Resumen

El mercado mundial de piezas de automoción se caracteriza por la fuerte presencia de proveedores globales, que se ven continuamente presionados para reducir costes y aumentar la productividad y la competitividad. En este contexto, este artículo describe un nuevo modelo FGPDEA que combina el Análisis Envolvente de Datos (DEA) y la Programación de Metas Difusa, con el objetivo de aumentar la discriminación entre las Unidades de Toma de Decisiones (DMU) en un entorno bajo incertidumbre. Se realizó una aplicación real del modelo FGPDEA para evaluar la eficiencia de siete mini-fábricas (DMUs) del segmento de autopartes. Los resultados obtenidos en este problema real fueron adherentes a la realidad estudiada, identificando confiablemente cuáles minifábricas eran eficientes y cuáles eran más sensibles al efecto de la incertidumbre.

1. INTRODUCCIÓN

El segmento de las autopartes se enfrenta a grandes retos, ya que los fabricantes de automóviles deben esforzarse continuamente por cumplir normas de calidad cada vez más exigentes y, al mismo tiempo, mantener precios competitivos. Según Cook y Seiford (2009), los procedimientos para medir la eficiencia son un tema de interés para las organizaciones de producción. En este escenario, las técnicas de Investigación Operativa (IO), como el Análisis Envolvente de Datos (DEA) propuesto por Charnes, Cooper y Rhodes (1978), pueden ayudar a evaluar la eficiencia de las iniciativas de las empresas para destacar en el mercado.

Entre otras características, el DEA permite comparar entidades similares, denominadas Unidades de Toma de Decisiones (DMU), que disponen de los mismos recursos (inputs) y ofrecen productos similares (outputs), en términos de su eficiencia. Con los modelos DEA, la eficiencia de las DMUs se evalúa identificando una frontera de eficiencia (con ratios output/input = 100%), en la que se sitúan las DMUs consideradas eficientes. Así, en una empresa industrial o de servicios, la DEA permite identificar las operaciones ineficientes y ayuda a los gestores en el difícil proceso de toma de decisiones de reducir los recursos de producción y aumentar los niveles de producción (KAO; LIN, 2012).

Corroborando estas afirmaciones, para Kao y Liu (2000), la medición de la eficiencia de las DMUs en entornos industriales y de servicios es una tarea ardua, ya que suelen intervenir variables económicas complejas, como los tipos de interés, la fiscalidad, los niveles de empleo, la demanda, entre otras. En este sentido, Figueiredo y Mello (2009) comentan que en escenarios complejos es fundamental disponer de una metodología eficaz y completa de medición de resultados para poder realizar el seguimiento y las correcciones oportunas, con el fin de optimizar los procesos.

• Materias:Toma de decisiones Metas difusas Industria automotriz Eficiencia
• Subjects:Decision making Fuzzy goals Automotive industry Efficiency
• Palabras claves:Eficiencia; Programación de Objetivos; Análisis de Envoltura de Datos; Teoría Difusa; Segmento de Piezas de Automóviles
• Keywords:Efficiency; Goal Programming; Data Envelopment Analysis; Fuzzy Theory; Auto Parts Segment