Modelado de Sistemas Dinámicos para la Disrupción en la Cadena de Suministro y Su Detección Usando una Arquitectura Basada en Aprendizaje Profundo Impulsada por Datos
Autores: de la Cruz Madrigal, Víctor Hugo; Avelar Sosa, Liliana; Mejía-Muñoz, Jose-Manuel; García Alcaraz, Jorge Luis; Jiménez Macías, Emilio
Idioma: Inglés
Editor: MDPI
Año: 2025
Acceso abierto
Artículo científico
Categoría
Gestión y administración
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 34
Citaciones: Sin citaciones
La COVID-19 fue un factor determinante en la interrupción de las cadenas de suministro en la industria automotriz, exacerbando la escasez de materiales. Esto llevó a un aumento en las cancelaciones de pedidos por parte de los proveedores, tiempos de entrega más largos y niveles de inventario de seguridad reducidos. Este estudio analiza y modela las interrupciones en la cadena de suministro utilizando la dinámica de sistemas como herramienta clave, centrándose en las interrupciones causadas por retrasos en los pedidos programados y su impacto en los niveles de servicio dentro de las cadenas de suministro automotriz en México. Este enfoque nos permitió capturar las relaciones dinámicas y los efectos en cascada asociados con la reducción de inventario en los proveedores de Nivel 2, destacando cómo estos retrasos afectan el rendimiento general de la cadena. Además de modelar utilizando dinámica de sistemas, se propuso una red basada en aprendizaje profundo para detectar interrupciones utilizando los datos generados por el modelo dinámico. La arquitectura de la red integra capas convolucionales para la extracción de características y capas densas para la clasificación, mejorando así su capacidad para identificar patrones relacionados con interrupciones. El rendimiento del modelo propuesto se evaluó utilizando la métrica AUC y se comparó con métodos alternativos. La red propuesta logró un AUC de 0.87, superando al modelo de perceptrón multicapa (AUC = 0.76) y a un modelo basado en Neyman-Pearson (AUC = 0.63). Estos resultados confirman la superior capacidad discriminativa de nuestro enfoque, demostrando mayor precisión y fiabilidad en la detección de interrupciones. Además, los modelos dinámicos revelan que el efecto dominó aumenta los retrasos en la recepción de pedidos debido a la reducción en los inventarios de materias primas en los proveedores de Nivel 2. Este artículo evalúa eficazmente el impacto de las interrupciones al demostrar cómo los niveles de servicio reducidos se propagan a través de la cadena de suministro.
Descripción
La COVID-19 fue un factor determinante en la interrupción de las cadenas de suministro en la industria automotriz, exacerbando la escasez de materiales. Esto llevó a un aumento en las cancelaciones de pedidos por parte de los proveedores, tiempos de entrega más largos y niveles de inventario de seguridad reducidos. Este estudio analiza y modela las interrupciones en la cadena de suministro utilizando la dinámica de sistemas como herramienta clave, centrándose en las interrupciones causadas por retrasos en los pedidos programados y su impacto en los niveles de servicio dentro de las cadenas de suministro automotriz en México. Este enfoque nos permitió capturar las relaciones dinámicas y los efectos en cascada asociados con la reducción de inventario en los proveedores de Nivel 2, destacando cómo estos retrasos afectan el rendimiento general de la cadena. Además de modelar utilizando dinámica de sistemas, se propuso una red basada en aprendizaje profundo para detectar interrupciones utilizando los datos generados por el modelo dinámico. La arquitectura de la red integra capas convolucionales para la extracción de características y capas densas para la clasificación, mejorando así su capacidad para identificar patrones relacionados con interrupciones. El rendimiento del modelo propuesto se evaluó utilizando la métrica AUC y se comparó con métodos alternativos. La red propuesta logró un AUC de 0.87, superando al modelo de perceptrón multicapa (AUC = 0.76) y a un modelo basado en Neyman-Pearson (AUC = 0.63). Estos resultados confirman la superior capacidad discriminativa de nuestro enfoque, demostrando mayor precisión y fiabilidad en la detección de interrupciones. Además, los modelos dinámicos revelan que el efecto dominó aumenta los retrasos en la recepción de pedidos debido a la reducción en los inventarios de materias primas en los proveedores de Nivel 2. Este artículo evalúa eficazmente el impacto de las interrupciones al demostrar cómo los niveles de servicio reducidos se propagan a través de la cadena de suministro.