Encontrando el punto óptimo en los cultivos de caña de azúcar
Por Dr. Yasel Costa Salas, Profesor de ZLC.
La industria del azúcar de caña, de vital importancia para las comunidades rurales en muchas partes del mundo, se enfrenta a sus propios retos. Como el azúcar es un producto que se comercializa a nivel mundial, los productores y procesadores tienen escaso poder de fijación de precios y la competencia es feroz, no solo entre los productores de azúcar de caña sino también con la alternativa del azúcar de remolacha. Dado que alrededor del 60% del coste total de la cadena de suministro se imputa a actividades aguas arriba (cultivo, cosecha y transporte a los molinos de procesamiento), es crítico encontrar el equilibrio adecuado entre los métodos manuales y los mecanizados, así como realizar una planificación y programación óptimas de los recursos de recolección y logística.
En colaboración con colegas de varias universidades colombianas, hemos estado desarrollando un modelo de optimización para estas actividades. «La programación estocástica multiobjetivo de las operaciones aguas arriba en una cadena de suministro sostenible de la caña de azúcar» es un título algo engorroso, pero cuando analizamos la terminología se muestran algunas de las complejidades y restricciones involucradas.
Nuestro modelo necesitaba conciliar tres objetivos algo conflictivos, comenzando por minimizar el coste operativo. El cosechado conlleva el corte y apilado manual de la caña, utilizando máquinas elevadoras para cargar vehículos y transportarlos a los molinos. Como alternativa, ese cosechado se puede mecanizar utilizando distintas máquinas, cuya elección puede estar condicionada por el tipo de terreno. Esto requiere muchos menos trabajadores, aunque todavía se necesitan picadores de caña para romper los tallos de la caña y facilitar la carga. El transporte a los molinos puede involucrar varias combinaciones de camiones o unidades tractoras y remolques (tradicionalmente, muchos campos usaban ferrocarriles ligeros, con motores de vapor alimentados por bagazo ecológico o desechos secos del molino, pero esto ahora es poco frecuente).
Existen algunas restricciones importantes en la programación. Aunque los molinos funcionan las 24 horas del día, el corte manual se limita a las horas diurnas, en la práctica un solo turno de 06:00 a 14:00 (aunque la carga puede continuar hasta la noche). La recolección mecanizada puede funcionar bien, pero se trata de un entorno complicado para las máquinas, por lo que es necesario programar períodos de mantenimiento de hasta 4 horas, nuevamente a la luz del día. La capacidad de almacenar caña cortada es limitada: si la caña no se procesa dentro de las nueve horas posteriores al corte, su calidad y rendimiento se deterioran significativamente.
Un objetivo obvio es minimizar estos costes operativos (costes de maquinaria, mantenimiento, transporte y sobre todo los costes salariales) para satisfacer la demanda de la planta. Un segundo objetivo, cada vez más valorado, es minimizar el impacto ambiental negativo, específicamente las emisiones de CO2. Aunque menos evidente, un menor uso de maquinaria reduce las emisiones de combustible, pero la cosecha manual requiere que se queme el exceso de vegetación; las hojas de la caña de azúcar son afiladas y no se cortan manualmente, mientras que los campos pueden albergar ratas y serpientes. (Aunque no se considera dentro de este modelo, la quema también anula otra cadena de suministro beneficiosa para el medio ambiente, el suministro de residuos de cosecha verde a las plantas de fabricación de etanol)
El tercer objetivo tiene un positivo impacto social: creación de empleo. Muchas poblaciones de las zonas productoras de caña dependen en gran medida de la «campaña» de la cosecha como una de las pocas fuentes de empleo efectivo. Los objetivos ambientales y sociales dan sentido al calificativo «sostenible» en el título del proyecto.
El término «estocástico» también requiere una explicación. Muchos elementos de la optimización (la capacidad de una flota de transporte determinada, el área por hora que se puede cosechar mecánica o manualmente, etc., están dentro de límites bastante deterministas), pero el elemento clave, el rendimiento en toneladas por hectárea, no lo está. El rendimiento se ve afectado por el suelo y la geología, y por la variedad de caña plantada, pero sobre todo por las plagas y por el clima durante la temporada de crecimiento; la forma en que estos factores han interactuado y, por lo tanto, el rendimiento cosechable por hectárea, no se podrá averiguar hasta que se efectúe la cosecha. Cuanto mayor sea el rendimiento, más recursos serán necesarios para su cosecha; cuanto menor sea el rendimiento, mayor será el área que se necesita cosechar en un determinado período de tiempo para mantener alimentado el molino.
Por ello, nuestro modelo debía de tener en cuenta este elemento estocástico. Para una parcela de tierra determinada, analizamos una línea de base o un escenario de rendimiento esperado, en función de la variedad de cultivo, datos históricos, etc. Pero también contemplamos escenarios altos / bajos, o mejores / peores casos, con incertidumbres de +/- 5%, 10% y 15%.
Por éstas (y algunas otras restricciones), la tarea del modelo es derivar un programa detallado para la parcela de tierra en estudio que encuentre un equilibrio óptimo entre estos tres objetivos, dando respuesta a cinco preguntas:
- ¿Cuál es la superficie de terreno que se va a cosechar dentro de esta parcela de tierra? (porque quizás no sea óptimo cosechar toda la parcela de una sola vez).
- ¿Qué tipo de método de recolección es el mejor (mecánico, manual o una combinación de ambos)?
- ¿En qué medida se requieren estos recursos (maquinaria y mano de obra) y con qué planificación?
- ¿Cuándo y con qué recursos se realizará el mantenimiento de la máquina?
- ¿Qué cantidades y combinaciones de equipo de transporte se requieren, y cuándo, para trasladar la caña cortada a los molinos a su debido tiempo?
Para abordarlo, creamos nuestro modelo estocástico multiobjetivo lineal de enteros mixtos. El modelo, por supuesto, no produce una única respuesta ‘correcta’, sino que genera un conjunto de soluciones eficientes, dependiendo de la ponderación aplicada a los tres objetivos (una solución eficiente sería aquella en la que no se puede mejorar aún más un elemento sin perjudicar a otros). Este conjunto de soluciones forma una frontera de Pareto, y hay un punto de «Utopía», que sería el resultado óptimo entre los tres objetivos. Desafortunadamente, este punto no encajaría exactamente en ninguna de las soluciones más eficientes, pero la Programación de Compromiso es una técnica que se utiliza para encontrar la mejor opción.
El modelo se ha testado y verificado en caso real en campos de caña en Perú. Los métodos de recolección mecánicos tienen un mejor rendimiento de costes, pero requieren una mano de obra más capacitada y una inversión que busque economías de escala. Los métodos mecánicos también consiguen mejores resultados en términos de calidad del aire. La recolección manual, por supuesto, crea más puestos de trabajo (aunque quizás con salarios más bajos) y el modelo nos da una idea de la penalización económica originada por la creación de puestos de trabajo manuales y, por lo tanto, qué tipo de incentivos podrían ofrecer los gobiernos a los agricultores en áreas de alto desempleo rural. El modelo también revela el grado de sensibilidad de las soluciones «óptimas» a la naturaleza estocástica del rendimiento de los cultivos.
Para más información contacte a [email protected], o lea el siguiente artículo publicado en Journal of Cleaner Production, Vol 276, diciembre 2020: https://www.sciencedirect.com/science/article/abs/pii/S0959652620333503?via%3Dihub
