisión: a la
base de investigaciones se le aplicó los siguientes criterios: desde el 2005 al
2022, revista de revisión por pares, idioma inglés, aplicación de alguna
metodología matemática que relaciona criterios /variables sobre logística
inversa. Este proceso permitió escoger 11 documentos finales para esta
investigación. La tabla 1 muestra estas investigaciones.
Tabla 1. Principales
investigaciones sobre ANP y Logística Inversa (Scopus – Web of Science
2005-2022).
|
Autores |
Titulo |
Objetivo |
|
(Ravi, Shankar and Tiwari, 2005) |
Analyzing alternatives in
reverse logistics for end-of-life computers: ANP and balanced scorecard
approach |
Realizar procesos de logística
inversa de equipos EOL para el proceso de negocio crítico definido como
'realizar operaciones'. |
|
(Ravi, Shankar and Tiwari, 2005) |
Analyzing alternatives in
reverse logistics for end-of-life computers: ANP and balanced scorecard
approach. |
Ofrecer una visión holística de los
diversos criterios que afectan la logística inversa |
|
(Barker and Zabinsky, 2011) |
A multicriteria decision
making model for reverse logistics using analytical hierarchy process |
Presentar un modelo de decisión
multicriterio utilizando la metodología AHP que establecer preferencias
generales entre ocho redes alternativas configuraciones. |
|
(Senthil, Srirangacharyulu and Ramesh, 2012) |
A decision-making
methodology for the selection of reverse logistics operating channels |
Proponer la similitud con la solución
ideal (TOPSIS) en un entorno difuso para la selección y evaluación de canales
operativos de logística inversa. |
|
(Kaynak, Koçoğlu and Akgün, 2014) |
The Role of Reverse
Logistics in the Concept of Logistics Centers |
Abordar el vacío de literatura |
|
(Guimarães and Salomon, 2015) |
ANP applied to the evaluation of performance indicators of |
Presentar una evaluación del orden de
prioridad de los indicadores de logística inversa en una pequeña empresa del
clúster de calzado en la región de Cariri en el estado de Ceara, Brasil. |
|
(Rezaei, 2015) |
A systematic review of multi-criteria decision-making applications in
reverse logistics |
Analizar cuáles son los temas más
buscados sobre logística inversa y los modelos multicriterio más utilizados. |
|
(Cortés Pellicer and Alarcón Valero, 2018) |
Identification of Reverse Logistics Decision Types from mathematical
Models |
Analizar los modelos matemáticos
diseñados como herramientas de ayuda a la toma de decisiones en el ámbito de
la RL. |
|
(Li et al., 2018) |
Third-party Reverse Logistics Provider Selection Approach Based on
Hybrid-Information MCDM and Cumulative Prospect Theory |
Ofrecer información a los gerentes
para la subcontratación 3PRLP. |
|
(Zarbakhshnia et
al., 2020) |
A novel hybrid multiple attribute decision-making approach for
outsourcing sustainable reverse logistics |
Proponer un modelo de decisión
multicriterio utilizando la metodología AHP que establecer preferencias
generales entre ocho redes alternativas configuraciones. |
|
(Song et al.,
2022) |
Selection of Third-Party Reverse
Logistics Service Provider Based on Intuitionistic Fuzzy Multi-Criteria
Decision Making |
Proponer la selección científica de
un proveedor externo de servicios de logística inversa (3PRLP). |
·
Taxonomía
de criterios sobre logística inversa: con los documentos finales, se enlistado los princiaples criterios
analizados por la literatura científica. Se establecieron 9 criterios/elmentos
organizados en 4 clústeres. La tabla 2 enlista estos criterios.
Tabla 2. Clúster y
criterios/elementos de decisión para el modelo.
|
Clúster |
Elemento de decisión |
Descripción |
|
Factor económico |
Inversión |
Al
ser las pymes negocios en pleno desarrollo, siempre el factor económico
influirá para realizar algún tipo de inversión en infraestructura y
maquinaria, mucho más si no se tiene el suficiente conocimiento si este será
rentable o no. |
|
Costo de
operación |
Las
pymes toman en cuenta que para el proceso de recolección, transporte y
procesamiento conlleva un elevado gasto para el cual debe contar los recursos
necesarios para mantener la operatividad de este programa de logística
inversa |
|
|
Rentabilidad |
Una
de las principales razones que buscaran las pymes es la rentabilidad que la
aplicación de este programa de logística inversa puede ofrecerle. |
|
|
Riesgo |
Como
toda inversión tiene su riesgo, invertir en un programa de logística inversa
no es la excepción, es por esto la importancia de escoger adecuadamente los
criterios que influyen en las decisiones a tomar y el buen asesoramiento de
profesionales para que dicho riesgo se disminuya, debido a que es imposible
eliminarlo. |
|
|
Factor ambiental |
Impacto
ambiental |
La
recuperación de los estos productos considerados muchas veces como basura
pueden disminuir la contaminación ambiental disminuir la explotación de los
recursos no renovables que se usan como materia prima para la elaboración de
los mismos |
|
Factor social |
Responsabilidad
social |
Servir
como ejemplo puede ser beneficioso para las personas que ven como buen
ejemplo este tipo de propuestas, volviéndose participes de la misma,
aportando con la clasificación de residuos, reciclaje, reutilización de
residuos PET los cuales suelen ser parte del día a día de las personas. |
|
Imagen
empresarial |
Mostrar
preocupación y responsabilidad con el medio ambiente genera una buena imagen
ante los clientes y proveedores, mejorando así su relación y generando más confianza. |
|
|
Creación de
empleo |
Al
invertir en un programa de logística inversa, se genera mayor oportunidad de
empleo, por lo que brinda una mejor calidad de vida para muchas personas. |
|
|
Factor legal |
Normativa
ambiental/manejo de recursos |
Cumplir
con las normativas y leyes ambientales es de suma importancia, ya que estas
son obligaciones que tienen las empresas, sobre todo lo relacionado al ámbito
ambiental. |
·
Selección
de grupo de expertos: se
seleccionó a 6 personas propietarias de Pymes de la ciudad de Manta en Ecuador,
interesados en la implementación de un modelo de logística inversa. Adicional,
se estableción un grupo de 3 profesionales académicos con experiencia en el
área de logística.
·
Determinación
de alternativas: el grupo de experto planteó las siguiente
alternativas:
o
Realizar
50% del programa de logística inversa mediante outsourcing y 50% propio. Esta
alternativa permite que la Pyme tenga la opción de subcontratar la mitad del
programa de logística inversa y hacerse cargo del resto.
o
Realizar
en su totalidad el programa de logística inversa mediante outsourcing. Con esta
alternativa las pymes pagarían el total del programa de logística inversa a
otra empresa dedicada a esta actividad, evitando la inversión en
infraestructura, personal y costos de operación.
o
Hacerse
cargo totalmente de su programa de logística inversa: Con esta alternativa las
pymes se comprometerían a hacerse cargo totalmente en todos los ámbitos del programa
de logística inversa.
Se estableció un clúster destinado
solo para las alternativas a elegir de acuerdo con los criterios establecidos,
donde se podrá optar de acuerdo con los criterios de mayor prioridad.
· Aplicación de la encuesta al grupo de expertos: se aplicaron encuestas, que constan de un
valor en el rango de 1 a 9, siendo 9 una preferencia extrema de un criterio
sobre otro y 1 es una preferencia igual. La tabla 3 muestra los valores
lingusticos de preferencia.
Tabla 3. Criterios de preferncia en la encuesta.
|
Valor |
Preferencia |
|
1 |
Igual de importancia |
|
3 |
Importancia moderada |
|
5 |
Importancia grande |
|
7 |
Importancia muy grande |
|
9 |
Importancia extrema |
|
2,4,6 y 8 |
Valores intermedios entre los anteriores |
La figura 1 muestra la relación de
la encuesta aplicada con el software Super Decisions V3.2 aplicado.
Figura 1. Cuestionario en el Software “Super Decisions V3.2”
· Procesamiento de la información: los datos numéricos recolectados mediante
encuestas fueron procesados y analizados mediante el software “Super decisions
V3.2”, software de toma de decisiones basado en el proceso de red analítica
(ANP). En toma de decisiones se busca establecer prioridades para tomar la
mejor decisión. Para esto una vez insertada las variables y alternativas al
programa, este brindará encuestas para priorizar una variable sobre otra. Esto
permit realizará un análisis general de la influencia existente entre variables
para escoger una alternativa como la más viable.
Para facilitar el entendimiento de
los elementos de decisión al ser ingresados en el software “Super Decisions
V3.2” se optó por abreviar los distintos términos. La siguiente tabla los
describe.
Tabla 4. Abreviatura de los elementos de decisión.
|
Elemento de decisión |
Abreviación |
|
Elemento de decisión |
Abreviación |
|
Alternativa
1 (outsourcing 50%) |
A1 |
|
Factor
ambiental |
FA |
|
Alternativa
2 (outsourcing 100%) |
A2 |
|
Impacto
ambiental |
IA |
|
Alternativa
3 (Programa propio) |
A3 |
|
Factor
social |
FS |
|
Factor
económico |
FE |
|
Responsabilidad
social |
RS |
|
Inversión |
IV |
|
Imagen
empresarial |
IE |
|
Costo
de operación |
CO |
|
Creación
de empleo |
CE |
|
Rentabilidad |
RT |
|
Factor
legal |
FL |
|
Riesgo
|
RI |
|
Normativa
ambiental |
NA |
Una vez planteados los elementos de
decisión, se deberá determinar la existencia de dependencia internas y externas
entre elementos de decisión y clúster, esto se lo realizo mediante la
comparación de la información bibliográfica utilizada. Esto se lo realizó de forma
gráfica mediante el software “Super decisions V3.2”.
Figura 2. Modelado ANP. Software “Super
Decisions V3.2”
3. RESULTADOS
3.1 Súper matriz original
Se realizaron las comparaciones
mediante el cuestionario ofrecido por el software, con un ratio de consistencia
entre ellas menor a 0.1, y así lograr extraer la súper matriz original
(Unweighted Supermatrix) que observamos en la tabla.
Tabla 5. Súper matriz original.
Software “Super Decisions V3.2”
|
|
A1 |
A2 |
A3 |
IA |
CO |
IV |
RI |
RT |
NA |
CE |
IE |
RS |
|
A1 |
0.00000 |
0.90000 |
0.10000 |
0.33333 |
0.19907 |
0.23704 |
0.19907 |
0.22905 |
0.33333 |
0.22273 |
0.21717 |
0.33333 |
|
A2 |
0.90000 |
0.00000 |
0.90000 |
0.33333 |
0.73338 |
0.69861 |
0.73338 |
0.07543 |
0.33333 |
0.07015 |
0.06577 |
0.33333 |
|
A3 |
0.10000 |
0.10000 |
0.00000 |
0.33333 |
0.06754 |
0.06434 |
0.06754 |
0.69552 |
0.33333 |
0.70712 |
0.71706 |
0.33333 |
|
IA |
1.00000 |
1.00000 |
1.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
1.00000 |
0.00000 |
0.00000 |
0.00000 |
|
CO |
0.11111 |
0.03924 |
0.17602 |
0.00000 |
0.00000 |
0.14286 |
0.11111 |
0.10000 |
0.00000 |
1.00000 |
0.00000 |
0.00000 |
|
IV |
0.22222 |
0.25952 |
0.24545 |
0.00000 |
0.30769 |
0.00000 |
0.44444 |
0.30000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
RI |
0.22222 |
0.25952 |
0.28098 |
0.00000 |
0.15385 |
0.42857 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
RT |
0.44444 |
0.44173 |
0.29755 |
0.00000 |
0.30769 |
0.42857 |
0.44444 |
0.60000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
NA |
1.00000 |
1.00000 |
1.00000 |
1.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
CE |
0.63371 |
0.12601 |
0.70097 |
0.00000 |
1.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
IE |
0.17437 |
0.41606 |
0.10615 |
0.50000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.20000 |
0.00000 |
0.00000 |
1.00000 |
|
RS |
0.19192 |
0.45793 |
0.19288 |
0.50000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.80000 |
0.00000 |
0.00000 |
0.00000 |
3.2 3 Súper matriz ponderada
El software automáticamente nos
arroja el valor se la super matriz. Una matriz estocástica en la que la que la
suma de cada una de sus columnas debe ser igual a 1. La tabla 6 muestra los
valores.
Tabla 6. Súper matriz
ponderada. Software “Super Decisions V3.2”
|
|
A1 |
A2 |
A3 |
IA |
CO |
IV |
RI |
RT |
NA |
CE |
IE |
RS |
|
A1 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
0.07601 |
|
A2 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
0.10083 |
|
A3 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
0.09077 |
|
IA |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
0.08882 |
|
CO |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
0.05973 |
|
IV |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
0.13431 |
|
RI |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
0.08226 |
|
RT |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
0.25893 |
|
NA |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
0.06249 |
|
CE |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
0.01321 |
|
IE |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
0.01846 |
|
RS |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
0.01419 |
3.3 Súper matriz limite
Otra matriz que nos brinda el
software es la matriz íimite. Esta matriz es la multiplicación de la matriz
ponderada innumerables veces hasta que los valores de toda la columna sean
iguales. Esta aporta una visión global de la importancia individual de cada
elemento de la red (Tabla 7).
Tabla 7. Súper matriz
limite. Software “Super Decisions V3.2”
|
A1 |
A2 |
A3 |
IA |
CO |
IV |
RI |
RT |
NA |
CE |
IE |
RS |
|
|
A1 |
0.00000 |
0.15592 |
0.01733 |
0.20000 |
0.04349 |
0.04741 |
0.03981 |
0.04581 |
0.14815 |
0.14367 |
0.21717 |
0.11832 |
|
A2 |
0.15592 |
0.00000 |
0.15592 |
0.20000 |
0.16023 |
0.13972 |
0.14668 |
0.01509 |
0.14815 |
0.04525 |
0.06577 |
0.11832 |
|
A3 |
0.01733 |
0.01733 |
0.00000 |
0.20000 |
0.01476 |
0.01287 |
0.01351 |
0.13911 |
0.14815 |
0.45611 |
0.71706 |
0.11832 |
|
IA |
0.22814 |
0.22814 |
0.22814 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.44444 |
0.00000 |
0.00000 |
0.00000 |
|
CO |
0.04567 |
0.01613 |
0.07235 |
0.00000 |
0.00000 |
0.11429 |
0.08889 |
0.08000 |
0.00000 |
0.35497 |
0.00000 |
0.00000 |
|
IV |
0.09134 |
0.10666 |
0.10088 |
0.00000 |
0.26891 |
0.00000 |
0.35556 |
0.24000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
RI |
0.09134 |
0.10666 |
0.11549 |
0.00000 |
0.13445 |
0.34286 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
RT |
0.18267 |
0.18155 |
0.12229 |
0.00000 |
0.26891 |
0.34286 |
0.35556 |
0.48000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
NA |
0.13395 |
0.13395 |
0.13395 |
0.30000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
CE |
0.03400 |
0.00676 |
0.03761 |
0.00000 |
0.10924 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
|
IE |
0.00936 |
0.02232 |
0.00570 |
0.05000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.02222 |
0.00000 |
0.00000 |
0.64503 |
|
RS |
0.01030 |
0.02457 |
0.01035 |
0.05000 |
0.00000 |
0.00000 |
0.00000 |
0.00000 |
0.08889 |
0.00000 |
0.00000 |
0.00000 |
3.4 Prioridades
En la columna Normalized by
cluster está representada por cada elemento perteneciente a un mismo
clúster y que la suma de todos los valores pertenecientes a un clúster debe
sumar 1. Mientras que la columna limiting es más global y se refiere a
los pesos de todos elementos en función al problema de decisión y el cual debe
dar un valor total de1, incluyendo los de las alternativas.
Se puede observar que la
rentabilidad es la variable con mayor ponderación de todos los elementos
(Figura 3).
Figura 3. Normalized by Cluster and Limiting. Software “Super Decisions V3.2”
3.5 Escenario
En la figura 4a. se puede observar
que, si la rentabilidad fuera la variable con mayor peso, la alternativa 3
sería la de mayor conveniencia. Sin embargo, si el peso de esta variable
disminuye a la mitad, se puede observar en la figura 5b. Como la alternativa 2
toma una ligera ventaja.
Figura 4a. Mejor alternativa con RT
100%. Figura 4b. Mejor
alternativa con RT 50%
3.6. Análisis General
El reporte que nos brinda el
programa, una vez ejecutadas las comparaciones pareadas, refleja que la mejor
alternativa para que las Pymes puedan aplicar un programa de logística inversa
es la alternativa 2 con un 37.67%, la cual consiste en tercerizar el 100% de su
programa logístico inverso, permitiendo así el ahorro en costos de operación,
disminuyendo la inversión y el riesgo.
También se tiene la alternativa 1
en la cual consiste en hacerse cargo totalmente del programa de logística
inversa con el 33.92%, siento rentable a largo plazo, permitiendo la creación
de empleo, mejorando la imagen empresarial y cumpliendo con la normativa
ambiental y el cuidado del medio ambiente.
Finalmente se tiene la alternativa
1 que consiste en tercerizar el 50% del programa de logística inversa y el otro
50% propio, la posible razón por la que esta es la menos atractiva es que para
llevarse a cabo, debe realizarse inversión y costos de operación, dejando una
menor rentabilidad a largo plazo con uno elevado riesgo. A continuación, se
muestra de forma gráfica los rankings de alternativas brindado por el Software
Super Decisions V3.2 (Figura 5).
Figura 5. Rankings
de alternativas. Software “Super Decisiones V3.2”
4. CONCLUSIONES
Los resultados mostraron una falta
de eficiencia en la gestión de la logística inversa por parte de las pequeñas y
medianas empresas (Pymes). Esto sugiere que muchas de estas empresas no están
aprovechando al máximo las oportunidades que ofrece la logística inversa en
términos de reducción de costos, mejora de la imagen empresarial y cumplimiento
de normativas ambientales. De la revisión sistemática de la literatura se
enlistaron 9 criterios/elementos principales a evaluar para la implementación
de logística inversa en las Pymes: inversión, costo de operación, rentabilidad,
riesgo, impacto ambiental, responsabilidad social, imagen empresarial, creación
de empleo y normativa ambiental/manejo de recursos. Estos elmentos fueron
agrupados en 4 clúster para su análisis.
Considerando las ponderaciones
comparativas del grupo de experto, se establecieron tres alternativas, siendo
la tercerización completa del sistema de logística inversa, la más viable. Esto
se fundamenta en el ahorro en costos de operación, la reducción de la inversión
inicial y el riesgo asociado, lo cual puede resultar especialmente atractivo
para empresas con recursos limitados.Se debe recalcar que la implementación de
un programa de logística inversa no garantiza el éxito de este, sobre todo si
consideramos que quienes las aplicaran son Pymes que cuentan con muy poca
experiencia y con bajo capital.
REFERENCIAS
Barker, T. J. and Zabinsky, Z.
B. (2011) ‘A multicriteria decision making model for reverse logistics using
analytical hierarchy process’, Omega, 39(5), pp. 558–573. doi:
10.1016/j.omega.2010.12.002.
Cortés Pellicer, P. and
Alarcón Valero, F. (2018) ‘Identification of reverse logistics decision types
from mathematical models’, Journal of Industrial Engineering and Management,
11(2), p. 239. doi: 10.3926/jiem.2530.
Ding, L., Wang, T. and Chan,
P. W. (2023) ‘Forward and reverse logistics for circular economy in
construction: A systematic literature review’, Journal of Cleaner Production,
388, p. 135981. doi: 10.1016/j.jclepro.2023.135981.
Guimarães, J. L. da S. and
Salomon, V. A. P. (2015) ‘ANP Applied to the Evaluation of Performance
Indicators of Reverse Logistics in Footwear Industry’, Procedia Computer
Science, 55, pp. 139–148. doi: 10.1016/j.procs.2015.07.021.
Kaynak, R., Koçoğlu, İ. and
Akgün, A. E. (2014) ‘The Role of Reverse Logistics in the Concept of Logistics
Centers’, Procedia - Social and Behavioral Sciences, 109, pp. 438–442.
doi: 10.1016/j.sbspro.2013.12.487.
Li, Y.-L. et al. (2018)
‘Third-party reverse logistics provider selection approach based on
hybrid-information MCDM and cumulative prospect theory’, Journal of Cleaner
Production, 195, pp. 573–584. doi: 10.1016/j.jclepro.2018.05.213.
Mallick, P. K. et al.
(2023) ‘Closing the loop: Establishing reverse logistics for a circular
economy, a systematic review’, Journal of Environmental Management, 328,
p. 117017. doi: 10.1016/j.jenvman.2022.117017.
Ravi, V., Shankar, R. and
Tiwari, M. K. (2005) ‘Analyzing alternatives in reverse logistics for
end-of-life computers: ANP and balanced scorecard approach’, Computers &
Industrial Engineering, 48(2), pp. 327–356. doi: 10.1016/j.cie.2005.01.017.
Rezaei, J. (2015) ‘A
Systematic Review of Multi-criteria Decision-making Applications in Reverse
Logistics’, Transportation Research Procedia, 10, pp. 766–776. doi:
10.1016/j.trpro.2015.09.030.
Senthil, S., Srirangacharyulu,
B. and Ramesh, A. (2012) ‘A Decision Making Methodology for the Selection of
Reverse Logistics Operating Channels’, Procedia Engineering, 38, pp.
418–428. doi: 10.1016/j.proeng.2012.06.052.
Song, J. et al. (2022)
‘Selection of Third-Party Reverse Logistics Service Provider Based on
Intuitionistic Fuzzy Multi-Criteria Decision Making’, Systems, 10(5), p.
188. doi: 10.3390/systems10050188.
Valderrama Ocoró, M. F. et
al. (2018) ‘Estudio dinámico del reciclaje de envases pet en el Valle del
Cauca’, REVISTA LASALLISTA DE INVESTIGACIÓN, 15(1), pp. 67–74. doi:
10.22507/rli.v15n1a6.
Zarbakhshnia, N. et al.
(2020) ‘A novel hybrid multiple attribute decision-making approach for
outsourcing sustainable reverse logistics’, Journal of Cleaner Production,
242, p. 118461. doi: 10.1016/j.jclepro.2019.118461.
Zavala-Alcívar, A., Verdecho,
M.-J. and Alfaro-Saíz, J.-J. (2020) ‘A Conceptual Framework to Manage
Resilience and Increase Sustainability in the Supply Chain’, Sustainability,
12(16), p. 6300. doi: 10.3390/su12166300.