OPTIMIZACIÓN DE LA CADENA DE VALOR DEL BIO-ETANOL
A PARTIR DE LA CAÑA DE AZÚCAR Y LA YUCA
MIGUEL JALLER MARTELO
UNIVERSIDAD DEL NORTE
PROGRAMA DE INGENIERIA INDUSTRIAL
BARRANQUILLA
2006
OPTIMIZACIÓN DE LA CADENA DE VALOR DEL BIO-ETANOL
A PARTIR DE LA CAÑA DE AZÚCAR Y LA YUCA
MIGUEL JALLER MARTELO
Trabajo de grado presentado como requisito parcial para optar el titulo de
Maestría en Ingeniería Industrial
Director: CARLOS D. PATERNINA
Ingeniero Industrial. PhD.
UNIVERSIDAD DEL NORTE
PROGRAMA DE INGENIERIA INDUSTRIAL
BARRANQUILLA
2006
Aprobado por el profesorado de la División de Ingeniería en cumplimiento de los requisitos exigidos para otorgar el titulo de Maestría en Ingeniería Industrial.
______________________________________
Ing. Carlos D. Paternina
Director de Programa
______________________________________
Ing. Carlos D. Paternina
Director del Proyecto
______________________________________
Corrector del Proyecto
______________________________________
Corrector del Proyecto
Barranquilla, junio de 2006
AGRADECIMIENTOS
El autor expresa sus agradecimientos a Dios, por permitirle tener el privilegio de
educarse y formarse profesionalmente.
A sus padres, por sus sacrificios, por su apoyo y la confianza que le brindaron.
Al Dr. Carlos Paternina, por todos sus conocimientos, ayuda, orientación,
asesoría y aportes a este proyecto, los cuales fueron decisivos para la
consecución de los logros y objetivos aquí alcanzados.
Y a todas aquellas personas, que de una u otra manera colaboraron en la
realización del presente proyecto.
TABLA DE CONTENIDO
ÍNDICE DE DIAGRAMAS .................................................................................... iv
ÍNDICE DE TABLAS .......................................................................................... iv
ÍNDICE DE GRÁFICOS ...................................................................................... vi
1. PROBLEMA DE INVESTIGACIÓN .................................................................. 1
1.1. ANTECEDENTES ...................................................................................... 1
1.2. PLANTEAMIENTO DEL PROBLEMA ........................................................ 3
1.3. JUSTIFICACIÓN ........................................................................................ 5
1.4. BENEFICIOS .............................................................................................. 8
1.4.1. Beneficios duales ................................................................................. 8
1.4.2. Beneficios al distribuidor ...................................................................... 8
1.4.3. Beneficios al productor ........................................................................ 8
1.5. OBJETIVOS ............................................................................................... 9
1.5.1. Objetivo General .................................................................................. 9
1.5.2. Objetivos Específicos........................................................................... 9
1.6. ALCANCES Y LIMITACIONES ................................................................ 11
1.7. PREDICCIÓN DE RESULTADOS. HIPÓTESIS ....................................... 12
2. OPTIMIZACIÓN DE CADENAS DE ABASTECIMIENTO DEL BIOETANOL A
PARTIR DE LA CAÑA DE AZÚCAR Y DE LA YUCA ....................................... 14
2.1. OPTIMIZACIÓN DE CADENAS DE ABASTECIMIENTO ......................... 14
2.2. BIO-COMBUSTIBLES .............................................................................. 20
2.2.1. Bio-carburantes ................................................................................. 21
2.2.2. Bio-etanol .......................................................................................... 22
2.2.3. Bio-etanol en el Brasil ....................................................................... 24
2.2.4. Bio-etanol en Estados Unidos ........................................................... 26
ii
2.3. CADENA DE ABASTECIMIENTO DE LA YUCA ...................................... 28
2.4. CADENA DE ABASTECIMIENTO DE LA CAÑA DE AZÚCAR ................ 31
2.5. DISTRIBUCIÓN DEL BIO-ETANOL Y COMBUSTIBLES ......................... 33
2.6. FORMULACIÓN DE MODELO BASE ...................................................... 35
2.7. PROGRAMACIÓN ESTOCÁSTICA ......................................................... 39
2.7.1. Programación de Oportunidad Restringida (Chance Constrained) .... 40
3. DISEÑO METODOLÓGICO E IMPACTOS ESPERADOS ............................. 42
3.1. TIPO DE ESTUDIO .................................................................................. 42
3.2. MÉTODO DE INVESTIGACIÓN ............................................................... 43
3.3. FUENTES Y TÉCNICAS DE RECOLECCIÓN DE INFORMACIÓN ......... 44
3.4. IMPACTOS ESPERADOS DE LA INVESTIGACIÓN .............................. 44
3.5. IMPACTOS CIENTÍFICOS Y TECNOLÓGICOS ...................................... 45
3.6. IMPACTOS ESPERADOS A PARTIR DEL USO DE LOS RESULTADOS.
........................................................................................................................ 47
3.7. IMPACTO AMBIENTAL INDIRECTO DE LA INVESTIGACIÓN ............... 48
4. RECOLECCIÓN DE INFORMACIÓN GENERAL .......................................... 50
4.1. MATERIAS PRIMAS PRINCIPALES (INSUMOS) .................................... 51
4.1.1. Oferta de la Yuca........................................................................... 51
4.1.2. Proyección de la Oferta de Yuca (Pronóstico por Series de Tiempo)
..................................................................................................................... 55
4.1.3. Precios Mayoristas de la Yuca. ......................................................... 59
4.1.4. Oferta de la Caña de Azúcar. ........................................................ 61
4.1.5. Proyección de la Oferta de la Caña de Azúcar. ............................. 64
4.1.6. Precios Mayoristas de la Caña de Azúcar. ....................................... 68
4.2. OTROS INSUMOS ................................................................................... 69
4.3. PLANTAS DESTILADORAS .................................................................... 71
4.3.1. Tipos de Tecnología. ......................................................................... 73
4.3.2. Inversiones, costos y gastos operacionales. ...................................... 76
4.3.3. Requerimientos o Coeficientes Tecnológicos. ............................... 80
4.4 PLANTAS DE DISTRIBUCIÓN MAYORISTAS ......................................... 81
4.5. TRANSPORTE DE INSUMOS Y DEL ALCOHOL .................................... 82
iii
4.6. DEMANDA BIO-ETANOL ......................................................................... 87
5. MODELO DE OPTIMIZACIÓN ....................................................................... 90
6. SOLUCION MODELO DE OPTIMIZACION ................................................. 101
6.1. DISEÑO DEL MODELO ......................................................................... 103
6.1.1. Interfaz Gráfica Modelo de Optimización. ....................................... 103
6.1.2. Modelo Resultante. ......................................................................... 105
6.2. RESULTADOS DEL MODELO ............................................................... 106
6.2.1. Resultados Plan del Gobierno Vs. Solución Óptima. ....................... 106
6.2.2. Resultados Solución Óptima bajo análisis de Escenarios de
Satisfacción de Demanda. ......................................................................... 113
6.2.3. Resultados Modelo Bi-lineal para la Consecución del Valor de
Sensibilidad del modelo para el Precio o Costo de La Yuca ..................... 119
7. CONCLUSIONES ......................................................................................... 122
BIBLIOGRAFÍA ................................................................................................ 126
ANEXOS ........................................................................................................... 130
ANEXO 01 ........................................................................................................ 131
ANEXO 02 ........................................................................................................ 135
ANEXO 03 ........................................................................................................ 175
ANEXO 04 ........................................................................................................ 198
ANEXO 05 ........................................................................................................ 228
ANEXO 06 ........................................................................................................ 229
ANEXO 07 ........................................................................................................ 234
ANEXO 08 ........................................................................................................ 265
iv
ÍNDICE DE DIAGRAMAS
Diagrama 1. Relación Causa-Efecto. Análisis del Problema ……………… 7
Diagrama 2. Relación Causa-Efecto. Análisis de Objetivos ………………. 10
Diagrama 3. Grafo general para cadenas de suministro ………………….. 37
Diagrama 4. Topología Red Plan Nacional ……………………………….... 100
Diagrama 5. Topología Red Solución Óptima ……………………………… 110
ÍNDICE DE TABLAS
Tabla 01. Tipos de combustibles obtenidos de la biomasa ………….. 21
Tabla 02. Oferta de yuca en Colombia 1991-2001 ……………………… 29
Tabla 03. Impactos esperados …………………………………………….. 45
Tabla 04. Participación de la producción de la Yuca …………………… 52
Tabla 05. Superficie Cosechada, Producción y Rendimiento de Yuca .... 53
Tabla 06. Calendario de Cosecha de Yuca ……………………………….. 54
Tabla 07. Pronósticos de la Producción de Yuca ……………..………..... 56
Tabla 08. Promedio Mayoristas Yuca ………………………………….….. 59
Tabla 09. Supuesto de Precios Mayoristas de Yuca ………………….…. 60
Tabla 10. Oferta Caña de Azúcar en Colombia ………………………….. 61
Tabla 11. Superficie Cosechada, Producción y Rendimiento de Caña … 62
Tabla 12. Participación de la Producción de Caña ……………………….. 63
Tabla 13. Calendario Cosechas Caña …...………………………………… 64
Tabla 14. Pronósticos de Producción de Caña ………………………….... 66
Tabla 15. Precio Estimado Tonelada de Caña ………………………….... 69
Tabla 16. Costos de Insumos ……………………………………………….. 70
v
Tabla 17. Proyectos Alcohol Carburante …………………………………... 72
Tabla 18. Tecnologías producción Bio-etanol …………………………….. 73
Tabla 19. Presupuestos de Inversión …………………………………….... 77
Tabla 20. Proyección Costos y Gastos Fijos …………………………….... 78
Tabla 21. Inversión Total …………………………………………………….. 79
Tabla 22. Proyección Costos y Gastos Fijos …………………………….... 79
Tabla 23. Insumos Etanol Planta Yuca …………………………………….. 81
Tabla 24. Localización Distribuidores Mayoristas ……………………….... 82
Tabla 25. Costos de Transporte Peso por Tonelada Ruta ……………..... 83
Tabla 26. Costos de Transporte Líquidos a Mayoristas .......................... 86
Tabla 27. Costos de Transporte Líquidos a Ciudades ………………….... 86
Tabla 28. Promedio Consumo de Gasolina ……………………………….. 87
Tabla 29. Pronóstico Consumo de Gasolina …………………………….... 89
Tabla 30. Proyectos Indicativos Destiladoras Alcohol Carburante ……... 106
Tabla 31. Costos Totales Plan Gobierno ………………………………….. 107
Tabla 32. Porcentaje de los Costos del total PG ………………………..... 107
Tabla 33. Costos Totales Solución Óptima ……………………………..…. 108
Tabla 34. Porcentaje de los Costos del total Solución Óptima ……..…… 108
Tabla 35. Precio de Galón de Alcohol Punto de Equilibrio ………………. 111
Tabla 36. Resultados de los Costos para los distintos Escenarios ..…… 113
Tabla 37. Capacidades requeridas en los distintos escenarios ….……… 114
Tabla 38. Cambios Porcentuales Respecto al Promedio ……..…………. 116
Tabla 39. Participación Porcentual de los Distintos Costos …………… 118
Tabla 40. Costos Totales bajo Reducción Costo Yuca …………………... 121
Tabla 41. Localización y Capacidad Requerido. Descuento Yuca ……… 121
vi
ÍNDICE DE GRÁFICOS
Gráfico 01. Producción de Etanol a partir de la caña de azúcar …………... 32
Gráfico 02. Cadena de suministro de gasolina automotor en Colombia …. 34
Gráfico 03. Cadena de suministro de gasolina oxigenada en Colombia …. 35
Gráfico 04. Oferta de Yuca en Colombia …………………………………….. 51
Gráfico 05. Participación de la producción de Yuca ………………………… 52
Gráfico 06. Oferta de Caña de Azúcar en Colombia ……………………….. 61
Gráfico 07. Participación de la Caña de Azúcar …………………………….. 63
Gráfico 08. Localización Geográfica de las destiladoras de alcohol ……… 73
Gráfico 09. Técnicas de Optimización de Solver Premium ………………... 102
Gráfico 10. Pantalla Menú Principal Interfaz ………………………………… 104
Gráfico 11. Pantalla Menú Datos ……………………………………………… 104
Gráfico 12. Pantalla Menú Modo Gráfico …………………………………….. 105
Gráfico 13. Pantalla Menú Resultados ……………………………………….. 105
Gráfico 14. Estructura Modelo de Programación Lineal ……………………. 106
Gráfico 15. Costo Total Vs. Satisfacción de Demanda …………………….. 115
Gráfico 16. Variación en el porcentaje de Cada Costo …………………….. 118
Gráfico 17. Participación Porcentual de los distintos Costos ……………… 119
1
OPTIMIZACIÓN DE LA CADENA DE VALOR DEL BIO-ETANOL A PARTIR
DE LA CAÑA DE AZÚCAR Y DE LA YUCA
1. PROBLEMA DE INVESTIGACIÓN
1.1. ANTECEDENTES
El uso actual de los bio-combustibles se deriva principalmente de los avances
que realizó Rudolph Diesel alrededor del año de 1900, cuando implementó el
uso de aceites vegetales en su motor de encendido por ignición1. Estudios más
profundos fueron desarrollados por Otto y Vivacqua en el Brasil2 durante la
segunda guerra mundial, impulsados por el interés de encontrar sustitutos ante
la escasez de los combustibles fósiles.
Sin embargo, el bio-diesel sólo fue desarrollado de forma significativa hasta el
año 1970, momento en el cual se presentó una crisis energética mundial y los
precios o costos del petróleo se encontraban muy elevados.
Por otro lado, se han hecho avances significativos en el desarrollo de
tecnologías para la obtención de alcoholes carburante a partir de la biomasa,
principalmente se ha utilizado la caña de azúcar y el maíz como fuentes para la
obtención del alcohol, siendo en Brasil3 donde se ha implementado y
1 A history of the Diesel Engine. http://www.ybiofuels.org/bio_fuels/history_diesel.html
2 Biodiesel en el mundo. http://www.eco2site.com/informes/biodiesel-m.asp
3 Fundación Tierra. Perspectiva Ambiental. Barcelona, España. Abril 2002
2
desarrollado a la caña como material para la obtención de bio-etanol, factor que
le ha permitido incluso declarar su independencia en el uso de derivados del
petróleo de los países del Medio Oriente.
En Colombia la Corporación para el Desarrollo Industrial de la Biotecnología y
Producción Limpia (CORPODIB)4, impulsa hace siete años un programa
nacional para la implementación de los combustibles renovables, en particular el
Bio-diesel y el alcohol carburante. El programa está dirigido a la reducción de
emisiones de fuentes móviles y el desarrollo de la agricultura energética en el
país.
En su programa nacional dicha empresa ha escogido como la materia prima
preferida a la caña de azúcar pero, en particular, en la costa norte de Colombia -
Guajira, Cesar y Atlántico, y en los Llanos Orientales, la yuca podría convertirse
en una excelente fuente para producir alcohol carburante. Mientras que en el
Tolima se estudia otra materia prima como el sorgo dulce y en Boyacá, la
remolacha llamada alcoholera, con semillas importadas de Europa. Es de anotar
que en el Urabá antioqueño se viene estudiando la factibilidad de una destilería
con base en el desecho de los bananos
Cabe resaltar que cualquier implementación a gran escala de nuevas
tecnologías que afecten toda una región país o continente obligarán a que una
serie de actores tengan que relacionarse y adaptarse para poder cumplir con sus
objetivos, convirtiéndose entonces dichos actores en una cadena de valor.
Para la presente investigación se estudiará la participación de los distintos
actores en la cadena de valor del plan de oxigenación de las Gasolinas o el
desarrollo de Bio-combustibles en Colombia5. Se ha encontrado incluso que
estudios sobre modelos de las cadenas de abastecimiento de la caña de azúcar
4 Corporación para el Desarrollo Industrial de la Biotecnología y Producción Limpia
(CORPODIB). www.corpodib.com 5 Ministerio del Medio Ambiente. Resolución No. 898 del 23 de Agosto. Ley 693 del 2001.
3
y la yuca son en la actualidad limitados (Retamosos et al 2004, Florez et al
2004), sólo se pueden encontrar en la literatura estudios de factibilidad sobre
plantas y cultivos más no sobre optimización en la cadena de suministro.
Debido al estado en que se encuentra el sector de los bio-combustibles, muy
poco se ha estudiado en Colombia sobre la optimización en su cadena de
abastecimiento. Los modelos de producción y distribución, como su nombre lo
indica desarrollan una integración de estas dos funciones buscando la
minimización de costos o la maximización de la rentabilidad, según sea el
objetivo.
Los modelos sencillos de producción y de transporte pueden ser resueltos por
medio del ensayo y error cuando el número de problemas presentados a la vez
son pocos, pero cuando la complejidad aumenta la programación lineal es una
herramienta para la modelización de un plan agregado con muchas ventajas.
Los modelos matemáticos (trabajados por medio) de programación lineal
también han sido utilizados para problemas de transporte en los cuales es
necesario llevar las materias primas entre eslabones de la cadena, partes de
una planta a otra para ser procesadas.
1.2. PLANTEAMIENTO DEL PROBLEMA
Gestionar eficazmente la cadena de abastecimiento (supply chain) es un
imperativo para que las empresas puedan sobrevivir y ser exitosas; ello significa
adoptar enfoques integrados basados en Investigación de Operaciones para
abastecer, producir y distribuir productos y servicios a los clientes, desde el
proveedor hasta el cliente del cliente.
Los acuerdos de libre comercio y la denominada “e-economy” han llevado a que
hoy día se estudie el problema de competencia entre cadenas de
4
abastecimiento, más que competencia entre empresas aisladas. La competencia
global y el desarrollo tecnológico han cambiado las reglas del juego en el mundo
empresarial. Las tácticas y las estrategias que alguna vez tuvieron éxito, hoy no
son efectivas, muchos conceptos han sido superados. Estos conceptos,
métodos y técnicas, están en permanente revisión y cambio. Tradicionalmente
las relaciones proveedor-comprador en la cadena de valor han sido casi nulas.
Se parte de que el producto final tiene un precio tal y como está, y que la
información que se tiene del siguiente eslabón de la cadena es “estratégica” y no
puede ser compartida con el eslabón anterior. Esta actitud se está superando
por una en la que toda la cadena mira desde el mismo punto: el cliente final, y
entre todos los eslabones, cada uno experto en su parte de la cadena de valor,
trata de sumar valor al producto entregado al cliente final.
El nuevo proceso de globalización en el que se ven afectados todos los sectores
de la economía nacional, demanda de las empresas tomar acción para ser
competitivas con las compañías extranjeras transnacionales que cada vez más
se están apropiando de los mercados latinoamericanos. La investigación y el
desarrollo actual de las tecnologías avanzadas de decisión es incipiente en
nuestro país y los proveedores de soluciones basadas en metodologías y
tecnologías de programación matemática, una de las áreas que integran la
Investigación de Operaciones, son muy pocos, debido a que la tendencia
empírica del mercado colombiano imposibilita el desarrollo en el país de este
tipo de tecnologías.
Mucho menos son utilizadas y desarrolladas a gran escala en los sectores
agoindustriales de la yuca y la caña de azúcar. Siendo que estos cultivos
permanentes poseen gran potencial en la generación de empleo rural, fuente de
divisas y como proveedores de materia prima para la producción de bio-etanol.
Sin embargo, hoy las empresas y el gobierno no se encuentren perfectamente
alineados para emprender proyectos que hagan realidad ese potencial múltiple.
Pues mientras se aspira a que el sector aumente el área sembrada y la
5
producción, principalmente para reducir el desempleo e impulsar el tema de los
bio-combustibles, no se han considerado herramientas sólidas de toma de
decisiones como requisito fundamental para el logro eficiente de tales objetivos
y mejorar los niveles de competitividad.
El bio-etanol se ha conocido como combustible durante muchas décadas, pero
su uso masivo como bio-combustible para el transporte se ha visto limitado por
sus altos costos de producción, comparados con el precio de la gasolina, el
diesel y el gas natural comprimido. Uno de los principales factores que influyen
en la viabilidad comercial del bio-etanol es el precio del petróleo crudo, que
proporciona el patrón contra el cual comparar el costo de la producción de bio-
etanol combustible, por lo que se hace necesario optimizar su producción con el
fin de minimizar los costos asociados, para que de esta manera sea viable su
uso y pueda competir con combustibles de origen fósil no renovables.
Se pretende entonces desarrollar herramientas de soporte a la toma de
decisiones útiles para los integrantes de la cadena del bio-etanol a partir de la
yuca y la caña de azúcar, promoviendo el conocimiento de las ventajas y de las
posibilidades que existen para implementarlas como herramienta esencial para
mejorar significativamente los niveles de competitividad sectorial.
1.3. JUSTIFICACIÓN
El proyecto tiene como objetivo profundizar en el estudio de la planificación y de
la programación de operaciones en la cadena de abastecimiento del bio-etanol a
partir de la yuca y la caña de azúcar y concretar dicho conocimiento en modelos
matemáticos de optimización (programación matemática) que sirvan como
apoyo en la toma de decisiones que deben estructurar las empresas
6
involucradas en la producción de bio-combustibles, para garantizar su
competitividad a nivel global.
El producto final de la investigación será un modelo matemático de optimización
y localización para la Cadena de bio-etanol a partir de la yuca y la caña de
azúcar, incluyendo una herramienta o interfaz que permita la manipulación de
los datos, el modelo y los resultados. El modelo estará basado en las
metodologías y tecnologías de programación matemática. A partir de los
modelos y el análisis de sus resultados se realizarán actividades de divulgación
y publicación orientadas a los diferentes sectores reales que emplean como
materia prima la yuca, la caña de azúcar y otras materias primas
agroindustriales, con la finalidad de difundir los beneficios económicos que se
derivan del uso de este tipo de herramientas en los procesos decisorios de las
empresas pertenecientes a dichos sectores.
El modelo sectorial integrado facilitará evaluar los impactos que se derivan de la
colaboración de todos los agentes de la cadena para competir en los mercados
nacionales e internacionales. Para ello se realizará la formulación matemática
del problema de optimización y se establecerán los requerimientos de
información, con la finalidad de contribuir a la política integral de desarrollo para
esta agroindustria, que permita avanzar significativamente en la competitividad
sectorial, y cerrar la brecha de costos que hoy se tiene frente a los principales
países competidores en el ámbito mundial.
También es de vital importancia llevar a cabo este tipo de estudios acerca de las
cadenas de abastecimiento del bio-etanol a partir de la caña de azúcar y la yuca
debido a que en Colombia la aprobación de la Ley 693 de septiembre de 2001
obliga al uso de Etanol como aditivo en la gasolina que se utiliza en las
principales ciudades del país. La reglamentación de la Ley señala que a más
tardar el 27 de Septiembre de 2005 la gasolina de Bogotá, Cali, Medellín y
Barranquilla deberán contener alcoholes carburantes en un 10% de su volumen.
7
La misma condición se establece un año más tarde en las ciudades de
Bucaramanga, Cartagena y Pereira. En la medida que se desarrollen los
proyectos agroindustriales, se extenderá el uso en el resto del territorio nacional.
ANALISIS DE PROBLEMAS
RELACION CAUSA-EFECTO
Carencia de modelos de gestión de la cadena de abastecimiento del Bio-etanol a partir de la caña de azúcar y la yuca.
Carencia de prácticas y métodos para el control en los tiempos, costos y demás aspectos dentro
de las cadenas de suministro.
Falta de concientización por parte de las empresas en
cuanto a la importancia de la cooperación entre los
distintos eslabones en la cadenas de suministros de
este sector.
Falta de patrocinio por parte de las áreas tanto
operativas como administrativas del estado para desarrollar proyectos de Ingeniería que permitan
una mejora en los sectores agroindustriales.
Información precaria en cuanto a eficiencia y
eficacia en las operaciones de este
sector.
Falta de análisis respecto a las actividades que son necesarias a realizar para una mejor localización y
distribución de los distintos eslabones.
Desventajas competitivas del sector dentro del
marco nacional e internacional.
Inversión de gran cantidad de recursos
tanto materiales como humanos
Altos costos de distribución y producción,
que se traducen en precios no competitivos
del producto final.
8
Diagrama 1. Relación Causa-Efecto. Análisis del Problema
1.4. BENEFICIOS
El desarrollo del presente estudio conlleva a los siguientes beneficios dentro de
la cadena de abastecimiento del bio-etanol a partir de la caña de azúcar y la
yuca.
1.4.1. Beneficios duales
- Aumentar la calidad en el servicio prestado al consumidor final. Además de
lograr un abastecimiento en el momento oportuno lo cual será beneficioso
para el consumidor final y se logrará una optimización dentro de la cadena.
- A lo largo de toda la cadena de abastecimiento y suministro se conseguirá
una relación de confianza. Cada eslabón de la cadena de suministros
trabajará muy cercanamente, lo cual fortalecerá sus lazos y canales de
comunicación.
- Optimizar tiempos de suministro. Al lograr una optimización dentro del flujo
de la cadena se podrán estabilizar los tiempos de entrega de material por
cada eslabón, lo cual se traducirá en beneficios directos a cada cual.
1.4.2. Beneficios al distribuidor
- El objetivo fundamental es optimizar el flujo dentro de la cadena desde el
productor de la materia prima hasta el consumidor del producto terminado.
- Los costos de distribución se minimizarán, con lo cual se conseguirán
ahorros a lo largo de la cadena de abastecimiento.
- El nivel general en el servicio se mejorará notablemente.
1.4.3. Beneficios al productor
- Disminución del inventario de producto final.
9
- Aumento de los niveles de satisfacción de los clientes por el cumplimiento de
los pedidos.
- Disminución de los costos relacionados con la distribución a lo largo de la
cadena.
Cada eslabón de la cadena gozará de los beneficios antes expuestos, con lo
cual establecerá una ventaja competitiva que le ayudará a desempeñar un
papel más fuerte dentro del mercado nacional e internacional.
1.5. OBJETIVOS
1.5.1. Objetivo General
Diseñar y desarrollar un modelo de programación matemática para la
planificación estratégica de la cadena de abastecimiento del bio-etanol a partir
de la caña de azúcar y de la yuca, utilizando metodologías y tecnologías de
optimización de última generación, con el fin de llevar herramientas prototipo a
las empresas del sector de bio-combustibles.
1.5.2. Objetivos Específicos
Desarrollar el modelo de programación matemática para la representación de
la cadena de abastecimiento del bio-etanol durante un periodo de tiempo de
15 años, específicamente del 2006 al 2020.
Diseñar diversos escenarios de satisfacción de demanda para el estudio del
comportamiento y capacidad de respuesta de la cadena de bio-etanol ante
dichos cambios, mediante la inclusión de programación estocástica
(oportunidad restringida) dentro del modelo de optimización y asignación.
Comparar los resultados de costos obtenidos en la optimización del modelo
de planificación estratégica propuesto, con los obtenidos de la modelación
10
matemática de la cadena de bio-etanol (a partir de la caña de azúcar y de la
yuca) bajo el esquema sugerido por la Corporación para el desarrollo
industrial de la bio-tecnología y producción limpia (Corpodib), con el fin de
evaluar su viabilidad.
ANALISIS DE OBJETIVOS
RELACION MEDIOS-FINES
Modelos matemáticos de optimización para soportar las decisiones estratégicas de la
cadena del bio-etanol a partir de la yuca y la caña de azúcar que permitan un aumento de la productividad y la competitividad en todos los eslabones de dichas cadenas agroindustriales.
Medición y control en los costos, tiempos y
métodos de distribución de la
cadena de abastecimiento del
bio-etanol a partir de la caña de azúcar y la
yuca.
Convenios y tratados entre los distintos eslabones de la cadena que conlleven a su optimización y reducción de
costos, mediante una concientación sobre la
cooperación y el uso de herramientas basadas en la
investigación de operaciones.
Colaborar con el estudio y desarrollo de herramientas
basadas en la investigación de
operaciones que permitan generar modelos que
ayuden en la gestión de las cadenas de
abastecimiento de los distintos sectores agroindustriales
Información precisa y concreta de cómo son los niveles de
eficiencia en las empresas del sector y sus cadenas de
abastecimiento
Toma de decisiones pertinentes al desarrollo de las actividades que permitan optimizar los
procesos, tanto internos como de toda la cadena de suministros, reduciendo costos y aumentando la participación en el mercado
Poseer una ventaja competitiva tanto a nivel
nacional como internacional
Diagrama 2. Relación Causa-Efecto. Análisis de Objetivos.
11
1.6. ALCANCES Y LIMITACIONES
En la realización del presente estudio se desarrollarán capacidades para la
comprensión de modelos de optimización utilizados en la solución de problemas
de planificación. El autor profundizará en conceptos propios de las metodologías
de optimización y en el uso de herramientas (software) específicas que permiten
implementar modelos matemáticos y utilizarlos para resolver problemas reales.
La mayoría de los problemas que se abordan desde el punto de vista de la
Investigación de Operaciones requieren que como primera medida se establezca
un conocimiento exacto del sistema que se está analizando: los objetivos, conocer
los componentes y la estructura del mismo, sus límites e interrelaciones, tanto de
sus componentes como del sistema con el medio donde se encuentra, determinar
la información que alimenta al sistema y la información que se espera que este
entregue, etc. Todo esto permite conceptuar el problema que se esta tratando de
resolver, es decir realizar la definición del problema que afecta al sistema en
análisis.
Para tal fin se realizará un estudio bibliográfico de los siguientes temas:
Fundamentos físicos y económicos de las cadenas de abastecimiento
agroindustriales de la caña de azúcar y la yuca para la producción del bio-
etanol.
Planificación estratégica de cadenas de abastecimiento agroindustriales del
bio-etanol a partir de la caña de azúcar y la yuca.
Adicional a la investigación bibliográfica se adelantará una investigación
tecnológica que tiene como objetivo establecer una idea clara del estado del arte y
de las opciones tecnológicas que se encuentran en el mercado y que pueden dar
solución al problema en estudio.
12
Se recopilarán datos sobre las características, las condiciones operativas y
económicas relacionadas con el proceso de funcionamiento de la cadena del bio-
etanol a partir de la yuca y la caña de azúcar.
Durante la ejecución de este estudio se realizará el diseño detallado del modelo
sectorial de optimización estratégica. La actividad será ejecutada teniendo como
referencia la información recolectada, así como el consejo de personal experto
perteneciente al sector. El trabajo de diseño se realizará en las áreas
correspondientes al sistema de información de apoyo, a los modelos
matemáticos y al diseño de la interfaz del usuario final. Como resultado de esta
actividad se tendrá la primera versión del modelo sectorial de optimización para
la cadena del bio-etanol a partir de la caña de azúcar y de la yuca.
Como limitante principal para este proyecto es la carencia de información de
fuentes primarias, por lo cual se utiliza información obtenida de fuentes
secundarias y terciarias en el análisis elaborado para los años 2006-2020.
1.7. PREDICCIÓN DE RESULTADOS. HIPÓTESIS
La formulación que desea encontrar este estudio para la optimización de la
cadena de suministro del bio-etanol a partir de la caña de azúcar y la yuca
estará basada en la siguiente hipótesis:
El desarrollo de un modelo de programación matemática para la planificación
estratégica de la cadena del bio-etanol a partir de la caña de azúcar y de la
yuca, conllevará a una minimización en los costos totales de inversión,
producción y distribución del bio-etanol, lo cuál se traducirá en beneficios
para todos los eslabones de la cadena desde el productor-agricultor inicial
hasta el consumidor final.
13
La minimización en los costos dentro de la cadena a abastecimiento del bio-
etanol a partir de la caña de azúcar y la yuca logrará que cada eslabón
dentro de la cadena de abastecimiento de un paso hacia el camino de la
obtención de ventajas competitivas, hecho que lo ayudará a participar de una
forma más fuerte dentro del mercado que enfrentan las empresas
colombianas actualmente y ayudarlas para su apertura hacia nuevos
horizontes.
14
2. OPTIMIZACIÓN DE CADENAS DE ABASTECIMIENTO DEL BIOETANOL A
PARTIR DE LA CAÑA DE AZÚCAR Y DE LA YUCA
2.1. OPTIMIZACIÓN DE CADENAS DE ABASTECIMIENTO
Una cadena de abastecimiento consiste en: i) instalaciones geográficamente
dispersas donde se adquieren, se transforman, se almacenan, y/o se venden las
materias primas, los productos intermedios, y/o los productos acabados; y ii) los
acoplamientos del transporte que conectan las instalaciones a lo largo de las
cuales fluyen los productos. A nivel funcional, las cadenas están integradas por
las plantas de fabricación, instalaciones donde ocurren las transformaciones
físicas del producto y por los centros de distribución, instalaciones donde se
reciben los productos, se clasifican, se almacenan y se despachan. La compañía
puede ser o no propietaria de estas instalaciones, puede administrarlas, o
pueden ser administradas por los vendedores, los clientes, los proveedores u
otras firmas. La meta está en agregar valor a los productos mientras que pasan
a través de la cadena de abastecimiento y se transportan a los mercados
geográficamente dispersos en las cantidades correctas, con las especificaciones
correctas, en el tiempo correcto, y a un costo competitivo.
La gerencia de la cadena de abastecimiento es un término relativamente nuevo.
Agrupa los conceptos de la planificación integrada de empresas que han sido
usadas por muchos años por expertos en logística, por estrategas, y por
expertos en la investigación de operaciones. Hoy, el planeamiento integrado
basado en modelos matemáticos de optimización es posible debido a los
avances en la tecnología de información, pero la mayoría de las compañías
todavía tienen mucho que aprender sobre las nuevas herramientas analíticas
15
que se deben poner en ejecución para alcanzar el éxito. También deben
aprender a adaptar sus procesos de negocio a las facilidades proporcionadas
por estas herramientas (Shapiro, 2002).
Hay cuatro dimensiones de gerencia integrada de la cadena de abastecimiento.
La primera es la integración funcional de la compra, la fabricación, el transporte
y el almacenamiento. La segunda es la integración espacial de estas actividades
a través de los vendedores, de las instalaciones, y de las formas de los
mercados. La tercera dimensión exige la integración ínter-temporal jerárquica de
los horizontes de decisión estratégicos, tácticos y operacionales. La cuarta
dimensión es la integración de la empresa, que responde a los propósitos de la
planificación estratégica y táctica dentro de la gerencia integrada de la cadena
de abastecimiento.
La planificación estratégica implica decisiones de impacto a largo plazo para: i)
la adquisición de recursos de infraestructura, ii) selección de productos a ofrecer
al mercado, y iii) la selección de las tecnologías a utilizar en los procesos
productivos. La planificación táctica implica horizontes de mediano plazo para la
asignación de metas para el consumo de recursos para satisfacer las metas de
producción establecidas. La planificación operacional (programación de
operaciones) implica definir las actividades (eventos) que determinan las
acciones de producción y de distribución en el corto plazo. La integración ínter-
temporal, que también se llama planeamiento jerárquico, requiere consistencia y
coherencia entre decisiones traslapadas en los diferentes niveles de la
planificación. Aunque las firmas no son consientes totalmente, la integración
ínter-temporal de las decisiones es crítica como ventaja competitiva. Las
operaciones eficientes no conducirán a grandes beneficios si los productos de
las compañías se están fabricando en plantas con tecnologías anticuadas. La
localización incorrecta en lo referente a los puntos de venta de las compañías y
a sus mercados es también un impedimento. Por otra parte, la ventaja
competitiva en la gerencia de la cadena de abastecimiento no se gana
16
simplemente con una comunicación más rápida y más barata de datos, ya que el
acceso “en línea” a los datos transaccionales no conduce automáticamente a
mejorar la toma de decisiones. Los denominados ERPs, Enterprise Resource
Planning, no son la solución al problema de tomar decisiones eficaces.
Para mejorar su ventaja competitiva, los gerentes buscan cada día mas integrar
la planificación de las actividades de su cadena de abastecimiento. Los objetivos
son diseñar y operar su infraestructura industrial y manejar las relaciones con su
entorno con el fin de minimizar la suma de la inversión total y los costos de
materias primas, de producción, de transporte y de distribución, satisfaciendo el
nivel deseado de servicio al cliente. Los APS, Advanced Planning and
Scheduling, han sido la solución tecnológica para enfrentar esta problemática, ya
que son sistemas avanzados de planificación que explotan las últimas
tecnologías informáticas y el modelamiento matemático técnico-económico de
complejas cadenas de abastecimiento integradas horizontal y verticalmente,
operando en un país o en múltiples países. Su capacidad de optimización
matemática unida a su capacidad para representar precisamente las relaciones
de costo y de volumen provee confianza en resultados óptimos que no pueden
obtenerse con enfoques más simplistas. Sus servicios para generación de
modelos, se acoplan con hojas de cálculos, bases de datos y herramientas de
generación de escenarios; proveyendo un ambiente ideal para desarrollar rápida
y comprensivamente estudios de optimización de la cadena de abastecimiento.
Los APSs están orientados al manejo de los datos lo que permite a los usuarios
desarrollar modelos de acuerdo con la complejidad de su cadena de
abastecimiento y a los requerimientos de optimización de la misma (Velásquez,
2003).
Para obtener una planificación estratégica eficaz, la gerencia de la cadena de
abastecimiento tiene que integrarse con la gerencia de demanda (“marketing”)
para maximizar los rendimientos netos de las compañías. La gerencia de la
cadena de abastecimiento también necesita integrarse con la gerencia financiera
17
corporativa para evaluar las inversiones de capitales en la cadena de
abastecimiento de las compañías, los activos, y en última instancia, para
maximizar el valor aportado al accionista (Shapiro, 2001 a,b). Los progresos en
la gerencia integrada de la cadena de abastecimiento se han facilitado y
conducido por los avances derivados de aumentos asombrosos en la velocidad
de los computadores personales, el e-comerce, y la flexibilidad del software. Es
así como surge una nueva sigla para referirse a los modelos integrados:
finanzas-producción-distribución-marketing: EPO, Enterprise Profit Optimization.
EPO identifica a la nueva familias de modelos matemáticos que convertidos en
software han comenzado a utilizar las cadenas de abastecimiento de los países
desarrollados.
Adicional a todo lo anterior, el diseño y la administración de cadenas de
abastecimiento internacionales (globales) es una de las áreas de investigación
más activa en logística global. Vidal y Goetschalckx (1997) identifican múltiples
oportunidades para investigación en metodologías para el diseño estratégico y la
planificación táctica de cadenas de suministro internacionales. Actualmente
muchos modelos de planificación ignoran aspectos tales como selección del
modo de transporte con base en costos totales de logística, la asignación de
costos de transporte entre subsidiarias de una misma organización, la inclusión
de costos de inventario como parte del problema, la inclusión explícita de
proveedores y los efectos no lineales de los sistemas internacionales de
impuestos y aranceles. En la planificación de cadenas globales, es común que
los precios de transferencia (PT, precios que un departamento, división o
subsidiaria de una compañía carga por un producto o servicio proveído a otro
departamento, división o subsidiaria de la misma firma) se asuman fijos y
predeterminados. Sin embargo, la determinación de PT es uno de los aspectos
más controvertidos en compañías multinacionales y uno de los aspectos de
decisión más importantes que deben resolver. Recientes investigaciones han
demostrado, indudablemente, que el problema de fijación de PT es mucho más
que un problema contable (Goetschalckx, et al 2002). Hoy en día la tendencia es
18
clara: la globalización de las cadenas de abastecimiento conlleva su propia
complejidad a los procesos de toma de decisiones.
Por otra parte, los tratados de libre comercio y la nueva economía, e-economy,
indican que, para los países en vías de desarrollo, en adelante la competencia
será entre “carteles” de cadenas de abastecimiento y no entre agentes
productores individuales. Esta integración de cadenas de abastecimiento implica
la integración de flujo de productos, de información y de dinero. Solo los
modelos matemáticos pueden determinar la forma “óptima” de dividir y de
integrar demandas y ofertas en un mercado, electrónico o presencial, y de
determinar en forma justa, y de máximo beneficio, como se deben repartir las
utilidades económicas obtenidas. Los conceptos de Teoría de Juegos
Cooperativos son un soporte teórico apropiado para enfrentar el problema, en
donde cada jugador representa una cadena de abastecimiento establecida. Con
base en los anteriores conceptos, Saldaña y Velásquez (2004) han realizado
investigaciones, con base en casos prototipos, para analizar, física y
económicamente, la integración cooperativa de múltiples productores para
atender un mercado compartido ya establecido, o por establecer, caso
directamente relacionado con la cadena de abastecimiento del bio-diesel.
Es fácil verificar la ausencia casi generalizada de herramientas cuantitativas
basadas en programación matemática como medio de apoyo a la gestión de las
cadenas de abastecimiento en los países en vía de desarrollo, como Colombia,
de allí la importancia del presente proyecto. En Colombia, a nivel de
investigación cabe destacar el trabajo que viene realizando el profesor Carlos
Julio Vidal de la Universidad del Valle quien ha profundizado en la problemática
de las cadenas de abastecimiento globales, incluyendo el diseño de algoritmos
especializados para manejar el problema no-lineal que se deriva de la
determinación simultánea de precios y cantidades. Una experiencia exitosa de
gran escala en el manejo de este tipo de herramientas en la industria
colombiana, es reportada por Velásquez (2000) para el caso de una empresa
19
importante del sector bebidas en Colombia, que desde 1991 utiliza este tipo de
tecnologías para apoyar sus procesos de toma de decisiones.
Desafortunadamente este no es el caso común en el sector industrial
colombiano.
Adicionalmente el Grupo en Investigación de Operaciones DW, patrocinado por
DecisionWare Ltda., está estudiando, con el apoyo de profesores y de
estudiantes de pregrado de varias universidades, la planificación de diversas
actividades en las de cadenas de abastecimiento industriales con base en el uso
intensivo de herramientas de Investigación de Operaciones, se tiene experiencia
a nivel de modelos implementados a nivel de usuario final (Velásquez, 2000) y
prototipos en fase de desarrollo (Beltrán et al. 2004, Saldaña et al. 2003,
Velásquez 2003).
Hernandez et al (2004) desarrollaron una modelación matemática de producción
y distribución determinística aplicada a una empresa de suministros médicos
para optimización de toda la cadena de abastecimientos.
A su vez, Cure y Paternina (2004) haciendo uso de la metodología de
aprendizaje denominada “Juego Ficticio” desarrolló estudios para tomar la
cadena de abastecimiento donde delimitando claramente una de sus partes
logró la optimización o mejoramiento de indicadores de desempeño. Se
encontraron soluciones factibles y de equilibrio para la decisión de disponibilidad
de inventario en los detallistas de una cadena de abastecimiento de dos niveles.
En este campo también se pueden encontrar trabajos de Rao et al (2003),
quienes desarrollaron metodologías basadas en aprendizaje de máquinas para
encontrar políticas óptimas en sistemas de inventarios.
En el país es relativamente poco lo que se ha avanzado con relación al bio-
etanol, y mucho menos sobre el análisis de su cadena de abastecimiento, las
investigaciones se han hecho a nivel universitario. Por su parte la Universidad
20
del Norte ha desarrollado algunos proyectos técnicos en este sector y la
presente investigación aportará información necesaria sobre su producción y los
eslabones que hacen parte de su cadena de valor, así mismo ofrecerá un
herramienta de ayuda en la toma de decisiones estratégicas. Las
investigaciones llevadas a cabo en la Universidad del Norte incluyen:
Estudio de prefactibilidad para el desarrollo de una planta agroindustrial de
alcohol carburante a partir de la yuca en el departamento del atlántico
Obtención de alcohol a partir de la yuca húmeda y yuca seca.
Procedimiento para obtención de alcohol a partir de yuca podrida (rotten
yucca).
Capítulo en libro: Utilización de combustibles alternativos en motores
térmicos. Módulo I. Universidad de Castilla la Mancha, ciudad real.
Dextrinación de almidones de yuca en polisacáridos fermentables por medios
biológicos (hongo: aspergirus niger).
2.2. BIO-COMBUSTIBLES
Con la denominación de combustible se hace referencia comúnmente a
cualquier sustancia que, en contacto con el oxígeno del aire y a partir de una
determinada temperatura, arde y produce energía. En principio pueden
establecerse dos tipos de combustibles según su naturaleza: los combustibles
fósiles, constituidos por el carbón, petróleo o gas natural y sus derivados; y los
bio-combustibles, que son los que proceden de la biomasa. El término biomasa,
en el sentido amplio, se refiere a cualquier tipo de materia orgánica que haya
tenido su origen inmediato en un proceso biológico, el concepto de biomasa
comprende productos tanto de origen vegetal como animal.
El uso de la biomasa con fines energéticos implica una adecuación de la materia
prima para su empleo como combustible en los sistemas convencionales. Esta
adecuación puede ir precedida de un acondicionamiento inicial para convertirla
en el producto idóneo, que se tratará luego por el proceso de transformación
21
adecuado. En la siguiente tabla se detallan los combustibles obtenidos a partir
de la biomasa.
Tabla 1. Tipos de combustibles obtenidos de la biomasa
Tipos de combustible obtenidos de la biomasa
Tipos de combustibles obtenidos de la biomasa Sólidos Líquidos Gaseosos
Paja Leña sin procesar Astillas Carbón vegetal
Alcoholes Bio-hidrocarburos Aceites vegetales Esteres
Biogás Hidrógeno
Fuente: Retamoso et al, 2004.
Los bio-combustibles, son alcoholes, éteres, ésteres y otros productos químicos
que provienen de estos compuestos orgánicos de base celulósica (biomasa) que
se extraen de plantas silvestres o de cultivo. El término bio-combustible se aplica
tanto a los combustibles destinados a producir electricidad como a los que se
utilizarán en los medios de transporte.
2.2.1. Bio-carburantes
Principalmente, los bio-carburantes están destinados a la automoción; sin
embargo, representan un sector, el transporte, muy relevante en el camino hacia
la renovación de la economía energética actual. El término bio-carburantes
agrupa al conjunto de combustibles líquidos de origen orgánico que provienen
de las distintas transformaciones que ha sufrido la materia orgánica. Los bio-
carburantes se pueden dividir en dos grupos básicos: por una parte,
encontramos los bio-alcoholes, que provienen de la fermentación alcohólica de
cultivos vegetales ricos en almidón y, por otra, los bio-aceites, derivados de
diversos tipos de especies oleaginosas, así como también de la transformación
de los aceites vegetales fritos.
La ventaja de este tipo de combustible radica en su origen. Provienen
mayoritariamente de la biomasa, la cual ha extraído parte del dióxido de carbono
que se podría liberar en la atmósfera. Por eso, la utilización de los bio-
carburantes como combustibles no comporta un aumento neto de dióxido de
22
carbono de la atmósfera, de manera que contribuye a minimizar el efecto de los
gases invernadero. Los tipos de bio-carburantes son: etanol (destilado de
vegetales y residuos), metanol (destilado de la madera y pirolisis de vegetales y
residuos), metano (gas, descomposición de residuos y fangos de depuradoras),
bio-aceites (aceites extraídos de plantas como la soja, el girasol, la oliva, el
cáñamo, etc.) y bio-diesel (transesterificación de aceites vegetales,
manufacturación a partir de alcoholes).
2.2.2. Bio-etanol
El etanol es un alcohol líquido libre de agua de alto octanaje producido por la
fermentación de azúcares, que al igual que la gasolina o diesel puede ser
utilizado como combustible en los vehículos, o simplemente como aditivo para
mezclarse con la gasolina.
La fórmula química del etanol es CH3CH2OH, el cual se puede producir a partir
de 3 principales tipos de materias primas:
Materias ricas en sacarosa como la caña de azúcar, la melaza y el sorgo
dulce.
Materias ricas en almidón como los cereales (maíz, trigo, cebada, etc.) y
los tubérculos (yuca, camote, papa, malanga, etc.).
Materias ricas en celulosa como la madera y los residuos agrícolas.
El empleo del etanol como único combustible debe realizarse en motores
específicamente diseñados para el bio-combustible. Sin embargo, el uso de
mezclas del alcohol con la gasolina en ciertos porcentajes no requiere cambios
significativos en los vehículos.
A pesar de que el etanol se ha utilizado mayoritariamente como base en la
producción de bebidas alcohólicas, tales como cervezas, vinos, licores, etc. tiene
además una serie de aplicaciones en la industria química, farmacéutica y
23
automotriz. Cabe resaltar que el creciente interés de entidades
gubernamentales, no gubernamentales y personas reconocidas del país, en la
utilización del bio-etanol como aditivo para la gasolina, viene dado por la Ley de
Alcoholes Carburantes que empezó a regir a partir del año 2005.
El principal consumidor de etanol en Colombia, será la porción del parque
automotor que utilice como combustible a la gasolina, principalmente del estrato
tres en adelante y los servicios públicos, sin dejar a un lado el consumo de
motorizados de los estratos más bajos. La gasolina como tal, no hace parte de
la canasta familiar, sin embargo, el consumo esta marcado por la necesidad de
transporte diaria de los propietarios de vehículos.
Cabe destacarse que el etanol puede utilizarse como único combustible,
realizando modificaciones a los motores, o en mezclas con la gasolina desde un
10% hasta mezclas mucho más altas como el E-85. El E-85 es un combustible
que contiene hasta el 85% de etanol y sólo un 15% de gasolina, que puede
utilizarse en los vehículos denominados FFV (Flexible Fuel Vehicle). Los FFV
están diseñados para poder utilizar indistintamente gasolina y mezclas en
cualquier porcentaje hasta un máximo de etanol del 85%. Estos vehículos están
equipados con un sensor de combustible que detecta la proporción
etanol/gasolina y adapta los sistemas de inyección e ignición a las
características de la mezcla. Estos vehículos están disponibles en el mercado en
algunos países como Estados Unidos, Brasil o Suecia. En España se va
desarrollar un proyecto de utilización de E-85 con una flota de vehículos FFV de
la marca Ford que permitirá demostrar la viabilidad de este nuevo combustible
en este tipo de automóviles.
En algunos países se prefiere utilizar mezclas de etanol con gasolina después
de transformar el etanol en etil terciario butíl éter (ETBE). El ETBE es el producto
principal de la reacción en la que interviene una molécula de etanol y otra de
isobuteno, lo que equivale a utilizar una tonelada de isobuteno y 0,8 t de etanol
24
para obtener 1,8 t de ETBE. El ETBE es una alternativa al MTBE (metil terciario
butil éter), que se obtiene a partir del petróleo y se utiliza como mejorante de las
gasolinas. El ETBE tiene un índice de octano y un poder calorífico ligeramente
superior al MTBE, y su rendimiento de fabricación, a partir del isobuteno,
también es más elevado.
64% Isobuteno + 36% Metanol -> MTBE
55% Isobuteno + 45% Etanol -> ETBE
Como producto sustituto del bio-etanol está la Gasolina. Ésta a su vez tiene
como sustituto al Gas Natural Comprimido (GNC), el cual ha ganado una
participación importante y creciente en el parque automotor. El bio-etanol es
utilizado como insumo para la obtención de gasolina oxigenada; por tal razón es
considerado el principal bien intermedio de este proceso. El producto final es la
gasolina oxigenada. Para la obtención del bio-etanol, en el estudio será
considerado como insumo principal el almidón industrial derivado de la yuca y la
caña de azúcar.
2.2.3. Bio-etanol en el Brasil
Brasil6 es pionero, primer productor y exportador mundial de alcohol carburante.
Esta industria genera 2.5 millones de empleos y le ha dado ahorros a la nación
por casi dos mil millones de dólares destinados a la importación de gasolina.
Se inició la experiencia de usar el Etanol carburante en Brasil en los años 1931
con una mezcla de 5 por ciento en la gasolina. En 1973, una vez más por el alza
de los precios del petróleo, decidieron aumentar el porcentaje de mezcla hasta
20 por ciento. En la actualidad, en las calles de Río, Sao Paulo o Bahía, existen
muchos vehículos que usan solamente el Etanol como carburante.
6 Instituto Interamericano de cooperación para la agroindustria. Análisis de Estudio de Cadena de
Etanol. Nicaragua, 2004
25
Actualmente, el gobierno brasileño está profundizando la experiencia de usar el
Etanol. A principios de agosto del 2003, el gobierno aprobó una partida de 500
millones de reales cuyo objetivo es crear un stock de 1,00 millones de litros para
asegurar el suministro del Etanol, durante todo el año; puesto que la caña de
azúcar es un cultivo estacionario que no se puede cosechar todo el año Además
del plan gubernamental, casi tres cuartas partes de los molineros han firmado un
acuerdo comercial con tres sociedades mercantiles internacionales para
acumular un stock de mil millones de litros para la exportación durante los
próximos tres años.
En Brasil, el gobierno no está apostando actualmente para los vehículos que
usan solamente alcohol, sino por los de combustión flexible, que les permiten
consumir cualquier proporción de alcohol hidratado y gashol, dependiendo de los
precios relativos en las estaciones de servicio. El motor de combustión flexible
ha sido desarrollado por el mayor fabricante de automóviles brasileños.
El gobierno está preparando un paquete de incentivos, instrumentos y medidas
para sostener la producción de alcohol si fuera necesario. Han publicado un
decreto gubernamental que incluye cinco instrumentos, además de la iniciativa
de un stock estratégico: creación de un programa de opciones, aprobación que
el gobierno compre y venda stocks de Etanol, pago de una prima sobre las
compras de Etanol al por mayor para incrementar ventas cuando sea necesario
y subvenciones para las compras de Pagarés Rurales, una garantía con
respaldo gubernamental para ventas futuras que facilite la acumulación de
stocks.
Dentro de la experiencia brasileña, se puede rescatar varias lecciones
importantes, entre las cuales se puede mencionar la firme voluntad política del
gobierno para promover la producción, comercialización y uso del Etanol. Otro
factor importante, es el diseño de estrategia de largo alcance para fomentar el
26
crecimiento sostenido del consumo del Etanol. Además, hay creación de
incentivos claros en todos los eslabones de la cadena para estimular la
producción del Etanol. La firma consultora Datagro7, que asesora a las
azucareras más grandes, estima que entre 1979 y mediados de los años 90 el
país gastó unos US$16.000 millones (en dólares actuales) en créditos y subsidio
de precios.
Según el Banco Mundial, en Brasil el costo de producir etanol puede ser de 26
centavos de dólar por litro. El precio internacional de la gasolina es de unos 39
centavos por litro. Si bien el etanol rinde menos kilometraje que la gasolina, en
Brasil sigue siendo más barato por kilómetro recorrido. Por eso, el etanol
representa hoy casi un 20% del mercado de combustible para el transporte,
mientras que el consumo de gasolina se ha reducido desde fines de los años 70.
En el resto del mundo, el uso de combustibles alternativos es de apenas 1%.
Además, la productividad de la industria del etanol ha aumentado
consistentemente gracias a otros mejoramientos, como utilizar los desechos de
la caña procesada para proveer energía a las plantas azucareras y aprovechar
los restos de la producción de etanol para fertilizar los campos azucareros. En
1975, Brasil obtenía de una hectárea de caña de azúcar 2.000 litros de etanol.
Hoy son casi 6.000 litros8.
2.2.4. Bio-etanol en Estados Unidos
La producción de etanol en Estados Unidos9 se ha desarrollado particularmente
a partir del maíz, y se agrega a la gasolina en proporción de 5%; además sirve
como antidetonante. Aunque la producción de etanol se ha mirado más como un
subsidio a los agricultores que una política energética, esta ya demanda 11% del
7 La exitosa apuesta de Brasil para reducir su dependencia de los vaivenes del petróleo. En
línea. Acceso 10 Julio 2006. Rebelión. http://www.rebelion.org/noticia.php?id=25333 8 Ruiz, Jairo. Situación y futuro de esta alternativa energética. En línea. Acceso Marzo, 2006.
www.automundo.com 9 Ibid
27
maíz producido en Estados Unidos, lo que alcanza para reemplazar 1% de la
gasolina consumida.
Es significativo tener en cuenta que el maíz utilizado para la producción de
etanol no se pierde en su totalidad, ya que se aprovechan las proteínas y el
aceite se usa para biodiesel y para la agroalimentación.
La mezcla de gasolina con etanol está disponible principalmente en el oeste
medio de Estados Unidos, y es el único tipo de gasolina de venta permitida en
Minnesota. La variedad conocida como ´E10´ contiene 10% de etanol y 90% de
gasolina. Otras mezclas incluyen la E5 y E7. Estas concentraciones son
generalmente seguras para los motores de automóviles recientes no
modificados.
Algunas otras regiones y municipalidades ordenan que los combustibles
comercializados localmente contengan cantidades limitadas de etanol. Una
forma de medir los combustibles alternativos en Estados Unidos es la de
"galones equivalentes de gasolina" (GEG). En el año 2002 se utilizó en Estados
Unidos como combustible una cantidad de etanol igual a 137 petajulios10, la
energía de 1,13 billones (miles de millones) de galones (4,28 millones de m3) de
gasolina. Esto es menos de 1% del total del combustible utilizado ese año.
La mezcla de 15% de etanol y 85% de gasolina ha tenido tradicionalmente un
costo similar al de la gasolina, pero con los precios del crudo más altos durante
2005, es común ver el galón de E85 hasta US$0,70 más bajo que el de gasolina,
muy atractivo para el reducido pero creciente número de motoristas con carros
que pueden utilizarlo. Sin ninguna esperanza de reducción considerable a
mediano plazo en los precios del petróleo, la competitividad en costos de la E85
(aun sin tener en cuenta los subsidios) parece asegurada.
10
Ibid
28
Según los datos publicados por la Administración de Información de la Energía11
(EIA por sus siglas en Inglés), el récord de junio 2003 fue un 13% más alto que
el anterior récord de junio del 2002, el cual era de 530 millones de litros. Las 70
plantas existentes en el 2002 en Estados Unidos tenían una capacidad de
producción superior a los 9.650 millones de litros anuales.
El Senado y el Congreso, mantienen conversaciones para consensuar una ley
sobre la energía. En un plazo de cuatro años, se prevé la prohibición del MTBE y
se implementará un nivel mínimo de combustibles renovables. Con estos nuevos
instrumentos legales, se espera un fuerte crecimiento de la demanda del Etanol.
Por ejemplo12, las estimaciones de la demanda de Etanol en California para
sustituir al Eter de Metil Butil Terciario (MTBE) varían entre los 660 y los 950
millones de galones anuales, es decir entre 2.500 a 3.600 millones de litros,
representando un incremento en el uso de Etanol en el estado de California
entre cuatro y seis veces más.
2.3. CADENA DE ABASTECIMIENTO DE LA YUCA
En Colombia, la yuca es un cultivo típico de economía campesina, presentando
una oferta atomizada y sistemas de producción atrasados. La oferta se compone
básicamente de la cantidad de productos que se producen más los que ingresan
al país por importación. De esto, se tiene como resultado que la oferta de yuca
en Colombia es la que se observa posteriormente, en la tabla 2.
En comparación con la producción, las importaciones no influyen en mayor
grado a la oferta de yuca, dado que la cantidad importada es mínima.
11
Instituto Interamericano de cooperación para la agroindustria. Op. Cit. 12
Ibid.
29
Tabla 2. Oferta de yuca en Colombia 1991-2001
AÑO PRODUCCIÓN
1
(TM) IMPORTACIONES
2
(TM) OFERTA
3
(TM)
1991 1.645.213 269 1.645.482
1992 1.650.961 1.940 1.652.901
1993 1.900.190 1.716 1.901.906
1994 1.794.611 19.024 1.813.635
1995 1.801.079 2.074 1.803.153
1996 2.019.748 66 2.019.814
1997 1.676.560 1.829 1.678.389
1998 1.598.166 1.680 1.599.846
1999 1.761.546 0 1.761.546
2000 1.792.382 17.022 1.809.404
2001 1.980.110 9.362 1.989.473
Fuente: 1. Anuario Estadístico del Sector Agropecuario 2001. Ministerio de Agricultura y Desarrollo Rural 2. DANE. Corresponde a la Partida Arancelaria 0714100000-Raíces de yuca (mandioca), frescos, refrigerados, secos, incluso troceados o en "pellets". 3. Cálculos Investigador.
Es importante resaltar que el destino de la totalidad de la producción, como
ocurre en la mayoría de los mercados, está segmentado. La producción actual
de yuca se orienta al consumo humano, al consumo animal y a otros consumos.
Según el Departamento Nacional de Planeación, para consumo humano se
destina entre el 60% y 75% de la producción; sin embargo, en los últimos años,
el consumo de raíces frescas en el país ha tenido una tendencia decreciente
debido a las dificultades para su conservación, a su precio y al precio de algunos
sustitutos calóricos como el plátano y la papa. En 1970 se destino el 75% y en
1999 se destino el 72% de la producción, lo cual indica que el consumo de yuca
fresca en Colombia se redujo a 1.268.313 Ton en 1999.13
La alimentación animal posee entre el 10% y el 17% de producción, constituye el
segundo uso más importante de la yuca, además la producción de mezclas
balanceadas es una opción cada vez más atractiva para el mercado. El
consumo animal en 1970 llego a ser del 12% de la producción mientras que en
1999 fue del 17%, datos que muestran como este segmento va en crecimiento.
13
Departamento de Planeación Nacional. Dirección de Desarrollo Agrario.
30
Por otro lado al procesamiento (Industria alimentaria y no alimentaria) y otros
usos se le atribuye entre el 10% y el 13% restantes.
De lo anterior se puede concluir que con una producción de 1.989.473 Ton
(2001) se destinó al consumo humano 1.332.946Ton, al consumo animal
437.684 Ton y al procesamiento y otros consumos 218.842 Ton de yuca.
Las zonas productoras de yuca en Colombia son: la Costa Atlántica que siembra
el 42% del área, los Santanderes, los Llanos Orientales, Tolima y Huila, el Eje
Cafetero y el Valle del Cauca.
El proceso de producción de bio-etanol a partir de la yuca consta de las
siguientes etapas:
- Obtención del almidón.
- Hidrólisis del almidón.
- Fermentación.
- Destilación.
- Preparaciones auxiliares.
- Almacén de etanol
Durante este proceso se requieren los siguientes insumos:
1. Materia prima (yuca):
El insumo utilizado en la planta para producir el etanol son las raíces de yuca
seca, que se adquirirán en los centros de acopio.
2. Materias auxiliares:
Los materiales auxiliares utilizados en el proceso de producción se muestran a
continuación:
- Ácido sulfúrico.
- Soda cáustica.
- Cloruro cálcico.
- Ácido fosfórico.
- Agentes antiespumantes.
- Enzima alfa-amilasa.
- Enzima amiloglucosidas.
- Levadura.
- Agua.
- Gases.
31
Producto y subproducto del proceso
Como producto principal del proceso obtenemos alcohol deshidratado del
99,75% de pureza. En algún caso especial podríamos llegar a obtener alcoholes
de otras características.
- Alcohol Deshidratado.
- Alcohol De Reacción
- Alcohol De Segunda Calidad
- Afrecho o fibra: el afrecho se usa como ingrediente para concentrado de
animales o se ofrece directamente en la alimentación animal.
- Harina de yuca industrial.
2.4. CADENA DE ABASTECIMIENTO DE LA CAÑA DE AZÚCAR
El sector azucarero colombiano14 se encuentra ubicado en el valle geográfico del
río Cauca, abarcando desde el norte del departamento del Cauca, pasando por
el Valle del Cauca hasta el sur del departamento de Risaralda. En el año 2002
había sembradas 205.460 hectáreas en caña, de las cuales el 20% correspondía
a tierras propias de los ingenios y el restante 80% a más de 1.500 cultivadores
de caña.
La producción de azúcar en el año 2002 fue de 2.52 millones de tmvc (toneladas
métricas valor crudo), incrementándose en 12.5% frente a la producción de
2001. El rendimiento comercial fue de 11.8%, el segundo más alto de los
últimos 20 años, fruto de los desarrollos realizados durante los últimos años
tanto en campo como en el continuo esfuerzo para mejorar la eficiencia de las
fábricas. Las exportaciones en el año 2002 fueron equivalentes al 1.75% de las
exportaciones totales de Colombia y al 3.16% de las exportaciones no
tradicionales. Para el Valle del Cauca las exportaciones de azúcar representan
el 70.12% del volumen exportado. Dentro de la economía nacional, el sector
aporta el 1% del PIB total, el 3% del PIB Industrial y el 4.2% del PIB Agrícola,
14
http://www.asocana.com.co/historia.asp
32
mientras que para la región, estas cifras corresponden a 6.3%, 12.2% y 47.2%,
respectivamente.
El tema social reviste de gran importancia para el sector, dado que cuenta con
cerca de 27.000 empleos directos y 166.000 indirectos. Si se tiene en cuenta el
empleo generado por todas las empresas del cluster del azúcar y la composición
demográfica de las familias de la región, se deduce que más de 1 millón de
personas dependen de la actividad azucarera, algo así como el 30% de la
población del departamento del Valle del Cauca y el 2.5% de la colombiana.
El proceso de producción de bio-etanol a partir de la caña de azúcar consta de
las siguientes etapas (Ver Figura 1):
- Obtención de la caña de azúcar
- Molienda.
- Clarificación y preparación del jugo.
- Fermentación y desorción del CO2.
- Destilación y deshidratación de
alcohol.
- Tratamiento de las vinazas.
- Almacén de etanol
Gráfico 1. Proceso de Producción de Etanol a partir de la caña de azúcar
Vinaza
Cerveza
Jugo de Caña
Caña de Azúcar
Cultivo
Recepción
de Materia
Preparación
de la Masa
Fermentación
Destilación
Degradación
Subproducto
Levadura
Co2
Etanol 190
Proof
Deshidratación Etanol 200
Proof
Almacenamiento
Producto
Desnaturalizació
n
Alcohol
CarburanteAbono Orgánico
Agua de Riego
Fuente: Bio-etanol por fermentación del jugo de caña de azúcar y melazas como aditivo oxigenante de la gasolina. Corpodib. Bogotá, Colombia, 2005.
33
Durante este proceso se requieren los siguientes insumos:
Materia prima (caña de azúcar):
El insumo utilizado en la planta para producir el etanol es la caña de azúcar,
que se adquirirán en las plantaciones.
Materias auxiliares:
Los materiales auxiliares utilizados en el proceso de producción se muestran a
continuación:
- Levadura
- Bagazo
- Agua
- Vapor
- Ayudante Floculación
Producto y subproducto del proceso
Como principales productos y subproductos de este proceso se obtienen:
- Alcohol.
- Bagazo
- Lodos – abono biológicos
- Gas
2.5. DISTRIBUCIÓN DEL BIO-ETANOL Y COMBUSTIBLES
En Colombia la cadena de suministro de gasolinas y diesel la conforman tres
actores principales: el distribuidor gran mayorista; los distribuidores mayoristas;
los distribuidores minoristas.
La Empresa Colombiana de Petróleos (ECOPETROL) actúa como distribuidor
gran mayorista y, con instalaciones propias, refina y transporta gasolinas básicas
hasta las plantas de abastecimiento de los distribuidores mayoristas
(actualmente Exxon Mobil, Shell, Terpel y Texaco), que a su vez distribuyen a la
red de estaciones de servicio de los distribuidores minoristas donde finalmente
se atiende la demanda del público consumidor (Ver gráfico 2); esta cadena de
suministro es la misma que se utiliza para los demás combustibles líquidos en
Colombia. En algunos territorios nacionales ECOPETROL actúa como
34
distribuidor minorista a través de Terpel, y existen casos especiales donde los
grandes consumidores son atendidos directamente en las refinerías o en las
plantas de abastecimiento de los distribuidores mayoristas.
Con la adición de oxigenantes a las gasolinas se integra un nuevo actor a la
cadena: el productor de alcohol. Según establecen la Ley 693 de 2001 y sus
normas reglamentarias, los productores de alcohol venderán el alcohol anhidro
únicamente a los distribuidores mayoristas quienes lo mezclarán con la gasolina
(10% de alcohol) y agregarán el conjunto de aditivos necesarios para este tipo
de gasolinas. Los distribuidores mayoristas venderán el combustible oxigenado a
los distribuidores minoristas, siguiendo el esquema actual de suministro (Ver
gráfico 3).
De acuerdo con la reglamentación, ECOPETROL podrá transportar alcoholes
carburantes o mezclas que los contengan a través de su red de poliductos
siempre y cuando garantice que la calidad de los derivados del petróleo
transportados por tales sistemas no sea deteriorada. Además, los productores
nacionales podrán exportar alcoholes carburantes en tanto garanticen el
abastecimiento interno.
Gráfico 2. Esquema de la cadena de suministro de gasolina automotor en Colombia, año 2003.
Fuente: CENICAÑA, proyecto nacional de oxigenación de las gasolinas en Colombia 2003.
Distribuidor Mayorista
Planta de abastecimiento
Exxon Mobil, Shell, Terpel,
Texaco
Distribuidor Gran Mayorista
Refinerías de ECOPETROL
(Barrancabermeja y Cartagena)
Gasolinas
importadas Gasolina
extra
Gasolinas básicas
(corriente y extra)
Poliductos
Aditivos
detergentes/
dispersantes
Distribuidor Minorista
Estación de Servicio
Gran
Consumidor
Consumidor
individual
Gasolinas
básicas
35
Gráfico 3. Esquema futuro de la cadena de suministro de gasolina oxigenada para automotores
en Colombia.
Fuente: CENICAÑA, proyecto nacional de oxigenación de las gasolinas en Colombia 2003.
2.6. FORMULACIÓN DE MODELO BASE
A continuación se presenta información base para el desarrollo de modelos
sectoriales de optimización de cadenas de abastecimiento. Se presenta una
descripción matemática de un modelo de localización-asignación para la cadena
de valor en estudio.
Los modelos matemáticos podrían definirse como representaciones idealizadas
de la esencia de un problema, expresadas en términos, símbolos y expresiones
matemáticas, las cuales describen a un problema en forma concisa, de tal
Distribuidor Mayorista
Planta de abastecimiento
Exxon Mobil, Shell, Terpel,
Texaco
Distribuidor Gran Mayorista
Refinerías de ECOPETROL
(Barrancabermeja y Cartagena)
Gasolinas
importadas Gasolina
extra
Gasolinas básicas
(corriente y extra)
Poliductos
Aditivos
detergentes/
dispersantes
Distribuidor Minorista
Estación de Servicio
Gran
Consumidor
Consumidor
individual
Gasolinas
básicas
Paquete de aditivos para
gasolina oxigenada
Gasolinas
oxigenadas
Centro productor de etanol
Destilerías
Desnaturalizante
36
manera que la estructura del problema es mucho más comprensible y ayuda a
revelar las relaciones más importantes de causa efecto15.
De esta manera se indica con mayor claridad, que datos adicionales son
importantes para el análisis. También facilita simultáneamente el manejo del
problema en su totalidad y el estudio de todas sus interrelaciones. Por último, un
modelo matemático forma un puente para poder emplear técnicas matemáticas y
computadoras de alto software para muchos tipos de modelos matemáticos,
para micro y mini computadoras. Un ejemplo del uso de este tipo de modelo
puede darse en torno a un problema industrial que posee un conjunto de
ecuaciones y expresiones relacionadas que describen la esencia del problema.
Así se pueden tomar decisiones cuantificables relacionadas unas con otras, se
representan como variables de decisión, para las cuales se deben determinar
valores respectivos.
La medida de desempeño adecuada (por ejemplo la rentabilidad o minimización
de costos) se expresa entonces como una ecuación matemática de estas
variables de decisión. Esta función se llama función objetivo. También se
expresan matemáticamente todas las limitaciones que se pueden imponer sobre
los valores de las variables de decisión, casi siempre en forma de ecuaciones o
desigualdades. Tales expresiones matemáticas de las limitaciones, con
frecuencia reciben el nombre de restricciones. Las constantes (los coeficientes
al lado derecho de las ecuaciones) en las restricciones y en la función objetivo
se llaman parámetros del modelo. El modelo matemático puede expresarse
entonces como el problema de elegir un conjunto de valores de las variables de
decisión de manera que maximice la función objetivo, sujetas a las restricciones
dadas. La determinación de los valores apropiados que deben asignarse a los
parámetros del modelo (un valor por un parámetro) es crítica y a la vez un reto
dentro del proceso de construcción del modelo.
15
HILLER Frederick LIEBERMAN Gerald. Introducción a la investigación de operaciones. México: Mc Graw Hill , 1997.p. 11-14
37
El modelo base de localización-asignación para cadenas de abastecimiento o
comúnmente conocido como modelo de Localización de Centros de Distribución
(Tomado y adaptado del Libro de Jeremy Shapiro “Modelando Cadenas de
Suministro”) puede entenderse a partir del siguiente Diagrama (Diagrama 03) y
de los siguientes datos:
Diagrama 03. Grafo general para cadenas de suministro en un año t.
Sub-indices
• j = Producto
• i = Insumo
• p = Proveedores
• u = Ubicación
• d = Distribuidor
• m = Mercado
• t = Periodo (tiempo)
Variables de decisión
• Yut = 1 si se utiliza o abre una nueva instalación en la ubicación u en el
periodo t, 0 de otra forma
• Sjudt = cantidad de producto j producido en la ubicación u para mandar
al centro de distribución en el periodo t
• Xipjut = cantidad de componente i comprado del proveedor p para
producir j en la localización u en el periodo t
• Mjdmt = Cantidad del producto j a enviar del centro de distribución d hacia
el mercado m en el periodo t
Parámetros
• sjut = valor agregado (costo de producción variable) para un producto j
en la planta ubicada en u en el periodo t.
Destilería
Proveedor de
Materia
Prima
Distribuidor
Minorista o
Consumidor
Final
Distribuidor
Mayorista
MjdmtXipjut SjudtYut
38
• ciput = costo unitario de compra y envío del insumo i del proveedor p
hacia la planta de producción ubicada en u en el periodo t
• zjudt = costo unitario de envío del producto j de la planta ubicada en u
hacia el centro de distribución d en el periodo t
• mjdmt = costo unitario de envío del producto j desde el centro de
distribución d hacia el mercado m en el periodo t
• Djmt = demanda del producto j en el mercado m en el periodo t
• Fut = costo fijo de operar la planta en la ubicación u en el periodo t
• Kjut = capacidad de producir el producto j de la planta ubicada en u en
el periodo t
• Pipt = capacidad de oferta del insumo i por parte del proveedor p en el
periodo t
• pjmt = precio de venta (o valor) del producto j vendido en la región m en
el periodo t
• rij(ut) = cantidad del componente i para producir el producto j (en la
planta ubicada en u en el periodo t)
Función Objetivo
Minimizar Costos: Donde los costos se componen por:
+Costo de Instalación y operación fija de las plantas en alguna localidad.
+Costo de materia prima por componente.
+Costo de producción variable y de envío desde el centro de producción al de
distribución.
+Costo de distribución del producto al consumidor final o al distribuidor minorista.
j d
jdmt
m t
jdmt
ut i p j j u
judt
d t
judtjudtipjut
u t
ipututut
Mm
SzsXcYF )(
(1)
39
Sujeto a:
A continuación se presentan las restricciones de mercado, materiales,
capacidad, logísticas y de flujo:
tpiPX ipt
j u
ipjut ,,; Capacidad de oferta de Insumos (2)
tujiSrXd
judtutij
p
ipjut ,,,;*)( Ec. de Balance de insumos (3)
tdujKYS jututjudt ,,,; Fact. de producción en planta (4)
tujKS jut
d
judt ,,; Capacidad de producción (5)
tdjMSm
jdmt
u
judt ,,; Ec. de Balance distribuidor (6)
tmjDM jmt
d
jdmt ,,; Cumplimiento de demanda (7)
tmdujpiMSXY jdmtjudtipjutut ,,,,,,;0;0;0};0,1{
2.7. PROGRAMACIÓN ESTOCÁSTICA
Por simplicidad cuando se están modelando problemas de gran escala que
incluyen programación entera, la estocasticidad es ignorada y los modeladores
asumen que los parámetros del problema son exactamente conocidos o que se
pueden aproximar o pronosticar con un pequeño margen de error. Esto se hace
con el fin de reducir el tiempo de solución y resulta en un problema más fácil de
resolver16.
Sin embargo, en muchos casos estos parámetros poseen una distribución de
probabilidad y deben ser modelados como variables aleatorias. Este fenómeno
claramente complica el problema, aunque por otro lado, lleva a que los
16
SCHWARM, Alexanter and NIKOLAOU, Michael. Chance Constrained Model Predictive Control. Texas, Estados Unidos.
40
resultados obtenidos sean más realistas y conlleven a un mejoramiento en el
valor de la función objetivo. Existen muchas maneras de incorporar esta
aleatoriedad en el modelo a tratar17. Con el fin de evaluar el efecto de
aleatoriedad en la demanda del bio-etanol en las distintas ciudades durante el
periodo de tiempo modelado se incorporará la metodología de Oportunidad
Restringida (Chance Constrained18) al modelo.
2.7.1. Programación de Oportunidad Restringida (Chance Constrained)
La presencia de variables aleatorias en el problema a tratar requiere de métodos
que tengan en consideración estocasticidad en el problema. Como ya se dijo
anteriormente existen varias posibles alternativas para modelar variables
aleatorias en la modelación matemática y una de ellas es la programación de
oportunidad restringida donde un nivel de probabilidad definido es estipulado
para la violación de algún grupo de restricciones. Este tipo de modelos pueden
ser convertidos a una forma determinista, pudiendo resolverse entonces como
un modelo de programación lineal. Específicamente, cuando las variables siguen
una distribución normal han sido desarrolladas metodologías apropiadas de
solución.
Un modelo típico de programación estocástica con chance constrained tiene la
siguiente forma (Birge and Louveaux, 1997):
0,Pr
0)(
..
)(min
2
1
xpg
xg
as
xfx
(8)
17
Colomé, Rosa; Lourenco, Helena and Serra, Daniel. A new Chance-Constrained Maximum Capture Location Problem. Universidad Pompeu Fabra. Barcelona, España. Septiembre 2003. 18
Öztürl, Ugur. The Stochastic Unit Commitment Problem: A chance Constrained Programming Approach Considering Extreme Multivariate Tail Probabilities. Universidad de Pittsburgh, Estados Unidos, 2001.
41
Donde x es el vector de variables de decisión y g2 contiene el vector de
parámetros estocásticos p. Si la función de densidad de probabilidad de p es
conocida entonces la restricción probabilística 0,Pr 2 xpg puede en
principio sustituirse por una restricción determinista de la forma 03 xg , con
el fin de poder manejar el problema de optimización como un problema ordinario
lineal o no lineal.
42
3. DISEÑO METODOLÓGICO E IMPACTOS ESPERADOS
Para la realización de esta investigación se tuvieron en cuenta los siguientes
aspectos:
Tipo de estudio
Método de Investigación
Fuentes y técnicas de recolección de Información
Tratamiento de la información.
Impactos científicos y tecnológicos.
Impacto ambiental.
3.1. TIPO DE ESTUDIO
El proyecto es de carácter exploratorio, descriptivo y analítico. Exploratorio, por
que su desarrollo exige la comprensión de diversos aspectos relacionados con
optimización de cadenas de suministro, características de los procesos para la
obtención de bio-etanol a partir de la caña de azúcar, la yuca y sus derivados
agroindustriales, localización de plantas para redes logísticas, etc.
Descriptivo, porque se analizaron las variables que intervienen en la cadena de
abastecimiento del bio-etanol, como son los transportes, órdenes y
requerimientos de material. Esta descripción de variables tanto dependientes
como independientes ayudó en el adecuado desarrollo de la formulación,
objetivo del proyecto.
Analítico porque se encontró solución al modelo de optimización planteado
analizando sus resultados.
43
3.2. MÉTODO DE INVESTIGACIÓN
Las actividades estuvieron orientadas a realizar las labores de construcción,
montaje e implementación de un modelo sectorial de la cadena de abastecimiento
de bio-etanol a partir de la yuca y la caña de azúcar, utilizando metodologías
propias de la programación matemática.
La metodología establecida se desarrolló en tres fases. La primera fase estuvo
orientada a poner en marcha el proyecto y estuvo integrada por actividades de
carácter general que cubren; i) capacitación del autor en temas relacionados con
el proyecto y en el uso de las herramientas informáticas tanto de solución como
de programación, ii) investigación bibliográfica y tecnológica y iii) recolección de
información general. Esta fase inicial tuvo una duración de tres (3) meses.
La segunda fase estuvo relacionada con la implementación del modelo
matemático sectorial para la cadena del bio-etanol. Las actividades realizadas
fueron: i) diseño del modelo matemático y de la solución computacional, ii)
implementación del modelo matemático, iii) carga de la bases de datos del
modelo, Iv) ajuste y puesta en marcha. Esta fase tuvo una duración de ocho (8)
meses.
Finalmente, la tercera fase estuvo relacionada con la difusión de los resultados de
la investigación mediante la presentación de este documento final y la preparación
de un artículo para ser presentado a revisión en las revistas especializadas en el
tema. Esta labor se realizará tanto a nivel nacional como internacional. Esta fase
tuvo una duración de un (1) mes
44
3.3. FUENTES Y TÉCNICAS DE RECOLECCIÓN DE INFORMACIÓN
Para la realización de esta investigación se tuvieron en cuenta principalmente
fuentes secundarias, ya que en el país para el momento de esta recolección no
se contaba con ninguna planta procesadora de Bio-etanol ni de su cadena de
valor.
Entre las fuentes secundarias se acudió a revistas especializadas que tratan de
optimización de cadenas de suministro, procesos de obtención del bio-etanol a
partir de la caña de azúcar y la yuca, y sus respectivas cadenas agroindustriales,
textos, libros y documentos referentes al tema mencionados en la referencia
bibliográfica de este documento, así como también se utilizó el Internet como
fuente de información secundaria, y a través de entidades tales como:
Departamento Nacional de Estadística (DANE).
Instituto Geográfico Agustín Codazzi.
Instituto Colombiano Agropecuario.
Ministerio de Agricultura.
Ministerio de Minas y Energía.
Unidad de Planeación Minero Energética (UPME).
ECOPETROL.
Ministerio de Transporte.
Departamento Nacional de Planeación (DNP).
3.4. IMPACTOS ESPERADOS DE LA INVESTIGACIÓN
En la siguiente tabla (tabla 3) se puede observar un resúmen de los impactos
directos e indirectos esperados con la realización de la presente investigación.
45
Tabla 3. Impactos Esperados.
Categoría Impacto esperado Indicador verificable
Supuestos
Económico Beneficio económico real: ahorro en costos de producción y de distribución
Número de: Proyectos de investigación, Proyectos de innovación tecnológica. Tesis de pregrado y de postgrado que impliquen el uso de las metodologías y tecnologías relacionadas con la investigación
Implementación y difusión de los resultados de la investigación
Productividad y
Competitividad
Cambio en la cultura de gerencia de la Cadena de Abastecimiento del bio-etanol
Científico y Tecnológico
Uso de herramientas cuantitativas avanzadas para soportar la toma de decisiones en el sector real
Medio Ambiente
Disminución en la contaminación provocado por los combustibles convencionales
Social La generación de empleo directo e indirecto en las zonas rurales
3.5. IMPACTOS CIENTÍFICOS Y TECNOLÓGICOS
Acceso a nuevos mercados nacionales e internacionales
En Colombia, y en la mayoría de países latinoamericanos (Chile y Brasil se
pueden considerar como excepciones) el uso de herramientas computacionales
en optimización de procesos industriales es nuevo para las pequeñas y
medianas empresas e incipiente para las grandes empresas. La implementación
de las pruebas reales de modelos de optimización prototipo, abrirá a los
desarrolladores y a los consultores nacionales e internacionales la oportunidad
de entrar en el corto plazo en el mercado colombiano y en el mediano plazo en
el mercado latinoamericano.
Mejoramiento de la productividad y la calidad
Inherentemente las herramientas computacionales de optimización de procesos
conllevan el mejoramiento de la productividad en el proceso al cual se apliquen.
Dado que el modelo propuesto en el presente proyecto es de carácter
estratégico, es decir de mediano a largo plazo. Se espera que las empresas que
46
elijan implementar dichas herramientas tengan aumentos de productividad de
crecimiento paulatino en el futuro inmediato del Sector Agricultor de interés.
Para comprobar el valor agregado por las matemáticas aplicadas mediante la
Investigación de Operaciones, podemos citar al Profesor Jeremy F. Shapiro,
quien afirma:
“El beneficio primario de un DSS -Decision Support System- es la explícita
reducción en costos y el incremento en ganancias. La reducción en costos del
ocho por ciento realizada por nuestro cliente no es atípica, en nuestra
experiencia, el análisis integrado de problemas de planificación, utilizando
modelos matemáticos, determina estrategias entre el tres y el veinte por ciento
más económicas. Muchas compañías no permiten publicar sus experiencias
positivas, ya que consideran que un sistema avanzado de soporte de decisiones
les da una ventaja competitiva.” (Shapiro et. al.1993).
Afirmaciones como las del profesor Shapiro no deberían pasar inadvertidas para
la alta gerencia, ni para quienes imparten programas de capacitación. Los
porcentajes de ahorro en costos no son despreciables y definitivamente tocan
significativamente el nivel de utilidades de cualquier empresa.
Comunidades beneficiadas con la investigación
Los agentes de la Cadena de Abastecimiento del Bio-etanol y de las cadenas
asociadas a la yuca y la caña de azúcar serán las primeras comunidades
beneficiadas con éste proyecto, la implementación de herramientas
computacionales de optimización les permitirá elevar su productividad y por
ende sus ingresos y ganancias.
La comunidad científica colombiana en la rama de la investigación operativa
y de las matemáticas aplicadas se verá beneficiada en el corto y mediano
47
plazo gracias al interés y necesidad de de futuros desarrollos de la
comunidad productiva colombiana.
La sociedad colombiana al aumentar la productividad de su sector
agroindustrial deberá recibir el beneficio diferencial en la mejora de su
calidad de vida.
Desarrollo tecnológico de los usuarios
Al abrirse el mercado colombiano para las herramientas computacionales para
optimización de procesos, los proveedores actuales y prospectivos nacionales
deberán estar a la par en el desarrollo continuo de estas herramientas. Las
características únicas del entorno económico colombiano darán a los
proveedores nacionales una ventaja inicial para llegar primero a los posibles
clientes, pero deberán desarrollar e innovar continuamente para lograr mantener
dicha ventaja contra los proveedores internacionales. Se estima que en el
mediano plazo crezca significativamente el número de proveedores nacionales
de herramientas computacionales en tecnologías de optimización de procesos.
3.6. IMPACTOS ESPERADOS A PARTIR DEL USO DE LOS RESULTADOS.
Los resultados obtenidos con la realización de esta investigación buscan generar
metodologías que permitan mejorar la toma de decisiones en el sector agricultor
colombiano. Los impactos de esta investigación se esperan conseguir a mediano
plazo, ya que existe una cultura tradicional, muy fuerte, de la forma y los
métodos utilizados para tomar las decisiones en el ambiente industrial. Por esta
razón, inicialmente es necesario mostrar a las diferentes instituciones, a los
ingenieros, a los estudiantes, etc., que las metodologías basadas en
herramientas de optimización que permiten obtener mejores resultados que por
vías tradicionales y que el valor agregado por las matemáticas aplicadas es
significativo y nunca despreciable. En la medida en que los usuarios finales de
estas herramientas comiencen a utilizarlas se podrán obtener reducciones
48
significativas en los costos buscando una mejor utilización y racionalización de
los recursos del gobierno, de las empresas y en general de la comunidad.
3.7. IMPACTO AMBIENTAL INDIRECTO DE LA INVESTIGACIÓN
La utilización del combustible oxigenado con bio-etanol trae como resultado la
disminución de emisiones de los distintos agentes contaminantes que se
originan en el proceso de combustión del vehículo.
Monóxido de carbono (CO): Según ECOPETROL, el uso de la mezcla de
etanol 10% da como resultado una reducción de emisiones de CO entre 22%
y 50% para vehículos de carburador y reducciones menores para vehículos
de inyección. Esto se determinó mediante la evaluación de vehículos de
prueba en Bogotá.
Dióxido de Carbono (CO2): El uso del etanol puede reducir las emisiones
netas del bióxido de carbono (CO2) entre un 6-10% neto. Esta molécula,
producida durante la producción del etanol y la combustión de la gasolina, es
extraída de la atmósfera por las plantas para la formación del almidón y del
azúcar durante fotosíntesis. Es asimilado por las raíces, por lo que vuelven
generalmente al suelo.
Oxido de Nitrógeno (NOx): Hay poca diferencia entre la cantidad de
emisiones de óxidos de nitrógeno de los combustibles mezclados con etanol
y los combustibles convencionales. Para la mezcla de etanol en la gama de
85-95%, la reducción en emisiones de los óxidos del nitrógeno puede estar
de la magnitud del 20%.
Compuestos orgánicos volátiles (VOC's): Los compuestos orgánicos volátiles
son altamente reactivos en la atmósfera, y son fuentes significativas en la
formación de la capa de ozono. Hay aproximadamente una disminución de
7% del total de los VOC emitidos con el uso de los combustibles oxigenados,
respectos a los compuestos orgánicos emitidos por los combustibles fósiles
convencionales.
49
Dióxido de Sulfuro (SO2) y Partículas: Como el etanol no contiene ningún
sulfuro y además, promueve una combustión más completa del combustible,
la gasolina que se mezcla con etanol reduciría cualquier potencial para estas
emisiones y los efectos nocivos del sulfuro.
Aldehídos: Los aldehídos se han asociado a riesgos de salud. Todo
combustible oxigenado, incluyendo el etanol, emite niveles más altos de
aldehídos que la gasolina no-oxigenada. Sin embargo, las emisiones
crecientes del aldehído de los combustibles mezclados con etanol, son
insignificantes, pues la cantidad verdadera de emisiones es absolutamente
pequeña concerniente a otras emisiones peligrosas, y son eliminados
eficientemente por el convertidor catalítico en un vehículo.
Desde el punto de vista ambiental es evidente que el uso de combustibles
alternativos, reduce las emisiones de agentes contaminantes originados por
diversos factores, y en especial las generadas por combustibles de fuentes no
renovables, por lo que tendría consecuencias positivas. Adicionalmente la
utilización del 10% de alcohol en la mezcla con la gasolina, no requiere de
costos adicionales de adaptación del motor del vehículo para la utilización de
dicha gasolina
50
4. RECOLECCIÓN DE INFORMACIÓN GENERAL
En esta primera etapa se hizo una investigación bibliográfica y tecnológica, y se
recopiló información general y detallada del proceso de obtención del bio-etanol
a partir de la caña de azúcar y de la yuca y de su cadena de valor. Después de
una exploración a la información general recopilada, se identificaron los actores
principales de la cadena a tratar en el presente estudio. Estos eslabones pueden
resumirse en:
1. Productores de materias Primas (Insumos): donde se identificaron a las
zonas del país donde se llevan a cabo los cultivos de la yuca y la caña de
azúcar como los más importantes para el proceso. Luego los distintos
proveedores de insumos químicos.
2. Plantas procesadoras y productoras del Bio-etanol de la caña de azúcar y la
yuca.
3. Grandes mayoristas de combustibles. Plantas a las cuales se les proveerá
del alcohol para ser mezclado en las proporciones aprobadas por la ley, para
ser luego distribuidas.
4. Distribuidores minoristas. Los cuales recibirán el bio-combustible por parte de
los distribuidores mayoristas y luego realizarán la distribución del producto al
consumidor final.
5. Consumidor final. Como consumidor final se entenderán algunas ciudades
del país en las cuales de acuerdo con la Ley 693 del 2001, será de uso
obligatorio gasolinas con 10% de alcohol carburante (Barranquilla, Bogotá,
Cali, Medellín, Bucaramanga, Cartagena, Cúcuta y Pereira)
51
4.1. MATERIAS PRIMAS PRINCIPALES (INSUMOS)
Observando la cadena a estudiar en la presente investigación cabe notar que
ésta se puede subdividir en dos cadenas, las cuales hacen referencia a la
cadena del bio-etanol a partir de la yuca y la cadena a partir de la caña de
azúcar. Según lo expuesto en el marco teórico los insumos principales de ambas
cadenas son la yuca y la caña de azúcar por tanto recibirán un análisis más
detallado.
4.1.1. Oferta de la Yuca.
Cómo se expuso en la tabla 2 del presente documento y actualizando con los
valores para los años 2002-2004 podemos observar en el siguiente gráfico
(gráfico 4), que la oferta de la yuca durante el período de 1991 al 2004 ha
presentado un comportamiento que se podría decir constante, mostrando unas
leves alzas y bajas en la oferta, entre los años del 91 al 93 presentó un alza de
aproximadamente el 16%, luego hasta el año 95 mostró un comportamiento
decreciente para luego incrementarse en el 96 a un máximo de 2´019.814
toneladas, y entonces decrecer hasta el año 98, desde donde podemos ver que
empieza a incrementarse hasta el año 2001, donde vuelve a caer el año 2002,
observándose una recuperación desde entonces.
Gráfico 4. Oferta de yuca en Colombia 1991-2001
0
500,000
1,000,000
1,500,000
2,000,000
2,500,000
1990 1992 1994 1996 1998 2000 2002 2004 2006
Años
To
nel
adas
Fuente: Datos Tabla 2.
52
Observando los valores de Superficie cosechada y Producción de Yuca en el
país en los últimos años (Ver Anexo 01) y haciendo un análisis para el año 2004,
encontramos que el 71% de la superficie cosechada en yuca y el 74% (Ver tabla
4) de la producción se encuentra en los departamentos de Antioquia, Atlántico,
Bolívar, Cesar, Córdoba, Magdalena, Norte de Santander, Santander y Sucre.
Entre los departamentos antes mencionados que se encuentra en la región norte
del país, estos tienen una participación de alrededor del 49% de la producción
nacional.
Tabla 4. Participación en la producción de Yuca (2004)
Municipio % de Producción
Antioquia 9%
Atlántico 3%
Bolívar 16%
Cesar 4%
Córdoba 13%
Magdalena 5%
Norte de Santander 7%
Santander 8%
Sucre 9%
Otros 26%
Total 100% Fuente:
Cálculos Investigador
Anuario Estadístico del Sector Agropecuario 2004. Ministerio de Agricultura y Desarrollo Rural
Para el presente estudio se tuvieron en cuenta los Departamentos antes
mencionados como las zonas de donde se obtendrá la yuca para la producción
del Bio-etanol en las plantas a construir para tal fin.
Los valores de superficie cosechada, producción y rendimiento de yuca en los
departamentos de interés se muestran en la tabla siguiente (tabla 5).
Gráfico 5. Participación en la producción de Yuca (2204)
53
Tabla 5. Yuca: Superficie cosechada, producción y rendimiento obtenido por departamento. Años Agrícolas 1993-2004
Departamento Variable 1993 1994 1995 1996 1997 1998 1999 2000 2001 2002 2003 2004
Antioquia Superficie 11,213 10,692 12,389 10,757 9,132 10,043 10,436 8,550 9,819 9,154 9,741 11,002
Producción 189,881 187,602 215,108 204,922 151,753 166,914 151,919 123,690 140,080 130,058 142,671 180,689
Rendimiento 16.934 17.546 17.363 19.050 16.618 16.620 14.558 14.466 14.266 14.208 14.646 16.424
Atlántico Superficie 8,791 5,954 5,473 7,840 5,664 6,798 7,273 7,765 5,279 4,155 5,825 6,535
Producción 65,196 43,519 43,043 65,585 38,906 57,031 66,093 65,846 48,786 33,291 49,466 58,992
Rendimiento 7.416 7.310 7.865 8.366 6.869 8.389 9.087 8.480 9.241 8.013 8.493 9.027
Bolívar Superficie 20,983 17,152 16,712 14,899 10,910 22,654 18,754 24,310 25,186 25,072 27,988 28,976
Producción 215,437 174,183 180,888 147,400 85,708 211,299 172,115 235,508 249,501 264,135 321,368 315,066
Rendimiento 10.267 10.155 10.824 9.893 7.856 9.327 9.178 9.688 9.906 10.535 11.482 10.873
Cesar Superficie 10,083 7,590 8,308 8,290 4,680 8,125 5,670 6,879 5,892 6,378 7,543 6,996
Producción 122,730 80,374 87,000 97,240 34,590 82,050 55,010 77,820 62,709 62,783 76,665 70,098
Rendimiento 12.172 10.589 10.472 11.730 7.391 10.098 9.702 11.313 10.643 9.844 10.164 10.020
Córdoba Superficie 13,237 12,995 19,065 15,715 13,540 15,976 16,210 11,416 19,583 16,889 18,657 18,572
Producción 145,561 122,036 195,273 153,410 136,412 138,939 172,218 128,607 214,827 200,112 216,613 248,044
Rendimiento 10.997 9.391 10.242 9.762 10.075 8.697 10.624 11.266 10.970 11.849 11.610 13.356
Magdalena Superficie 12,049 17,784 18,058 19,572 17,617 21,450 17,674 15,828 16,378 10,563 11,338 14,205
Producción 102,417 124,488 130,899 155,874 137,681 146,335 131,088 110,786 114,191 65,101 80,455 100,145
Rendimiento 8.500 7.000 7.249 7.964 7.815 6.822 7.417 6.999 6.972 6.163 7.096 7.050
Norte Santander
Superficie 9,571 9,667 9,503 9,011 9,563 8,253 9,796 10,226 8,753 7,793 7,837 9,222
Producción 87,445 73,370 71,834 68,091 69,426 55,120 135,282 158,736 140,334 113,038 114,665 136,106
Rendimiento 9.136 7.590 7.559 7.556 7.260 6.679 13.810 15.523 16.033 14.506 14.632 14.760
Santander Superficie 15,952 22,892 23,497 27,008 21,742 16,134 15,101 16,286 17,653 17,033 16,680 13,511
Producción 112,684 178,925 214,603 291,901 184,198 157,608 148,340 164,664 195,901 204,304 191,657 158,401
Rendimiento 7.064 7.816 9.133 10.808 8.472 9.769 9.823 10.111 11.097 11.995 11.490 11.724
Sucre Superficie 22,093 18,663 15,331 14,221 16,139 12,984 18,412 16,659 14,987 16,222 15,513 15,902
Producción 214,187 188,207 148,349 130,023 159,300 106,366 163,484 150,302 127,213 131,730 150,150 173,002
Rendimiento 9.695 10.085 9.676 9.143 9.871 8.192 8.879 9.022 8.488 8.120 9.679 10.879
Nota: Superficie en Hectáreas; Producción en Toneladas; Rendimiento en Kilogramos/Hectárea.
Fuente: Evaluaciones Agropecuarias URPA´s, UMATA´s. Minagricultura y Desarrollo Rural - Dirección de Política Sectorial - Grupo Sistemas de Información.
54
En la siguiente tabla (tabla 6) se encuentran los datos estudiados por el
Ministerio de Agricultura y Desarrollo Rural, sobre el calendario de cosechas de
yuca por cada departamento. El patrón de este comportamiento se supondrá
permanecerá inalterable durante los años de modelación de la presente
investigación.
Tabla 6. Calendario de cosecha de Yuca.
Dep
arta
men
to
An
tioq
uia
Atlá
ntic
o
Bo
lívar
Cesar
Có
rdo
ba
Ma
gd
ale
na
No
rte
San
tan
de
r
San
tan
de
r
Su
cre
Enero 8% 0% 8% 0% 70% 0% 15% 8% 30%
Febrero 14% 0% 8% 0% 30% 0% 9% 8% 15%
Marzo 15% 0% 8% 0% 0% 40% 7% 8% 6%
Abril 13% 0% 10% 0% 0% 10% 6% 10% 5%
Mayo 10% 0% 8% 0% 0% 0% 8% 8% 0%
Junio 8% 30% 8% 0% 0% 0% 13% 8% 0%
Julio 7% 20% 8% 0% 0% 0% 14% 8% 0%
Agosto 7% 0% 8% 0% 0% 0% 9% 8% 0%
Septiembre 4% 0% 8% 0% 0% 40% 7% 8% 0%
Octubre 4% 0% 8% 50% 0% 10% 5% 8% 4%
Noviembre 6% 0% 8% 50% 0% 0% 5% 8% 20%
Diciembre 4% 50% 10% 0% 0% 0% 2% 10% 20%
Total Porcentaje 100% 100% 100% 100% 100% 100% 100% 100% 100%
Fuente:
Ministerio de Agricultura y Desarrollo Rural. Evaluaciones Agropecuarias.
Cálculos Investigador
Por otro lado, según el Departamento Nacional de Planeación, al procesamiento
(Industria alimentaria y no alimentaria) y otros usos se le atribuye en promedio
entre el 10% y el 13% de la producción de yuca en el país. Dado que no existe
suficiente información clara y confiable sobre el porcentaje de participación en el
consumo de la yuca destinada a otros usos distintos al consumo humano y
animal, a nivel de cada departamento, se asume que en promedio cada uno de
los departamentos anteriores maneja los mismos grados de participación del
país. Para la presente investigación se utilizará el valor de 13%.
55
4.1.2. Proyección de la Oferta de Yuca (Pronóstico por Series de Tiempo)
Para obtener los pronósticos de la oferta de la producción de yuca en el país se
utilizó el modelo estadístico de Series de Tiempos. En donde se tomó la
producción de yuca en cada departamento como única variable y se implementó
el software Stat Graphics para obtener los resultados.
Los tipos de modelos analizados fueron:
1. Random walk with drift
2. Tendencia Lineal
3. Promedio Móvil Simple de 3 periodos
4. Suavización exponencial simple
5. Suavización exponencial simple de Brown
En la sección de Anexos 2 se pueden observar los resultados completos para
cada departamento y además se encuentra una comparación de los resultados
de cada uno de los tipos de modelos. En conclusión se escogió el modelo de
Random Walk with drift como el modelo para obtener los pronósticos, ya que el
análisis de los resultados arrojó que dicho modelo es adecuado para los datos
que se tienen.
Los pronósticos calculados hasta el año 2020 fueron multiplicados por el
calendario de cosechas (Tabla 6) de cada departamento para poder así tener
una estimación de la producción mensual en toneladas de la yuca, valores que
luego se multiplicarán en el modelo por el porcentaje de dicha producción que se
supondrá estará disponible para su utilización en la cadena de producción de
Bio-etanol objeto del presente estudio. En la siguiente tabla (Tabla 7) se podrán
observar los valores obtenidos para los pronósticos de las producciones en los
distintos departamentos.
56
Tabla 7. Pronósticos de la Producción de Yuca. (2005-2020)
Periodo Pronóstico
(TON)
En
ero
Feb
rero
Marz
o
Ab
ril
Ma
yo
Ju
nio
Ju
lio
Ag
os
to
Se
pt.
Oc
tub
re
No
v.
Dic
.
ANTIOQUIA 8% 14% 15% 13% 10% 8% 7% 7% 4% 4% 6% 4%
2,005 179,853 14,389 25,179 26,978 23,380 17,985 14,389 12,590 12,590 7,194 7,194 10,791 7,194
2,006 179,018 14,322 25,062 26,853 23,272 17,902 14,322 12,531 12,531 7,161 7,161 10,741 7,161
2,007 178,182 14,255 24,945 26,728 23,163 17,818 14,255 12,473 12,473 7,127 7,127 10,691 7,127
2,008 177,346 14,188 24,828 26,602 23,055 17,734 14,188 12,414 12,414 7,094 7,094 10,640 7,094
2,009 176,511 14,121 24,711 26,477 22,946 17,651 14,121 12,356 12,356 7,061 7,061 10,590 7,061
2,010 175,675 14,054 24,594 26,351 22,837 17,567 14,054 12,297 12,297 7,027 7,027 10,540 7,027
2,011 174,840 13,987 24,478 26,226 22,729 17,484 13,987 12,239 12,239 6,994 6,994 10,490 6,994
2,012 174,004 13,921 24,360 26,101 22,620 17,400 13,921 12,180 12,180 6,960 6,960 10,440 6,960
2,013 173,168 13,854 24,243 25,975 22,511 17,317 13,854 12,122 12,122 6,927 6,927 10,390 6,927
2,014 172,333 13,787 24,127 25,850 22,403 17,233 13,787 12,063 12,063 6,893 6,893 10,340 6,893
2,015 171,497 13,720 24,009 25,725 22,294 17,149 13,720 12,005 12,005 6,860 6,860 10,289 6,860
2,016 170,661 13,653 23,892 25,599 22,185 17,066 13,653 11,946 11,946 6,827 6,827 10,239 6,827
2,017 169,826 13,586 23,776 25,474 22,077 16,982 13,586 11,888 11,888 6,793 6,793 10,189 6,793
2,018 168,990 13,519 23,659 25,349 21,968 16,899 13,519 11,829 11,829 6,760 6,760 10,139 6,760
2,019 168,154 13,453 23,541 25,223 21,860 16,815 13,453 11,771 11,771 6,726 6,726 10,089 6,726
2,020 167,319 13,386 23,425 25,098 21,751 16,732 13,386 11,712 11,712 6,693 6,693 10,039 6,693
ATLÁNTICO 0% 0% 0% 0% 0% 30% 20% 0% 0% 0% 0% 50%
2,005 58,428 0 0 0 0 0 17,529 11,685 0 0 0 0 29,214
2,006 57,864 0 0 0 0 0 17,359 11,573 0 0 0 0 28,932
2,007 57,300 0 0 0 0 0 17,190 11,460 0 0 0 0 28,650
2,008 56,736 0 0 0 0 0 17,021 11,347 0 0 0 0 28,368
2,009 56,172 0 0 0 0 0 16,852 11,234 0 0 0 0 28,086
2,010 55,608 0 0 0 0 0 16,683 11,121 0 0 0 0 27,804
2,011 55,044 0 0 0 0 0 16,513 11,009 0 0 0 0 27,522
2,012 54,480 0 0 0 0 0 16,344 10,896 0 0 0 0 27,240
2,013 53,916 0 0 0 0 0 16,175 10,783 0 0 0 0 26,958
2,014 53,352 0 0 0 0 0 16,006 10,670 0 0 0 0 26,676
2,015 52,788 0 0 0 0 0 15,837 10,557 0 0 0 0 26,394
2,016 52,224 0 0 0 0 0 15,667 10,445 0 0 0 0 26,112
2,017 51,660 0 0 0 0 0 15,498 10,332 0 0 0 0 25,830
2,018 51,096 0 0 0 0 0 15,329 10,219 0 0 0 0 25,548
2,019 50,532 0 0 0 0 0 15,160 10,106 0 0 0 0 25,266
2,020 49,968 0 0 0 0 0 14,991 9,993 0 0 0 0 24,984
BOLÍVAR 8% 8% 8% 10% 8% 8% 8% 8% 8% 8% 8% 10%
2005 324,123 25,930 25,930 25,930 32,413 25,930 25,930 25,930 25,930 25,930 25,930 25,930 32,413
2006 333,180 26,654 26,654 26,654 33,319 26,654 26,654 26,654 26,654 26,654 26,654 26,654 33,319
2007 342,238 27,379 27,379 27,379 34,224 27,379 27,379 27,379 27,379 27,379 27,379 27,379 34,224
2008 351,295 28,103 28,103 28,103 35,130 28,103 28,103 28,103 28,103 28,103 28,103 28,103 35,130
2009 360,352 28,828 28,828 28,828 36,036 28,828 28,828 28,828 28,828 28,828 28,828 28,828 36,036
2010 369,409 29,553 29,553 29,553 36,942 29,553 29,553 29,553 29,553 29,553 29,553 29,553 36,942
2011 378,466 30,277 30,277 30,277 37,847 30,277 30,277 30,277 30,277 30,277 30,277 30,277 37,847
2012 387,523 31,002 31,002 31,002 38,753 31,002 31,002 31,002 31,002 31,002 31,002 31,002 38,753
2013 396,581 31,726 31,726 31,726 39,659 31,726 31,726 31,726 31,726 31,726 31,726 31,726 39,659
2014 405,638 32,451 32,451 32,451 40,565 32,451 32,451 32,451 32,451 32,451 32,451 32,451 40,565
2015 414,695 33,175 33,175 33,175 41,470 33,175 33,175 33,175 33,175 33,175 33,175 33,175 41,470
2016 423,752 33,900 33,900 33,900 42,376 33,900 33,900 33,900 33,900 33,900 33,900 33,900 42,376
2017 432,809 34,625 34,625 34,625 43,282 34,625 34,625 34,625 34,625 34,625 34,625 34,625 43,282
2018 441,867 35,349 35,349 35,349 44,188 35,349 35,349 35,349 35,349 35,349 35,349 35,349 44,188
2019 450,924 36,074 36,074 36,074 45,093 36,074 36,074 36,074 36,074 36,074 36,074 36,074 45,093
2020 459,981 36,798 36,798 36,798 45,999 36,798 36,798 36,798 36,798 36,798 36,798 36,798 45,999
57
Tabla 7. Continuación.
Periodo Pronóstico
(TON)
En
ero
Feb
rero
Marz
o
Ab
ril
Ma
yo
Ju
nio
Ju
lio
Ag
os
to
Se
pt.
Oc
tub
re
No
v.
Dic
.
CESAR 0% 0% 0% 0% 0% 0% 0% 0% 0% 50% 50% 0%
2005 65,313 0 0 0 0 0 0 0 0 0 32,657 32,657 0
2006 60,529 0 0 0 0 0 0 0 0 0 30,264 30,264 0
2007 55,744 0 0 0 0 0 0 0 0 0 27,872 27,872 0
2008 50,959 0 0 0 0 0 0 0 0 0 25,480 25,480 0
2009 46,174 0 0 0 0 0 0 0 0 0 23,087 23,087 0
2010 41,390 0 0 0 0 0 0 0 0 0 20,695 20,695 0
2011 36,605 0 0 0 0 0 0 0 0 0 18,302 18,302 0
2012 31,820 0 0 0 0 0 0 0 0 0 15,910 15,910 0
2013 27,036 0 0 0 0 0 0 0 0 0 13,518 13,518 0
2014 22,251 0 0 0 0 0 0 0 0 0 11,125 11,125 0
2015 17,466 0 0 0 0 0 0 0 0 0 8,733 8,733 0
2016 12,681 0 0 0 0 0 0 0 0 0 6,341 6,341 0
2017 7,897 0 0 0 0 0 0 0 0 0 3,948 3,948 0
2018 3,112 0 0 0 0 0 0 0 0 0 1,556 1,556 0
2019 0 0 0 0 0 0 0 0 0 0 0 0 0
2020 0 0 0 0 0 0 0 0 0 0 0 0 0
CÓRDOBA 70% 30% 0% 0% 0% 0% 0% 0% 0% 0% 0% 0%
2,005 257,361 180,153 77,208 0 0 0 0 0 0 0 0 0 0
2,006 266,677 186,674 80,003 0 0 0 0 0 0 0 0 0 0
2,007 275,994 193,196 82,798 0 0 0 0 0 0 0 0 0 0
2,008 285,311 199,718 85,593 0 0 0 0 0 0 0 0 0 0
2,009 294,627 206,239 88,388 0 0 0 0 0 0 0 0 0 0
2,010 303,944 212,761 91,183 0 0 0 0 0 0 0 0 0 0
2,011 313,260 219,282 93,978 0 0 0 0 0 0 0 0 0 0
2,012 322,577 225,804 96,773 0 0 0 0 0 0 0 0 0 0
2,013 331,894 232,326 99,568 0 0 0 0 0 0 0 0 0 0
2,014 341,210 238,847 102,363 0 0 0 0 0 0 0 0 0 0
2,015 350,527 245,369 105,158 0 0 0 0 0 0 0 0 0 0
2,016 359,844 251,891 107,953 0 0 0 0 0 0 0 0 0 0
2,017 369,160 258,412 110,748 0 0 0 0 0 0 0 0 0 0
2,018 378,477 264,934 113,543 0 0 0 0 0 0 0 0 0 0
2,019 387,794 271,456 116,338 0 0 0 0 0 0 0 0 0 0
2,020 397,110 277,977 119,133 0 0 0 0 0 0 0 0 0 0
MAGDALENA 0% 0% 40% 10% 0% 0% 0% 0% 40% 10% 0% 0%
2,005 99,939 0 0 39,975 9,994 0 0 0 0 39,975 9,994 0 0
2,006 99,732 0 0 39,892 9,974 0 0 0 0 39,892 9,974 0 0
2,007 99,525 0 0 39,810 9,953 0 0 0 0 39,810 9,953 0 0
2,008 99,319 0 0 39,727 9,932 0 0 0 0 39,727 9,932 0 0
2,009 99,112 0 0 39,644 9,912 0 0 0 0 39,644 9,912 0 0
2,010 98,906 0 0 39,562 9,891 0 0 0 0 39,562 9,891 0 0
2,011 98,699 0 0 39,479 9,870 0 0 0 0 39,479 9,870 0 0
2,012 98,493 0 0 39,397 9,850 0 0 0 0 39,397 9,850 0 0
2,013 98,286 0 0 39,314 9,829 0 0 0 0 39,314 9,829 0 0
2,014 98,080 0 0 39,231 9,808 0 0 0 0 39,231 9,808 0 0
2,015 97,873 0 0 39,149 9,788 0 0 0 0 39,149 9,788 0 0
2,016 97,667 0 0 39,066 9,767 0 0 0 0 39,066 9,767 0 0
2,017 97,460 0 0 38,983 9,746 0 0 0 0 38,983 9,746 0 0
2,018 97,253 0 0 38,901 9,726 0 0 0 0 38,901 9,726 0 0
2,019 97,047 0 0 38,818 9,705 0 0 0 0 38,818 9,705 0 0
2,020 96,840 0 0 38,736 9,685 0 0 0 0 38,736 9,685 0 0
58
Tabla 7. Continuación
Periodo Pronóstico
(TON)
En
ero
Feb
rero
Marz
o
Ab
ril
Ma
yo
Ju
nio
Ju
lio
Ag
os
to
Se
pt.
Oc
tub
re
No
v.
Dic
.
NTE. SANTANDER 15% 9% 7% 6% 8% 13% 14% 9% 7% 5% 5% 2%
2,005 140,530 21,080 12,648 9,838 8,432 11,242 18,268 19,674 12,648 9,838 7,026 7,026 2,810
2,006 144,953 21,743 13,046 10,147 8,697 11,596 18,843 20,293 13,046 10,147 7,247 7,247 2,899
2,007 149,377 22,407 13,444 10,457 8,963 11,950 19,418 20,913 13,444 10,457 7,469 7,469 2,987
2,008 153,801 23,070 13,842 10,767 9,228 12,304 19,994 21,532 13,842 10,767 7,690 7,690 3,076
2,009 158,225 23,734 14,240 11,076 9,494 12,658 20,569 22,151 14,240 11,076 7,911 7,911 3,164
2,010 162,648 24,398 14,639 11,386 9,759 13,012 21,144 22,771 14,639 11,386 8,132 8,132 3,253
2,011 167,072 25,061 15,037 11,696 10,024 13,365 21,719 23,390 15,037 11,696 8,353 8,353 3,341
2,012 171,496 25,725 15,435 12,005 10,290 13,719 22,294 24,009 15,435 12,005 8,574 8,574 3,429
2,013 175,920 26,388 15,833 12,315 10,555 14,073 22,869 24,629 15,833 12,315 8,796 8,796 3,518
2,014 180,343 27,052 16,231 12,625 10,821 14,427 23,444 25,248 16,231 12,625 9,017 9,017 3,606
2,015 184,767 27,715 16,629 12,934 11,086 14,781 24,019 25,867 16,629 12,934 9,238 9,238 3,695
2,016 189,191 28,379 17,027 13,244 11,352 15,135 24,594 26,487 17,027 13,244 9,459 9,459 3,783
2,017 193,614 29,043 17,426 13,554 11,617 15,489 25,169 27,106 17,426 13,554 9,680 9,680 3,872
2,018 198,038 29,706 17,824 13,863 11,882 15,843 25,744 27,725 17,824 13,863 9,901 9,901 3,960
2,019 202,462 30,370 18,222 14,173 12,148 16,197 26,319 28,345 18,222 14,173 10,123 10,123 4,049
2,020 206,886 31,033 18,620 14,483 12,413 16,551 26,894 28,964 18,620 14,483 10,344 10,344 4,137
SANTANDER 8% 8% 8% 10% 8% 8% 8% 8% 8% 8% 8% 10%
2,005 162,557 13,005 13,005 13,005 16,256 13,005 13,005 13,005 13,005 13,005 13,005 13,005 16,256
2,006 166,713 13,337 13,337 13,337 16,671 13,337 13,337 13,337 13,337 13,337 13,337 13,337 16,671
2,007 170,869 13,670 13,670 13,670 17,087 13,670 13,670 13,670 13,670 13,670 13,670 13,670 17,087
2,008 175,025 14,002 14,002 14,002 17,502 14,002 14,002 14,002 14,002 14,002 14,002 14,002 17,502
2,009 179,181 14,335 14,335 14,335 17,918 14,335 14,335 14,335 14,335 14,335 14,335 14,335 17,918
2,010 183,338 14,667 14,667 14,667 18,334 14,667 14,667 14,667 14,667 14,667 14,667 14,667 18,334
2,011 187,494 15,000 15,000 15,000 18,749 15,000 15,000 15,000 15,000 15,000 15,000 15,000 18,749
2,012 191,650 15,332 15,332 15,332 19,165 15,332 15,332 15,332 15,332 15,332 15,332 15,332 19,165
2,013 195,806 15,665 15,665 15,665 19,580 15,665 15,665 15,665 15,665 15,665 15,665 15,665 19,580
2,014 199,962 15,997 15,997 15,997 19,996 15,997 15,997 15,997 15,997 15,997 15,997 15,997 19,996
2,015 204,118 16,329 16,329 16,329 20,412 16,329 16,329 16,329 16,329 16,329 16,329 16,329 20,412
2,016 208,274 16,662 16,662 16,662 20,827 16,662 16,662 16,662 16,662 16,662 16,662 16,662 20,827
2,017 212,430 16,994 16,994 16,994 21,243 16,994 16,994 16,994 16,994 16,994 16,994 16,994 21,243
2,018 216,586 17,327 17,327 17,327 21,658 17,327 17,327 17,327 17,327 17,327 17,327 17,327 21,658
2,019 220,742 17,659 17,659 17,659 22,074 17,659 17,659 17,659 17,659 17,659 17,659 17,659 22,074
2,020 224,898 17,992 17,992 17,992 22,490 17,992 17,992 17,992 17,992 17,992 17,992 17,992 22,490
SUCRE 30% 15% 6% 5% 0% 0% 0% 0% 0% 4% 20% 20%
2005 169,258 50,777 25,389 10,155 8,463 0 0 0 0 0 6,770 33,851 33,851
2006 165,514 49,654 24,827 9,931 8,276 0 0 0 0 0 6,621 33,103 33,103
2007 161,770 48,531 24,266 9,706 8,089 0 0 0 0 0 6,471 32,354 32,354
2008 158,026 47,407 23,704 9,481 7,902 0 0 0 0 0 6,321 31,605 31,605
2009 154,282 46,284 23,143 9,257 7,715 0 0 0 0 0 6,171 30,856 30,856
2010 150,537 45,161 22,581 9,032 7,527 0 0 0 0 0 6,021 30,107 30,107
2011 146,793 44,038 22,019 8,808 7,340 0 0 0 0 0 5,872 29,358 29,358
2012 143,049 42,914 21,458 8,583 7,153 0 0 0 0 0 5,722 28,610 28,610
2013 139,305 41,791 20,896 8,358 6,966 0 0 0 0 0 5,572 27,861 27,861
2014 135,561 40,668 20,334 8,134 6,778 0 0 0 0 0 5,422 27,112 27,112
2015 131,817 39,545 19,773 7,909 6,591 0 0 0 0 0 5,273 26,363 26,363
2016 128,073 38,422 19,211 7,684 6,404 0 0 0 0 0 5,123 25,614 25,614
2017 124,329 37,298 18,650 7,460 6,217 0 0 0 0 0 4,973 24,866 24,866
2018 120,585 36,175 18,088 7,235 6,030 0 0 0 0 0 4,823 24,117 24,117
2019 116,841 35,052 17,526 7,010 5,842 0 0 0 0 0 4,674 23,368 23,368
2020 113,097 33,929 16,965 6,786 5,655 0 0 0 0 0 4,524 22,619 22,619
Fuente: Cálculos Investigador
59
4.1.3. Precios Mayoristas de la Yuca.
Según un estudio realizado como parte del proyecto de desarrollo alternativo en
Colombia en el año 2002, los costos de producción de yuca difieren de una
región a otra de acuerdo con los costos de transporte y la disponibilidad de
mano de obra en cada zona, y el promedio fue más o menos $380 el kilo para
ese año19. Para los productores clasificados como pequeños, el nivel de costos
es más bajo que el promedio nacional. Los productores medianos se encuentran
alrededor del promedio para todo el país y para el caso de los más grandes
todos superan el costo de referencia, estando relativamente cercanos a este
valor los productores de los departamentos de la costa norte -Córdoba, Bolívar,
Magdalena, Atlántico y Sucre-, seguidos de los Santanderes.
Por otro lado, analizando los datos ofrecidos por el Sistema de Información de
Precios del Sector Agropecuario (SIPSA), en cuanto al Comportamiento Mensual
de los Precios Promedio Mayorista se obtuvieron los siguientes resultados
(Tabla 8):
Tabla 8. Precios Promedio Mayorista Yuca ($/Kg.) 2003-2005
Departamento 2003 2004 2005 Promedio
Bogotá $ 758.67 $ 914.83 $ 693.67 $ 789.06
Medellín $ 583.75 $ 841.00 $ 703.33 $ 709.36
Cali $ 780.80 $ 891.42 $ 609.25 $ 760.49
Pereira $ 435.25 $ 713.50 $ 437.75 $ 528.83
Armenia $ 864.00 $1,111.58 $ 697.84 $ 891.14
Barranquilla $ 477.75 $ 353.92 $ 368.50 $ 400.06
Manizales $ 503.50 $ 959.58 $ 721.58 $ 728.22
Ibagué n.d. $ 824.71 $ 580.92 $ 702.82
Cúcuta n.d. $ 584.14 $ 475.92 $ 530.03
Bucaramanga n.d. $ 545.14 $ 481.42 $ 513.28
Fuente: SIPSA
Cálculos Investigador
19
J.E. Austin Associates, CORPOCEA. Estudio de Mercado Nacional de la Yuca (Almidones) en Colombia. Bogotá, Enero 2002.
60
Observando los valores se puede notar que en la ciudad de Barranquilla (Costa
Norte) y en las ciudades de Cúcuta y Bucaramanga (Santanderes) es donde se
aprecian los precios más bajos, por lo cual, se puede suponer que el
comportamiento en los costos de producción es similar a los resultados
obtenidos en el estudio.
Para el modelo de esta investigación se tomaron los promedios en los precios
mayoristas de las distintas ciudades como el costo de este insumo afectado por
la inflación a lo largo del tiempo modelado, la cual analizando los resultados y
pronósticos ofrecidos por el Banco de la República en su informe sobre Inflación
de Septiembre del 200520, se espera que fluctúe alrededor del 4%. Así mismo,
se supuso que los precios mayoristas en los distintos departamentos de la Costa
Atlántica son iguales al encontrado para la ciudad de Barranquilla, ajustados
periodo a periodo por la inflación. (Ver Tabla 9).
Tabla 9. Supuesto de Precios Mayorista de Yuca (%/Kg.)
Año
Bo
go
tá
Me
dellín
Cali
Pere
ira
Arm
en
ia
B/q
uilla
Ma
niz
ale
s
Iba
gu
é
Cú
cu
ta
B/m
an
ga
2006 $ 821 $ 738 $ 791 $ 550 $ 927 $ 416 $ 757 $ 731 $ 551 $ 534
2007 $ 853 $ 767 $ 823 $ 572 $ 964 $ 433 $ 788 $ 760 $ 573 $ 555
2008 $ 888 $ 798 $ 855 $ 595 $ 1,002 $ 450 $ 819 $ 791 $ 596 $ 577
2009 $ 923 $ 830 $ 890 $ 619 $ 1,043 $ 468 $ 852 $ 822 $ 620 $ 600
2010 $ 960 $ 863 $ 925 $ 643 $ 1,084 $ 487 $ 886 $ 855 $ 645 $ 624
2011 $ 998 $ 898 $ 962 $ 669 $ 1,128 $ 506 $ 921 $ 889 $ 671 $ 649
2012 $1,038 $ 933 $1,001 $ 696 $ 1,173 $ 526 $ 958 $ 925 $ 697 $ 675
2013 $1,080 $ 971 $1,041 $ 724 $ 1,220 $ 548 $ 997 $ 962 $ 725 $ 702
2014 $1,123 $ 1,010 $1,082 $ 753 $ 1,268 $ 569 $ 1,036 $ 1,000 $ 754 $ 731
2015 $1,168 $ 1,050 $1,126 $ 783 $ 1,319 $ 592 $ 1,078 $ 1,040 $ 785 $ 760
2016 $1,215 $ 1,092 $1,171 $ 814 $ 1,372 $ 616 $ 1,121 $ 1,082 $ 816 $ 790
2017 $1,263 $ 1,136 $1,218 $ 847 $ 1,427 $ 641 $ 1,166 $ 1,125 $ 849 $ 822
2018 $1,314 $ 1,181 $1,266 $ 881 $ 1,484 $ 666 $ 1,213 $ 1,170 $ 883 $ 855
2019 $1,366 $ 1,228 $1,317 $ 916 $ 1,543 $ 693 $ 1,261 $ 1,217 $ 918 $ 889
2020 $1,421 $ 1,278 $1,370 $ 952 $ 1,605 $ 720 $ 1,311 $ 1,266 $ 955 $ 924
Fuente Cálculos Investigador
20
BANCO DE LA REPÚBLICA. Informe sobre Inflación. Septiembre 2005. Bogotá, Colombia.
61
4.1.4. Oferta de la Caña de Azúcar.
La oferta de la caña de azúcar en Colombia como se puede apreciar en la tabla
10, muestra una tendencia de incremento casi uniforme durante los años 1993
al 2004, mostrando un valor máximo de 27´994,339 toneladas en el año 2002 y
un valor mínimo de 19´771,008 en el año 1994; se puede observar también en
los años 1998 y 2001 unos valores decrecientes, fruto en cierto modo por las
condiciones climáticas experimentadas en el país. A partir del año 2002 donde
se apreció el valor máximo la producción ha mostrado una disminución paulatina
hasta el año 2004, siendo esta de aproximadamente 3.5% en el año 2003 y
2.7% en el año 2004.
Tabla 10. Oferta de Caña de Azúcar en Colombia
1993-2004 Gráfico 6. Oferta Caña de Azúcar en Colombia 1993-2004
AÑO
PRODUCCIÓN1
(TM)
1993 22,493,568
1994 19,771,008
1995 22,938,368
1996 23,090,048
1997 23,678,976
1998 22,328,934
1999 26,245,632
2000 27,848,909
2001 25,992,832
2002 27,994,339
2003 27,219,302
2004 26,033,178
Fuente: Anuario Estadístico del Sector Agropecuario 2001. Ministerio de Agricultura y Desarrollo Rural. Cálculos Investigador
Observando los valores de Superficie cosechada y Producción de Caña de
Azúcar en el país en los últimos años (Ver Tabla 11), podemos concluir que
aproximadamente el 100% de la producción de Caña de Azúcar en el País se
encuentra ubicada en los departamentos del valle geográfico del río Cauca.
62
Tabla 11. Caña de Azúcar: Superficie cosechada, producción y rendimiento obtenido por departamento. Años Agrícolas 1993-2004
Departamento Variable 1993 1994 1995 1996 1997 1998
Caldas
Superficie 2,820 2,820 2,961 2,231 2,806 3,280
Producción 360,960 360,960 379,008 285,568 359,168 419,840
Rendimiento 128 128 128 128 128 128
Cauca
Superficie 33,000 25,000 25,000 25,000 26,220 25,099
Producción 4,224,000 3,200,000 3,200,000 3,200,000 3,356,160 3,212,672
Rendimiento 128 128 128 128 128 128
Cesar
Superficie 1,400 1,525 1,630 1,630 1,634 1,634
Producción 179,200 195,200 208,640 208,640 209,152 209,152
Rendimiento 128 128 128 128 128 128
Norte Santander
Superficie 411 200 68 157 201 180
Producción 52,608 25,600 8,704 20,096 25,728 23,040
Rendimiento 128 128 128 128 128 128
Risaralda
Superficie 2,851 2,566 2,890 3,020 3,084 2,775
Producción 364,928 328,448 369,920 386,560 394,752 355,200
Rendimiento 128 128 128 128 128 128
Valle
Superficie 135,249 122,350 146,657 148,353 151,047 141,477
Producción 17,311,872 15,660,800 18,772,096 18,989,184 19,334,016 18,109,030
Rendimiento 128 128 128 128 128 128
Total
Superficie 175,731 154,461 179,206 180,391 184,992 174,445
Producción 22,493,568 19,771,008 22,938,368 23,090,048 23,678,976 22,328,934
Rendimiento 128 128 128 128 128 128
Departamento Variable 2000 2001 2002 2003 2004
Caldas
Superficie 3,479 3,479 2,420 2,571 2,355
Producción 445,312 445,312 309,760 329,050 301,440
Rendimiento 128 128 128 128 128
Cauca
Superficie 36,732 35,898 37,080 40,042 36,284
Producción 4,701,696 4,594,944 4,746,176 5,125,376 4,644,352
Rendimiento 128 128 128 128 128
Cesar
Superficie 1,734 1,734 1,734 1,734 1,734
Producción 221,952 221,952 221,952 221,952 221,952
Rendimiento 128 128 128 128 128
Norte Santander
Superficie 301 272 272 700 759
Producción 38,528 34,816 34,816 89,600 97,152
Rendimiento 128 128 128 128 128
Risaralda
Superficie 2,496 2,686 2,474 2,417 2,332
Producción 319,488 343,808 316,672 309,376 298,496
Rendimiento 128 128 128 128 128
Valle
Superficie 172,828 159,000 174,726 165,187 159,920
Producción 22,121,933 20,352,000 22,364,963 21,143,949 20,469,786
Rendimiento 128 128 128 128 128
Total
Superficie 217,570 203,069 218,706 212,651 203,384
Producción 27,848,909 25,992,832 27,994,339 27,219,302 26,033,178
Rendimiento 128 128 128 128 128
Nota: Superficie en Hectáreas; Producción en Toneladas; Rendimiento en Toneladas/Hectárea. Fuente: Evaluaciones Agropecuarias URPA´s, UMATA´s. Minagricultura y Desarrollo Rural - Dirección de Política - Grupo Sistemas de Información.
Cálculos Investigador
63
Podemos ver también que aproximadamente en el año 2004, el 79% de la
producción y superficie cosechada se encontró en el departamento del Valle del
Cauca, el 18% en el Cauca y el resto (más o menos un 3%) en los
departamentos de Caldas, Cesar, Norte de Santander y Risaralda (Ver tabla 12).
Tabla 12. Participación en la producción de Caña de
Azúcar(2004) Gráfico 7. Participación de la producción de Caña de Azúcar (2004)
Municipio % de Producción
Caldas 1%
Cauca 18%
Cesar 1%
Norte de Santander
0%
Risaralda 1%
Valle del Cauca
79%
Total 100%
Fuente: Cálculos Investigador
En la siguiente tabla (tabla 13) se encuentran los datos estudiados por el
Ministerio de Agricultura y Desarrollo Rural, sobre el calendario de cosechas de
la caña de azúcar por cada departamento. El patrón de este comportamiento se
supondrá permanecerá inalterable durante los años de modelación de la
presente investigación.
Según un estudio realizado por el ministerio de agricultura y desarrollo Rural
sobre la cadena de azúcar en Colombia,21 se exportan alrededor de un millón
doscientas mil TM. anuales de azúcar, que equivalen aproximadamente a la
mitad de la producción total del país y se estima que la caña empleada en
producir cerca del 40% del azúcar dirigido a las exportaciones se reorientará a la
fabricación de alcohol carburante. Por tanto, para el modelo de la presente
21
Ministerio de Agricultura y Desarrollo Rural. Documento de Trabajo No. 88. La cadena de Azúcar en Colombia. Una mirada Global de su estructura y Dinámica 1991-2005. Bogotá, Colombia. 2005.
64
investigación se tomará como la cantidad disponible para utilizar en la cadena
del Bio-etanol, el 40% de la mitad del pronóstico de producción de caña de
azúcar durante los años de estudio, es decir, el 20% del valor pronosticado.
Tabla 13. Calendario de Cosechas. Caña de Azúcar.
Departamento
En
ero
Feb
rero
Marz
o
Ab
ril
Mayo
Ju
nio
Ju
lio
Ag
osto
Sep
tiem
bre
Octu
bre
No
vie
mb
re
Dic
iem
bre
To
tal
Po
rcen
taje
Caldas 8% 8% 8% 8% 8% 12% 8% 8% 8% 8% 8% 8% 100%
Cauca 7% 6% 7% 7% 5% 10% 11% 17% 10% 9% 7% 4% 100%
Cesar 8% 8% 8% 8% 8% 8% 8% 8% 9% 9% 9% 9% 100%
Norte de Santander 0% 0% 8% 8% 8% 8% 8% 8% 8% 27% 17% 0% 100%
Risaralda 9% 8% 7% 9% 9% 9% 9% 8% 7% 9% 8% 8% 100%
Valle del Cauca 7% 8% 9% 9% 9% 9% 8% 9% 8% 9% 8% 7% 100%
Fuente: Ministerio de Agricultura y Desarrollo Rural. Evaluaciones Agropecuarias.
Cálculos Investigador
4.1.5. Proyección de la Oferta de la Caña de Azúcar.
Para la oferta de la caña de azúcar a diferencia de la oferta de la yuca, no se
cuenta con los valores históricos de producción, por tanto se utilizarán los
valores de la superficie cosechada y se utilizará un valor de rendimiento de 128
Toneladas de caña de azúcar por hectárea cultivada. Este valor es el promedio
del comportamiento mostrado por este cultivo durante los últimos años, dato
analizado por el Ministerio de Agricultura y desarrollo Rural, y que se puede
encontrar en los Documentos de trabajo No. 47 y 8822, en donde analizan la
cadena de la caña de azúcar, así mismo, este valor promedio fue utilizado en el
plan de negocios contratado por el gobierno nacional y ejecutado por la empresa
Equity Investment S.A. en su proyecto de Alcoholes Carburantes23.
22
Ministerio de Agricultura y Desarrollo Rurar. Documentos de Trabajo No. 47 y 88. Costos de Producción de Caña de Azúcar en Colombia y La cadena de la Caña de Azúcar en Colombia. Bogotá, Colombia. 2004 y 2005. 23
Equity Investment S.A. Plan de Negocios. Proyecto de Alcoholes Carburantes. Febrero 2003.
65
Un método para obtener pronósticos es el modelo estadístico de Series de
Tiempos. Para éste modelo se utilizó la superficie cosechada de caña de azúcar
en hectáreas en cada departamento como única variable y se implementó el
software Stat Graphics para obtener los resultados.
Los tipos de modelos analizados fueron:
1. Random walk with drift
2. Tendencia Lineal
3. Promedio Móvil Simple de 3 periodos
4. Suavización exponencial simple
5. Suavización exponencial simple de Brown
En la sección de Anexos 3 se pueden observar los resultados completos para
cada departamento arrojados por el software y además se encuentra una
comparación de los resultados de cada uno de los tipos de modelos utilizados.
Los pronósticos calculados hasta el año 2020 fueron multiplicados por el
calendario de cosechas (Tabla 13) de cada departamento para poder así tener
una estimación de la producción mensual en toneladas de la yuca, valores que
luego se multiplicarán en el modelo por el porcentaje de dicha producción que se
supondrá estará disponible para su utilización en la cadena de producción de
Bio-etanol objeto del presente estudio. En la siguiente tabla (Tabla 14) se podrán
observar los valores obtenidos para los pronósticos de las producciones en los
distintos departamentos.
66
Tabla 14. Pronósticos de la Producción de Caña de Azúcar. (2005-2020)
Perio
do
Pro
nó
stic
o
En
ero
Fe
bre
ro
Ma
rzo
Ab
ril
Ma
yo
Ju
nio
Ju
lio
Ag
os
to
Sep
t.
Octu
bre
No
v.
Dic
.
Caldas 8% 8% 8% 8% 8% 12% 8% 8% 8% 8% 8% 8%
2,005 2,313 23,682 23,682 23,682 23,682 23,682 35,524 23,682 23,682 23,682 23,682 23,682 23,682
2,006 2,270 23,249 23,249 23,249 23,249 23,249 34,874 23,249 23,249 23,249 23,249 23,249 23,249
2,007 2,228 22,817 22,817 22,817 22,817 22,817 34,225 22,817 22,817 22,817 22,817 22,817 22,817
2,008 2,186 22,384 22,384 22,384 22,384 22,384 33,576 22,384 22,384 22,384 22,384 22,384 22,384
2,009 2,144 21,951 21,951 21,951 21,951 21,951 32,926 21,951 21,951 21,951 21,951 21,951 21,951
2,010 2,101 21,518 21,518 21,518 21,518 21,518 32,277 21,518 21,518 21,518 21,518 21,518 21,518
2,011 2,059 21,085 21,085 21,085 21,085 21,085 31,628 21,085 21,085 21,085 21,085 21,085 21,085
2,012 2,017 20,652 20,652 20,652 20,652 20,652 30,978 20,652 20,652 20,652 20,652 20,652 20,652
2,013 1,975 20,219 20,219 20,219 20,219 20,219 30,329 20,219 20,219 20,219 20,219 20,219 20,219
2,014 1,932 19,786 19,786 19,786 19,786 19,786 29,680 19,786 19,786 19,786 19,786 19,786 19,786
2,015 1,890 19,354 19,354 19,354 19,354 19,354 29,030 19,354 19,354 19,354 19,354 19,354 19,354
2,016 1,848 18,921 18,921 18,921 18,921 18,921 28,381 18,921 18,921 18,921 18,921 18,921 18,921
2,017 1,805 18,488 18,488 18,488 18,488 18,488 27,732 18,488 18,488 18,488 18,488 18,488 18,488
2,018 1,763 18,055 18,055 18,055 18,055 18,055 27,082 18,055 18,055 18,055 18,055 18,055 18,055
2,019 1,721 17,622 17,622 17,622 17,622 17,622 26,433 17,622 17,622 17,622 17,622 17,622 17,622
2,020 1,679 17,189 17,189 17,189 17,189 17,189 25,784 17,189 17,189 17,189 17,189 17,189 17,189
Cauca 7% 6% 7% 7% 5% 10% 11% 17% 10% 9% 7% 4%
2,005 36,583 327,779 280,954 327,779 327,779 234,128 468,256 515,082 796,035 468,256 421,430 327,779 187,302
2,006 36,881 330,455 283,247 330,455 330,455 236,039 472,078 519,286 802,533 472,078 424,870 330,455 188,831
2,007 37,180 333,129 285,539 333,129 333,129 237,949 475,899 523,489 809,028 475,899 428,309 333,129 190,360
2,008 37,478 335,805 287,833 335,805 335,805 239,860 479,721 527,693 815,526 479,721 431,749 335,805 191,888
2,009 37,777 338,479 290,125 338,479 338,479 241,771 483,542 531,896 822,021 483,542 435,188 338,479 193,417
2,010 38,075 341,155 292,418 341,155 341,155 243,682 487,364 536,100 828,519 487,364 438,627 341,155 194,946
2,011 38,374 343,829 294,711 343,829 343,829 245,592 491,185 540,303 835,014 491,185 442,066 343,829 196,474
2,012 38,672 346,505 297,004 346,505 346,505 247,503 495,007 544,507 841,511 495,007 445,506 346,505 198,003
2,013 38,971 349,179 299,297 349,179 349,179 249,414 498,828 548,710 848,007 498,828 448,945 349,179 199,531
2,014 39,270 351,855 301,590 351,855 351,855 251,325 502,650 552,915 854,504 502,650 452,385 351,855 201,060
2,015 39,568 354,529 303,882 354,529 354,529 253,235 506,470 557,117 861,000 506,470 455,823 354,529 202,588
2,016 39,867 357,204 306,175 357,204 357,204 255,146 510,291 561,320 867,495 510,291 459,262 357,204 204,116
2,017 40,165 359,879 308,468 359,879 359,879 257,057 514,113 565,525 873,993 514,113 462,702 359,879 205,645
2,018 40,464 362,554 310,760 362,554 362,554 258,967 517,934 569,727 880,488 517,934 466,141 362,554 207,174
2,019 40,762 365,229 313,054 365,229 365,229 260,878 521,756 573,932 886,985 521,756 469,581 365,229 208,702
2,020 41,061 367,904 315,346 367,904 367,904 262,788 525,577 578,135 893,481 525,577 473,019 367,904 210,231
Cesar 8% 8% 8% 8% 8% 8% 8% 8% 9% 9% 9% 9%
2,005 1,764 18,067 18,067 18,067 18,067 18,067 18,067 18,067 18,067 20,325 20,325 20,325 20,325
2,006 1,795 18,378 18,378 18,378 18,378 18,378 18,378 18,378 18,378 20,675 20,675 20,675 20,675
2,007 1,825 18,689 18,689 18,689 18,689 18,689 18,689 18,689 18,689 21,025 21,025 21,025 21,025
2,008 1,855 19,000 19,000 19,000 19,000 19,000 19,000 19,000 19,000 21,375 21,375 21,375 21,375
2,009 1,886 19,311 19,311 19,311 19,311 19,311 19,311 19,311 19,311 21,725 21,725 21,725 21,725
2,010 1,916 19,622 19,622 19,622 19,622 19,622 19,622 19,622 19,622 22,074 22,074 22,074 22,074
2,011 1,947 19,933 19,933 19,933 19,933 19,933 19,933 19,933 19,933 22,424 22,424 22,424 22,424
2,012 1,977 20,244 20,244 20,244 20,244 20,244 20,244 20,244 20,244 22,774 22,774 22,774 22,774
2,013 2,007 20,554 20,554 20,554 20,554 20,554 20,554 20,554 20,554 23,124 23,124 23,124 23,124
2,014 2,038 20,865 20,865 20,865 20,865 20,865 20,865 20,865 20,865 23,474 23,474 23,474 23,474
2,015 2,068 21,176 21,176 21,176 21,176 21,176 21,176 21,176 21,176 23,823 23,823 23,823 23,823
2,016 2,098 21,487 21,487 21,487 21,487 21,487 21,487 21,487 21,487 24,173 24,173 24,173 24,173
2,017 2,129 21,798 21,798 21,798 21,798 21,798 21,798 21,798 21,798 24,523 24,523 24,523 24,523
2,018 2,159 22,109 22,109 22,109 22,109 22,109 22,109 22,109 22,109 24,873 24,873 24,873 24,873
2,019 2,189 22,420 22,420 22,420 22,420 22,420 22,420 22,420 22,420 25,222 25,222 25,222 25,222
2,020 2,220 22,731 22,731 22,731 22,731 22,731 22,731 22,731 22,731 25,572 25,572 25,572 25,572
67
Tabla 14. Continuación. (2005-2020) Perio
do
Pro
nó
sti
co
En
ero
Fe
bre
ro
Ma
rzo
Ab
ril
Ma
yo
Ju
nio
Ju
lio
Ag
os
to
Sep
t.
Octu
bre
No
v.
Dic
.
Nte. Santand 0% 0% 8% 8% 8% 8% 8% 8% 8% 27% 17% 0%
2,005 791 0 8,099 8,099 8,099 8,099 8,099 8,099 8,099 27,313 17,193 0 23,682
2,006 822 0 8,423 8,423 8,423 8,423 8,423 8,423 8,423 28,406 17,881 0 23,249
2,007 854 0 8,747 8,747 8,747 8,747 8,747 8,747 8,747 29,499 18,569 0 22,817
2,008 886 0 9,072 9,072 9,072 9,072 9,072 9,072 9,072 30,592 19,257 0 22,384
2,009 917 0 9,396 9,396 9,396 9,396 9,396 9,396 9,396 31,685 19,945 0 21,951
2,010 949 0 9,720 9,720 9,720 9,720 9,720 9,720 9,720 32,778 20,633 0 21,518
2,011 980 0 10,044 10,044 10,044 10,044 10,044 10,044 10,044 33,871 21,321 0 21,085
2,012 1,012 0 10,368 10,368 10,368 10,368 10,368 10,368 10,368 34,964 22,009 0 20,652
2,013 1,044 0 10,692 10,692 10,692 10,692 10,692 10,692 10,692 36,057 22,697 0 20,219
2,014 1,075 0 11,016 11,016 11,016 11,016 11,016 11,016 11,016 37,149 23,385 0 19,786
2,015 1,107 0 11,340 11,340 11,340 11,340 11,340 11,340 11,340 38,242 24,073 0 19,354
2,016 1,139 0 11,664 11,664 11,664 11,664 11,664 11,664 11,664 39,335 24,761 0 18,921
2,017 1,170 0 11,988 11,988 11,988 11,988 11,988 11,988 11,988 40,428 25,449 0 18,488
2,018 1,202 0 12,312 12,312 12,312 12,312 12,312 12,312 12,312 41,521 26,137 0 18,055
2,019 1,234 0 12,636 12,636 12,636 12,636 12,636 12,636 12,636 42,614 26,825 0 17,622
2,020 1,265 0 12,960 12,960 12,960 12,960 12,960 12,960 12,960 43,707 27,513 0 17,189
Risaralda 9% 8% 7% 9% 9% 9% 9% 8% 7% 9% 8% 8%
2,005 2,285 23,400 20,473 26,319 26,319 26,319 26,319 23,400 20,473 26,319 23,400 23,400 187,302
2,006 2,238 22,917 20,050 25,775 25,775 25,775 25,775 22,917 20,050 25,775 22,917 22,917 188,831
2,007 2,190 22,433 19,627 25,232 25,232 25,232 25,232 22,433 19,627 25,232 22,433 22,433 190,360
2,008 2,143 21,950 19,204 24,688 24,688 24,688 24,688 21,950 19,204 24,688 21,950 21,950 191,888
2,009 2,096 21,467 18,782 24,145 24,145 24,145 24,145 21,467 18,782 24,145 21,467 21,467 193,417
2,010 2,049 20,984 18,359 23,601 23,601 23,601 23,601 20,984 18,359 23,601 20,984 20,984 194,946
2,011 2,002 20,501 17,936 23,058 23,058 23,058 23,058 20,501 17,936 23,058 20,501 20,501 196,474
2,012 1,955 20,017 17,513 22,514 22,514 22,514 22,514 20,017 17,513 22,514 20,017 20,017 198,003
2,013 1,907 19,534 17,091 21,971 21,971 21,971 21,971 19,534 17,091 21,971 19,534 19,534 199,531
2,014 1,860 19,051 16,668 21,427 21,427 21,427 21,427 19,051 16,668 21,427 19,051 19,051 201,060
2,015 1,813 18,568 16,245 20,884 20,884 20,884 20,884 18,568 16,245 20,884 18,568 18,568 202,588
2,016 1,766 18,085 15,822 20,340 20,340 20,340 20,340 18,085 15,822 20,340 18,085 18,085 204,116
2,017 1,719 17,601 15,400 19,797 19,797 19,797 19,797 17,601 15,400 19,797 17,601 17,601 205,645
2,018 1,671 17,118 14,977 19,253 19,253 19,253 19,253 17,118 14,977 19,253 17,118 17,118 207,174
2,019 1,624 16,635 14,554 18,710 18,710 18,710 18,710 16,635 14,554 18,710 16,635 16,635 208,702
2,020 1,577 16,152 14,131 18,166 18,166 18,166 18,166 16,152 14,131 18,166 16,152 16,152 210,231
Vlle. Cauca 7% 8% 9% 9% 9% 9% 8% 9% 8% 9% 8% 7%
2,005 162,163 1,452,981 1,660,553 1,868,115 1,868,115 1,868,115 1,868,115 1,660,553 1,868,115 1,660,553 1,868,115 1,660,553 1,452,981
2,006 164,406 1,473,079 1,683,521 1,893,954 1,893,954 1,893,954 1,893,954 1,683,521 1,893,954 1,683,521 1,893,954 1,683,521 1,473,079
2,007 166,648 1,493,167 1,706,479 1,919,782 1,919,782 1,919,782 1,919,782 1,706,479 1,919,782 1,706,479 1,919,782 1,706,479 1,493,167
2,008 168,891 1,513,264 1,729,448 1,945,621 1,945,621 1,945,621 1,945,621 1,729,448 1,945,621 1,729,448 1,945,621 1,729,448 1,513,264
2,009 171,134 1,533,362 1,752,416 1,971,461 1,971,461 1,971,461 1,971,461 1,752,416 1,971,461 1,752,416 1,971,461 1,752,416 1,533,362
2,010 173,377 1,553,459 1,775,384 1,997,300 1,997,300 1,997,300 1,997,300 1,775,384 1,997,300 1,775,384 1,997,300 1,775,384 1,553,459
2,011 175,620 1,573,556 1,798,353 2,023,139 2,023,139 2,023,139 2,023,139 1,798,353 2,023,139 1,798,353 2,023,139 1,798,353 1,573,556
2,012 177,863 1,593,654 1,821,321 2,048,979 2,048,979 2,048,979 2,048,979 1,821,321 2,048,979 1,821,321 2,048,979 1,821,321 1,593,654
2,013 180,105 1,613,742 1,844,279 2,074,806 2,074,806 2,074,806 2,074,806 1,844,279 2,074,806 1,844,279 2,074,806 1,844,279 1,613,742
2,014 182,348 1,633,839 1,867,248 2,100,646 2,100,646 2,100,646 2,100,646 1,867,248 2,100,646 1,867,248 2,100,646 1,867,248 1,633,839
2,015 184,591 1,653,936 1,890,216 2,126,485 2,126,485 2,126,485 2,126,485 1,890,216 2,126,485 1,890,216 2,126,485 1,890,216 1,653,936
2,016 186,834 1,674,034 1,913,184 2,152,324 2,152,324 2,152,324 2,152,324 1,913,184 2,152,324 1,913,184 2,152,324 1,913,184 1,674,034
2,017 189,077 1,694,131 1,936,153 2,178,164 2,178,164 2,178,164 2,178,164 1,936,153 2,178,164 1,936,153 2,178,164 1,936,153 1,694,131
2,018 191,319 1,714,219 1,959,111 2,203,992 2,203,992 2,203,992 2,203,992 1,959,111 2,203,992 1,959,111 2,203,992 1,959,111 1,714,219
2,019 193,562 1,734,317 1,982,079 2,229,831 2,229,831 2,229,831 2,229,831 1,982,079 2,229,831 1,982,079 2,229,831 1,982,079 1,734,317
2,020 195,805 1,754,414 2,005,048 2,255,670 2,255,670 2,255,670 2,255,670 2,005,048 2,255,670 2,005,048 2,255,670 2,005,048 1,754,414
68
4.1.6. Precios Mayoristas de la Caña de Azúcar.
Según estudios del Ministerio de Agricultura, la empresa Equity Investment S.A.
en su plan de Negocios para el proyecto de Alcohol Carburante, la Asociación de
Cultivadores de Caña de Azúcar en Colombia (Asocaña), y la empresa
Alcoholes S.A., se calculó basados en un precio Internacional para el Etanol de
$1,28 USD/Galón y una rentabilidad para los inversionistas y agricultores, tal que
el precio por tonelada de caña deberá ser de 9,4 galones de etanol por tonelada,
es decir USD$12 dólares tonelada.
La ventaja de amarrar el precio de la caña al valor de etanol es poder trasladar
las fluctuaciones del precio de la caña al etanol y viceversa, permitiendo
transferir los beneficios otorgados al producto final (etanol) directamente al
cultivador de caña.
Adicionalmente el agricultor percibiría ingresos adicionales por corte, recolección
y acopio en la misma hectárea de $12.000 tonelada.
Por este motivo, se utilizarán las estimaciones del valor del Etanol para calcular
el valor o costo de la tonelada de caña de azúcar y se le agregará el valor del
corte, recolección y acopio. Los valores del precio del bioetanol se tomarán del
estudio realizado por la empresa Equity Investment S.A.24, ajustados con los
valores establecidos por la Resolución No. 180618 del ministerio de Minas y
Energía. En la siguiente tabla (tabla 15) se pueden observar los valores
obtenidos para la tonelada de caña en los años 2005 a 2020. Los precios y
costos que se aprecian en la tabla y encontrados concuerdan en cierta medida
con el estudio realizado por el Ministerio de Agricultura y desarrollo Rural en el
documento de trabajo No. 47, desarrollo en el Observatorio Agro cadenas
Colombia sobre los costos de producción de la caña de azúcar en Colombia.
24
Equity Investment S.A. Op. Cit.
69
Tabla 15. Precio Estimado del galón de Bio-etanol
Año
Precio ($/galón)
distribuidor mayorista
Precio Estimado de Tonelada de caña concepto
Etanol
Corte, Recolección
y Acopio
Precio Total Estimado por tonelada de Caña
2,005 $ 4,257 $ 40,016 $ 12,000 $ 52,016
2,006 $ 4,548 $ 42,751 $ 12,480 $ 55,231
2,007 $ 4,835 $ 45,449 $ 12,979 $ 58,428
2,008 $ 5,127 $ 48,194 $ 13,498 $ 61,692
2,009 $ 5,434 $ 51,080 $ 14,038 $ 65,118
2,010 $ 5,760 $ 54,144 $ 14,600 $ 68,744
2,011 $ 6,106 $ 57,396 $ 15,184 $ 72,580
2,012 $ 6,472 $ 60,837 $ 15,791 $ 76,628
2,013 $ 6,861 $ 64,493 $ 16,423 $ 80,916
2,014 $ 7,272 $ 68,357 $ 17,080 $ 85,437
2,015 $ 7,709 $ 72,465 $ 17,763 $ 90,228
2,016 $ 8,171 $ 76,807 $ 18,473 $ 95,281
2,017 $ 8,662 $ 81,423 $ 19,212 $ 100,635
2,018 $ 9,181 $ 86,301 $ 19,981 $ 106,282
2,019 $ 9,732 $ 91,481 $ 20,780 $ 112,261
2,020 $ 10,316 $ 96,970 $ 21,611 $ 118,582
Fuente: Equity Investment S.A., Asocaña, Ministerio de Agricultura.
Cálculos Investigador
4.2. OTROS INSUMOS
Como se dijo anteriormente la cadena del Bio-etanol foco de estudio de la
presente investigación se subdivide en las sub-cadenas de la caña de azúcar y
la de la yuca.
Para la cadena agroindustrial de la caña de azúcar y como se expuso en el
numeral 2.4., se requiere de los siguientes insumos auxiliares para la producción
del bio-etanol:
- Levadura - Vapor
- Bagazo - Ayudante, Floculación
- Agua
Para esta cadena y según los resultados obtenidos por la investigación hecha
por la empresa Equity Investment sobre los costos de producción de Bio-etanol
70
a partir de la caña de azúcar, se encontró que el rubro correspondiente a otros
insumos y aditivos del proceso sólo representan el 0.7% del costo total, por lo
tanto, se decidió no tenerlos en cuenta para la modelación de la cadena. Para
esta decisión también se tuvo en cuenta que en su mayoría estos insumos y
aditivos son auto producidos por las plantas de los ingenios azucareros, los
cuales se proyecta se conviertan en los mayores inversionistas de las
destiladoras de bio-etanol.
En cuanto a detalles sobre producción y costos del Bio-etanol a partir de la yuca,
no se encuentran documentos disponibles que contengan información detallada;
por tal motivo, se utilizó la tesis sobre estudio de prefactibilidad para el desarrollo
de una planta agroindustrial de alcohol carburante a partir de la yuca en el
departamento del Atlántico, realizada por las Ingenieras Mónica Retamoso y
Roxana Rojas, en la Universidad del Norte como fuente de información para
realizar los cálculos de costos. Cabe recalcar que estos insumos adicionales del
proceso sólo representan aproximadamente el 4% del costo total.Los costos
estimados de los insumos son los siguientes (tabla 16):
Tabla 16. Estimación de Costos de Insumos
Año
Ácido Sulfúrico
($/kg) Levadura
($/kg) Amoniaco
($/kg)
2005 210 576 912
2006 219 599 948
2007 227 623 986
2008 236 648 1026
2009 246 674 1067
2010 256 701 1110
2011 266 729 1154
2012 277 758 1200
2013 288 788 1248
2014 299 820 1298
2015 311 853 1350
2016 324 887 1404
2017 337 922 1460
2018 350 959 1519
2019 364 997 1579
2020 379 1037 1642
Fuente: Cálculos Investigador.
71
Estos químicos serán comprados en los principales distribuidores de químicos
de las ciudades aledañas a las destiladoras de alcohol.
4.3. PLANTAS DESTILADORAS
Desde que se aprobó la Ley 693 de 2001, la cual es un instrumento legislativo
para que el alcohol carburante se introduzca en el mercado de combustibles en
nuestro país, se da vía libre al montaje e implementación de los proyectos de
Plantas de Alcohol Carburante, se explica su uso, se crean estímulos para su
producción, comercialización y consumo, aclarando así muchas de las
expectativas que se tienen acerca del tema pero generando otras sobre los
efectos fiscales, políticos, agrícolas y ambientales que pueden llegar a tener
estos proyectos.
Es bueno resaltar que la norma sobre alcoholes carburantes, tiene cinco años a
partir de su vigencia, para que progresivamente se vaya implementando, en
primera instancia en los centros con mayor densidad de población y de mayor
contaminación atmosférica, la producción, distribución y comercialización de los
alcoholes no potables estará sometida a la libre competencia, lo cual implica que
participen tanto personas naturales como jurídicas.
Por la importancia que presenta este proyecto de Alcohol Carburante, el
Gobierno Nacional comisionó a la Corporación para el Desarrollo Industrial de la
Biotecnología y Producción Limpia (Corpodib) a realizar un estudio de
prefactibilidad para la construcción de plantas destiladoras de Bio-etanol. Este
estudio se realizó con la colaboración de la compañía canadiense KILBORN
SNC - LAVALIN y el diseño de las plantas fue realizado por la compañía
americana DELTA T. Con el apoyo económico de las instituciones Canadian
International Development Agency (CIDA), el Ministerio de Minas y Energía a
72
través de la Unidad de Planeación Minero Energética (UPME) y la Empresa
Colombiana de Petróleos (ECOPETROL).
Con el fin de poder cumplir con los requerimientos establecidos en la Ley 693, y
extender el uso al resto del territorio nacional se deberán instalar complejos
agroindustriales alcoholeros distribuidos en diferentes regiones del país. Los
estudios realizados por las organizaciones antes mencionadas, señalan, con
carácter indicativo, las localizaciones y tamaños de instalaciones industriales los
cuales se muestran en la siguiente tabla (tabla 17). Gracias a conversaciones
con la corporación se pudo obtener un documento privado en el cual señalan los
aspectos más importantes tenidos en cuenta para la selección de la ubicación de
las plantas destiladoras, el cual se encontrará al final de este documento como
Anexo 4. En el Gráfico 8 se puede apreciar la distribución geográfica de la
plantas en el territorio nacional
Tabla 17. Proyectos Indicativos productores de Alcohol Carburante
Localización Capacidad (gal/mes) Materia Prima
Hoya del Río Suárez 2´377.000 Caña de azúcar
Vegachí (Antioquia) 2’774.000 Caña de azúcar
Valle del Cauca 2’337.000 Caña de azúcar
Costa Norte 2’337.000 Caña de azúcar - Yuca
Cundinamarca 1’189.000 Caña de azúcar
Llanos Orientales 792.000 Yuca – Caña de azúcar
Eje Cafetero 1’981.000 Caña de azúcar
Huila 1’585.000 Caña de azúcar
Nariño 1’189.000 Caña de azúcar
Fuente: Corpodib
Las localizaciones anteriores se evaluaron en el modelo de la presente
investigación con el supuesto que en el departamento del Meta la planta a
instalar utilizaría la Yuca como materia prima y se instalará en zonas cercanas a
la ciudad de Villavicencio, y la planta productora en la costa norte se ubicará en
el departamento de Bolívar en zona cercana a la ciudad de Cartagena y que
además utilizará también a la yuca como materia prima.
73
Gráfico 8. Localización geográfica de las plantas productoras de Bio-etanol.
4.3.1. Tipos de Tecnología.
En cuanto a la información encontrada sobre tipos de tecnología para la
producción de Bio-etanol a partir de la caña de azúcar se pueden resumir en la
siguiente tabla (tabla 18):
Tabla 18. Tecnologías producción de Bio-etanol
Compañía País Materia Prima
Biostill-Chematur Eng. Suecia Melaza – Jugo
Vogelbush Austria Melaza
PRAJ+Delta - T India + USA Melaza – Jugo
Speichim Francia Melaza
Zanini Brasil Melaza
Tomsa España Melaza
Codistil Brasil Melaza
Fuente: Alcoholes S.A.
Fuente: Alcoholes S.A.
74
Información sobre Compañías.
Biostil- Chematur Engineering
Es un grupo de compañías de ingeniería química de Suecia, Estados Unidos,
Finlandia e India, que iniciaron actividades en la década de los 30’s. Su
tecnología bajo la firma registrada Biostil, es una fermentación continua para la
producción de alcohol potable o para uso de combustible.
Vogelbusch
Vogelbusch-GmbH es una compañía austriaca fundada en 1921 dedicada a la
ingeniería y construcción de plantas de alcohol a escala industrial, presenta
como referencia más de 15 plantas con capacidades que van desde 62.000
ltr/día hasta 1.2 millones de litros al día.
Su proceso se basa en fermentación continua y una tecnología que integra la
destilación y la deshidratación con tamices moleculares. Se utiliza concentración
e incineración para el tratamiento de la vinaza. Tiene aplicaciones en alcohol
carburante (bio-etanol), potable (extra neutro), industrial (hidratado) y
deshidratado para usos médicos.
Praj + Delta T
Praj Industries es una compañía de la India que trabaja conjuntamente con la
Corporación Delta-T de USA. Posee desarrollos tecnológicos e ingeniería
especializada en el diseño y construcción de plantas de alcohol a partir de
melazas, jugo de caña y granos. Ha construido más de 150 plantas de alcohol
basadas en melazas y/o jugo de caña en Asia y África.
Delta-T Corporation es una compañía de ingeniería y construcción, con sede en
Williamsburg, Virginia, USA, especializada en tecnología de producción de
etanol. Tiene amplia experiencia en el diseño e instalación de tamices
moleculares y ha instalado plantas de alcohol de 200.000 ltr/día de capacidad
75
empleando maíz como materia prima. Su tecnología es de fermentación
continua, deshidratación con tamices moleculares y tratamiento anaeróbico de
las vinazas.
Speichim
Speichim, es una firma francesa perteneciente al grupo Technip. Tiene un
proceso de fermentación continua, deshidratación con ciclohexano y proceso
combinado anaerobio/aeróbico para tratamiento de las vinazas con producción
de bio-gas.
Zanini International
La tecnología original para el alcohol corresponde a la firma italiana Mussi. El
proceso contempla la melaza como materia prima, fermentación discontinua y
deshidratación con tamices moleculares.
Tomsa S.A.
Empresa española que ofrece servicios y productos para las destilerías de
alcohol. En la fermentación proponen un proceso discontinuo de deshidratación
y extracción con ciclohexano. Las vinazas son tratadas en un proceso de
digestión anaerobia.
Codistil
Codistil es una compañía de capital brasileño, que hace parte del Grupo Dedini,
fundada en 1943 y especializada en fabricar equipos diversos, plantas
completas, y servicios de ingeniería. Ha instalado alrededor de 650 unidades
productoras, diseñadas y fabricadas por Codistil, y ha construido plantas en
Brasil.
En el proceso se realiza una fermentación discontinua, deshidratación con
benceno y tratamiento anaeróbicas/aeróbicas de vinazas con el sistema UASB.
76
Sobre la tecnología a utilizar en la producción de Bio-etanol a partir de la yuca,
se cuenta solamente con la información proveniente de la tesis desarrollada en
la Universidad del norte antes mencionada. La cual consiste en la planeación y
construcción de la planta con la maquinaria necesaria para cada uno de los
procesos teóricos estándares.
4.3.2. Inversiones, costos y gastos operacionales.
Con respecto al monto de las inversiones para la construcción e instalación de
las plantas para la producción de Bio-etanol a partir de la caña de azúcar se ha
encontrado a través de los estudios realizados por el Gobierno Nacional y las
empresas privadas interesadas en participar de este negocio como: Alcoholes
S.A., Goldman & Broadstreet, Mieles S.A. y los Ingenios Azucareros del Valle
(Manuelita, InCauca, Risaralda, etc.), entre otros, que dicho valor es
dependiente del tamaño (Capacidad) de la planta a construir y de la ubicación
geográfica.
El Ingenio del Cauca (Incauca), proporcionó información de la inversión
presupuestada para su planta con capacidad para producción de 2’377.000
gal/mes de etanol, ubicada en la región azucarera del Valle del Cauca, siendo
esta de $20´000.000 de dólares, con tecnología traída de la India. El ingenio
Manuelita presupuestó su planta de 1’981.000 gal/mes con tecnología hindú en
$15´000.000 de dólares. El Ingenio Risaralda para una planta con capacidad de
1’189.000 gal/mes, cálculo y cotizó por valor de 33.000 millones de pesos. El
Ingenio Mayagüez invertiría $18´200.000 dólares en un planta con capacidad
para 1’585.000 gal/mes.
La empresa Alcol S.A. invertiría $ 49´000.000 de dólares para la construcción de
una planta con capacidad para 2’377.000 gal/mes en la hoya del Río Suárez.
77
Por tanto, es posible resumir o asumir un costo promedio de estas plantas en las
distintas regiones según su capacidad, como se consigna en la tabla 19. Aunque
no se encontró información detallada sobre las cantidades específicas
destinadas a estas inversiones, como la cantidad a invertir en los equipos de
producción, en equipos de oficina, en terrenos y obras civiles, entre otros.
Tabla 19. Presupuestos de Inversión
PRESUPUESTO DE LA INVERSIÓN TOTAL
Localización Capacidad (lts/día) INVERSIÓN (Millones de
Pesos
Hoya del Río Suárez 300.000 $ 79,900
Vegachí (Antioquia) 350.000 $ 82,250
Valle del Cauca 300.000 $ 63,450
Cundinamarca 150.000 $ 33,000
Eje Cafetero 250.000 $ 58,750
Huila 200.000 $ 42,770
Nariño 150.000 $ 33,000
Fuente: Alco S.A. Asocaña
Federación Nacioanal de Bio-combustibles
Cálculos Investigador.
Retomando nuevamente el estudio realizado por la empresa Equity Investment
S.A. el costo fijo anual para una planta con capacidad utilizada de 2’377.000
gal/mes asciende a un valor de $ 80.814 millones de pesos al año, incluyéndose
en este costo la materia prima necesaria para su capacidad, los costos de
transporte de esas materias primas desde zonas aledañas a la planta, mano de
obra, aditivos y otros. Para el modelo de la presente investigación, tomaremos
como costo fijo los valores correspondientes a mano de obra, aditivos y otros, lo
cual representa un valor de $ 3.084 millones al año.
Los gastos fijos de la planta tendrían un total de $ 17.382 millones de pesos.
Tomando los costos y gastos fijos para el primer año se tendrían
aproximadamente $ 1.704 millones de pesos mensuales (para una planta con
capacidad de 2’377.000 gal/mes). En la tabla siguiente (tabla 20) se podrán
78
observar las proyecciones de los costos y gastos fijos recogidas del estudio de
Alcoholes Carburantes antes mencionado.
Tabla 20. Proyección Costos y Gastos Fijos Planta (05-20) Capacidad de 2’377.000 gal/mes. (miles Pesos)
Año 2,005 2,006 2,007 2,008 2,009 2,010 2,011 2,012
Costos Fijos $ 3,071 $ 3,271 $ 3,474 $ 3,683 $ 3,904 $ 4,139 $ 4,387 $ 4,650
Gastos Fijos Generales y
Otros
Mano de Obra $ 742 $ 782 $ 829 $ 879 $ 932 $ 988 $ 1,047 $ 1,110
Impuestos $ 346 $ 361 $ 383 $ 406 $ 430 $ 456 $ 483 $ 512
Seguros $ 265 $ 286 $ 303 $ 321 $ 341 $ 361 $ 383 $ 406
Servicios $ 64 $ 75 $ 80 $ 85 $ 90 $ 95 $ 101 $ 107
Sub-total $ 1,417 $ 1,504 $ 1,595 $ 1,691 $ 1,793 $ 1,900 $ 2,014 $ 2,135
Depreciaciones $ 6,335 $ 6,803 $ 7,304 $ 7,839 $ 8,411 $ 9,022 $ 9,674 $ 10,370
Otros Gastos* $ 9,630 $ 8,517 $ 7,301 $ 5,983 $ 4,556 $ 3,011 $ 1,339 $ -
Sub-total $ 17,382 $ 16,824 $ 16,200 $ 15,513 $ 14,760 $ 13,933 $ 13,027 $ 12,505
Total (Costos Fijos + Gastos
Fijos) $ 20,453 $ 20,095 $ 19,674 $ 19,196 $ 18,664 $ 18,072 $ 17,414 $ 17,155
Costo y Gasto Fijo Mensual
$ 1,704 $ 1,675 $ 1,640 $ 1,600 $ 1,555 $ 1,506 $ 1,451 $ 1,430
Año 2,013 2,014 2,015 2,016 2,017 2,018 2,019 2,020
Costos Fijos $ 4,929 $ 5,225 $ 5,538 $ 5,871 $ 6,223 $ 6,596 $ 6,992 $ 7,411
Gastos Fijos Generales y
Otros
Mano de Obra $ 1,177 $ 1,247 $ 1,322 $ 1,402 $ 1,486 $ 1,575 $ 1,670 $ 1,770
Impuestos $ 543 $ 576 $ 610 $ 647 $ 686 $ 727 $ 771 $ 817
Seguros $ 430 $ 456 $ 483 $ 512 $ 543 $ 576 $ 610 $ 647
Servicios $ 113 $ 120 $ 127 $ 135 $ 143 $ 151 $ 161 $ 170
Sub-total $ 2,263 $ 2,399 $ 2,543 $ 2,696 $ 2,858 $ 3,029 $ 3,211 $ 3,404
Depreciaciones $ 11,113 $ 11,906 $ 12,752 $ 13,654 $ 14,617 $ 15,644 $ 16,740 $ 17,908
Otros Gastos* $ - $ - $ - $ - $ -
Sub-total $ 13,376 $ 14,305 $ 15,295 $ 16,350 $ 17,475 $ 18,673 $ 19,951 $ 21,312
Total (Costos Fijos + Gastos
Fijos) $ 18,305 $ 19,530 $ 20,833 $ 22,221 $ 23,698 $ 25,269 $ 26,943 $ 28,723
Costo y Gasto Fijo Mensual
$ 1,525 $ 1,627 $ 1,736 $ 1,852 $ 1,975 $ 2,106 $ 2,245 $ 2,394
* Estimado de otros gastos
Fuente: Equity Investment. S.A. Proyecto de Alcoholes Carburantes.
Cálculos Investigador
79
Los montos en Inversión para las plantas productoras de Bio-etanol a partir de la
yuca se muestran en la siguiente tabla (tabla 21):
Tabla 21. Inversión Total
PRESUPUESTO DE LA INVERSIÓN TOTAL
CAPACIDAD 364,000 gal/mes 792.000 gal/mes 2’377.000 gal/mes
CONCEPTO Valor (USD) Valor (USD) Valor (USD)
Equipo de producción $ 1,269,000 $ 3,807,000 $ 15,228,000
Equipo de oficinas $ 17,476 $ 52,428 $ 209,712
Terreno y obra civil $ 400,000 $ 1,200,000 $ 4,800,000
Activo diferido $ 204,630 $ 613,890 $ 2,455,560
Subtotal $ 1,891,106 $ 5,673,318 $ 22,693,272
Imprevistos (10%) $ 189,111 $ 567,332 $ 2,269,327
Total $ 2,080,217 $ 6,240,650 $ 24,962,599 Fuente: Retamoso, et al. 2004. Estudio de prefactibilidad.
Cálculos Investigador
Los costos y gastos fijos estimados para las plantas productoras de Bio-etanol a
partir de la yuca, las cuales tienen como ubicación posible los departamentos de
Meta y Bolívar, se han calculado teniendo en cuenta la tesis sobre estudio de
pre-factibilidad de una planta con estas características realizada en la
Universidad del Norte.. En la tabla siguiente (tabla 22) podemos apreciar una
estimación de dichos valores:
Tabla 22. Proyección Costos y Gastos fijos de planta. (USD)
CAPACIDAD
364.000 gal/mes 792.000 gal/mes 2’377.000 gal/mes
Año 2005 2005 2005
Costos Fijos $ 1,547,561.00 $ 4,642,683.00 $ 10,832,927.00
Gastos Fijos Generales y Otros
Mano de Obra $ 22,502.00 $ 67,506.00 $ 157,514.00
Impuestos $ 159,437.00 $ 478,311.00 $ 1,116,059.00
Servicios $ 557,798.00 $ 1,673,394.00 $ 3,904,586.00
SubTotal $ 739,737.00 $ 2,219,211.00 $ 5,178,159.00
Depreciaciones $ 170,526.00 $ 511,578.00 $ 1,193,682.00
Otros Gastos* $ 38,252.00 $ 114,756.00 $ 267,764.00
Subtotal $ 948,515.00 $ 2,845,545.00 $ 6,639,605.00
Total (Costos Fijos + Gastos Fijos) $ 2,496,076.00 $ 7,488,228.00 $ 17,472,532.00
Costo y Gasto Fijo Mensual $ 208,006.33 $ 624,019.00 $ 1,456,044.33
Fuente: Retamoso et al. 2004. Cálculos Investigador.
80
4.3.3. Requerimientos o Coeficientes Tecnológicos.
Los coeficientes tecnológicos hacen referencia a los requerimientos de los
distintos recursos por parte de la tecnología utilizada para producir un bien.
Estos recursos pueden ser de materia prima, de horas máquina, horas hombre,
recursos monetarios, entre otros. Teniendo en cuenta que en la presente
investigación las plantas serán construidas según capacidad de producción por
tanto se manejará sólo tipos de restricción por capacidad.
En cuanto a las plantas a instalar que utilizan caña de azúcar, como ya se dijo
anteriormente sólo se considerará la caña de azúcar como el requerimiento de
materia prima principal ya que los demás representan sólo el ,7% del costo total
aproximadamente, mientras que la caña representaría alrededor del 64%.
Según los resultados del estudio realizado por Equity Investment S.A25. y por el
análisis de las distintas tecnologías disponibles, se tomará como base para el
presente modelo un rendimiento de 77 litros de etanol por cada tonelada de
caña.
Por otro lado, para las plantas de Bio-etanol a instalar a partir de la yuca, y la
información disponible26 se tomará como base para el presente modelo un
rendimiento de 170 litros de etanol por cada tonelada de yuca. En la siguiente
tabla (tabla 23) se exponen las cantidades necesarias de cada insumo para la
producción del etanol en estas plantas.
25
Equity Investment S.A. Plan de Negocios. Proyecto de Alcoholes Carburantes. Febrero 2003 26
Retamoso Mónica y Rojas Roxana. Estudio de prefactibilidad para el desarrollo de una planta agroindustrial de alcohol carburante a partir de la yuca en el departamento del atlántico; Tesis de pregrado no publicada. 2004.
81
Tabla 23.Insumos necesarios para un litro de Etanol
Insumo Cantidad
Costo Unitario
Ácido Sulfúrico 0,147916667 kg/lt etanol 0,0876 usd/kg
Levadura 0,049151235 kg/lt etanol 0,24 usd/kg
Amoniaco 0,076774691 kg/lt etanol 0,38 usd/kg
Yuca 0,005888889 ton/lt etanol
Fuente: Cálculos Investigador
Retamoso , et al. 2004.
4.4 PLANTAS DE DISTRIBUCIÓN MAYORISTAS
Según la ley 693 y los artículos establecidos por el Ministerio de Minas y energía
la mezcla de los combustibles con el alcohol carburante debe realizarse en las
plantas mayoristas de las empresas dedicadas a este negocio en el país, las
cuales después de mezclado transportarán el combustible hacia sus respectivas
plantas minoristas o estaciones de servicios en las distintas ciudades y
municipios del país. Tomando como fuente al Ministerio de Minas y energía en
su división de hidrocarburos los distribuidores mayoristas son:
Areda Marina Fuel Oil C.I. Ltda.
Brio de Colombia S.A.
Carbones del Cerrejón LLC
Consorcio Guajira
Green Oil Ltda.
Exxonmobil de Colombia S.A.
Petrocomercial C.I. S.A.
Petroleos del Milenio C.I.
Shell Colombia S.A.
Texas Petroleum Co.
Terpel
En la sección de anexos 05 se podrá observar una tabla donde se detallan las
distintas plantas que poseen estas empresas en el territorio nacional. En la
82
siguiente tabla (tabla 24) se enuncian las plantas que se tendrán en cuenta para
el análisis de la cadena de abastecimiento del bio-etanol que servirá a las
ciudades del país en las cuales se estableció como obligatorio el uso del
combustible oxigenado en el país.
Tabla 24. Localización de plantas de distribuidores Mayoristas
Departamento Localización Empresas
Antioquia Medellín y Rionegro Exxonmobil de Colombia, Terpel
Atlántico Baranoa y Galapa Exxonmobil de Colombia, Terpel
Bolívar Mamonal Exxonmobil de Colombia - Terpel
Norte
Cundinamarca Mancilla - Facatativá Exxonmobil Texaco - Terpel de la
Sabana
Santander La Fortuna, Chimitá -
Bucaramanga Exxonmobil de Colombia, Terpel
Nte. Santander Cúcuta Terpel
Risaralda Pereira Terpel
Valle Buga - Yumbo Terpel
Cesar Ayacucho Terpel
Fuente: Ministerio de Minas y Energía.
División de Hidrocarburos.
Se considerará para efectos del modelo que todas las plantas podrán abastecer
a cualquier ciudad, y por tratarse de un modelo estratégico, no se considerarán
inventarios en dichas plantas.
4.5. TRANSPORTE DE INSUMOS Y DEL ALCOHOL
Como se ha comentado anteriormente en este documento la cadena de
suministro del bio-etanol a partir de la caña de azúcar y de la yuca objeto del
presente estudio posee cuatro eslabones principales: los proveedores o
regiones donde se llevan a cabo los cultivos de la caña de azúcar y de la yuca,
las plantas destiladoras del alcohol, las plantas de distribución mayoristas de
combustibles donde se hará el mezclado del alcohol con los distintos
combustibles y por último las ciudades del país de más de 500.000 habitantes
que se consideran como el mercado de estos bio-combustibles.
83
Por lo anterior, se analiza el transporte de las toneladas de caña y yuca desde
las regiones de cultivo hasta las posibles localizaciones de las plantas
destiladoras. Este costo se analiza utilizando los datos obtenidos en el ministerio
de transporte a través de documento público sobre costos de transporte de
Carga en la dirección General de Transporte Terrestre Automotor llevado a cabo
por la subdirección operativa de Transporte Automotor Grupo de Estudios de
Carga27, los cuales fueron actualizados con datos obtenidos para años
posteriores en las estructuras de costos para el 2003 y el 2004, así mismo se
comparó con los valores del mercado de transporte suministrados por algunas
empresas del país. En la tabla siguiente (Tabla 25) se muestran los costos de
transporte por tonelada ruta utilizados en el modelo para el envío de la yuca y
caña de azúcar desde las regiones hasta las plantas destiladoras.
27
http://www.mintransporte.gov.co/Ministerio/Dgtta/Transporte_Automotor/costos2001.htm
Tabla 25. Costos de Transporte en pesos por tonelada Ruta
Hoya del Río Suárez
Vegachí (Antioquia)
Valle del Cauca
Cundinamarca Eje Cafetero
Huila Nariño
Caldas $ 48,328 $ 64,040 $ 36,562 $ 42,010 $ 17,789 $ 44,748 $ 73,252
Cauca $ 86,874 $ 112,059 $ 20,061 $ 87,909 $ 54,833 $ 32,539 $ 35,626
Cesar $ 107,493 $ 73,901 $ 115,834 $ 83,821 $ 95,327 $100,645 $158,764
Norte de Santander $ 75,662 $ 66,003 $ 101,237 $ 66,752 $ 83,739 $ 95,126
$137,578
Risaralda $ 50,961 $ 67,177 $ 31,712 $ 43,686 $ 18,000 $ 41,341 $ 66,062
Valle del Cauca $ 61,131 $ 78,118 $ 18,000 $ 54,632 $ 31,712 $ 48,611 $ 48,588
Llanos Orientales
Costa Norte
Antioquia $ 69,122 $ 71,417
Atlántico $ 110,538 $ 21,648
Bolívar $ 119,945 $ 18,000
Cesar $ 100,892 $ 59,647
Córdoba $ 92,110 $ 49,102
Magdalena $ 107,288 $ 29,729
Norte de Santander $ 81,085 $ 84,517
Santander $ 59,263 $ 69,093
Sucre $ 98,397 $ 30,977
Fuente: Ministerio de Transporte. Empresas del sector Transporte. Cálculos Investigador
84
Para el Transporte desde las plantas destiladoras a las plantas de distribución
mayoristas y desde éstas a las ciudades se analizó la estructura de costos para
el transporte de líquidos, ya que en esta fase de la cadena el objeto a transportar
son galones de etanol o de alcohol.
El transporte de líquidos es un caso particular de transporte de mercancías en el
cual hay que tener en cuenta variables como:
La capacidad del vehículo medida en galones o litros, teniendo en cuenta
la capacidad volumétrica del tanque recipiente en la cual se efectúa la
movilización.
La operación del vehículo traducida en el número de recorridos que
efectivamente puede realizar en una unidad de tiempo determinada.
Teniendo en cuenta la estructura de costos de operación vehicular para
transporte de carga, es indispensable analizar inicialmente los indicadores de
costo, de acuerdo a la configuración del vehículo y realizar una aplicación de
estos teniendo en cuenta los parámetros propios de la movilización de estos
líquidos y en las condiciones establecidas por la práctica.
Las variables que se pueden tener en cuenta son:
1. Indicador de costo variable por Km. de acuerdo a la configuración (ICV)
2. Indicador de costo fijo de acuerdo a la configuración (ICF)
3. Longitud de la ruta (Km.) (LR)
4. Valor total de los peajes en cada ruta por recorrido (VP)
5. Número de viajes en el mes que efectúa normalmente un carro tanque para
prestar el servicio en cada ruta (NV)
85
Conservando integralmente la metodología de costos de operación, se deben
efectuar los siguientes cálculos, con el fin de obtener un valor de costo total por
unidad de carga ya sea para este caso galones, litros, etc.
Inicialmente se obtienen el costo variable para la ruta de acuerdo a la siguiente
formula:
VPVCIRutaLongRutaCV .)..*.(. (10)
galonesenvehículoCapacidad
Ruta
CV
GalónCV___
/ (11)
Posteriormente se calcula el costo fijo por ruta y unidad de carga.
galonesCapacidad
ICFmes
FijoCosto
RutaCF_
)(
_
_ (12)
05.1*133.01
_/__
GalónCapacidadGalónCVgalonestotCosto (13)
Donde, el factor 1/(1-0.133) es parte integral de la metodología propuesta por el
ministerio de transporte; y 1.05 es el factor que corresponde al 5% de los costos
de administración del vehículo. En la sección de Anexos 06 se puede observar
un ejemplo de aplicación para el cálculo del costo de transporte de líquidos en la
ruta Bogotá-Medellín.
Realizando los cálculos anteriores se obtuvieron los siguientes datos (ver tablas
26 y 27) sobre los costos de transporte de líquido en carro tanques los cuales
fueron utilizados en el presente modelo.
86
Tabla 26. Costos de Transporte Líquidos. Carro tanques. Pesos Por Galón Ruta.
Ho
ya d
el R
ío
Su
are
z
Veg
ach
í (A
ntio
qu
ia)
Valle
de
l Cau
ca
Cu
nd
inam
arc
a
Eje
Cafe
tero
Hu
ila
Nariñ
o
Lla
no
s
Orie
nta
les
Co
sta
No
rte
Antioquia $ 94.89 $ 30.00 $170.28 $163.61 $116.08 $185.41 $279.05 $197.01 $226.24
Atlántico $ 48.86 $ 23.60 $383.20 $317.58 $326.18 $364.81 $491.37 $349.55 $ 69.84
Bolívar $ 78.74 $ 91.41 $351.50 $347.45 $294.30 $355.79 $459.46 $378.74 $ 30.00
Cundinamarca $ 30.00 $ 98.44 $163.65 $ 30.00 $130.74 $122.33 $272.06 $ 73.45 $347.45
Santander $ 77.12 $ 31.88 $316.51 $208.40 $263.68 $296.56 $428.04 $241.46 $283.86
Nte. De Santander $ 12.92 $ 63.58 $253.75 $144.20 $199.92 $232.92 $364.28 $176.47 $230.57
Risaralda $ 62.03 $ 50.92 $ 97.28 $130.74 $ 30.00 $125.97 $203.79 $164.04 $294.30
Valle $ 94.93 $ 05.11 $ 30.00 $163.65 $ 97.28 $161.12 $149.06 $195.77 $351.50
Cesar $304.38 $248.42 $369.06 $273.09 $320.67 $353.21 $485.99 $367.94 $ 38.33
Fuente: Ministerio de Transporte.
Cálculos Investigador
Tabla 27. Costos de Transporte Líquidos. Carro tanques. Pesos Por Galón Ruta.
Bo
go
tá
Me
dellín
Cali
Barra
nq
uilla
Bu
cara
man
ga
Carta
ge
na
Pere
ira
Cú
cu
ta
Antioquia $163.61 $ 30.00 $170.28 $258.43 $198.41 $226.24 $116.08 $266.71
Atlántico $317.58 $258.43 $383.20 $ 30.00 $200.58 $ 69.84 $326.18 $254.00
Bolívar $347.45 $226.24 $351.50 $ 69.84 $230.57 $ 30.00 $294.30 $283.86
Cundinamarca $ 30.00 $163.61 $163.65 $317.58 $144.20 $347.45 $130.74 $208.40
Santander $208.40 $266.71 $316.51 $254.00 $107.01 $283.86 $263.68 $ 30.00
Nte. De Santander $144.20 $198.41 $253.75 $200.49 $ 30.00 $230.57 $199.92 $107.01
Risaralda $130.74 $116.08 $ 97.28 $326.18 $199.92 $294.30 $ 30.00 $263.68
Valle $163.65 $170.28 $ 30.00 $383.20 $253.75 $351.50 $ 97.28 $316.51
Cesar $273.09 $283.25 $369.06 $123.52 $175.31 $138.33 $320.67 $197.01
Fuente: Ministerio de Transporte.
Cálculos Investigador
Estos costos para el año 2005 fueron elevados cada año teniendo en cuenta el
patrón de incremento mostrado en los últimos años de alrededor de un 11.08%
anual (según estadísticas del Ministerio de Transporte), el cual promedia el
incremento tanto en los costos fijos como en los costos variables para
tractocamiones.
87
4.6. DEMANDA BIO-ETANOL
Para el modelo de la presente investigación la demanda a estudiar del Bio-etanol
estará ligada a su relación con el consumo del sector transporte o para su uso
como aditivo a los combustibles. También, como se ha hecho referencia en
varias secciones de este documento. Lo establecido por la Ley 693 del 2001, se
regula que la gasolina de Bogotá, Cali, Medellín, Barranquilla, Bucaramanga,
Cartagena, Pereira y Cúcuta deberán contener alcoholes carburantes en un 10%
de su volumen.
Por lo anterior, se hizo un análisis de los consumos de gasolina corriente y extra,
en las ciudades referenciadas en la Ley para determinar cual podría ser la
demanda del etanol en los próximos años. En la tabla siguiente (tabla 28) se
pueden observar los consumos en galones/mes de dichas ciudades para el
período 2000-2005.
Tabla 28. Consumo de Gasolina (corriente + extra) Promedio en gal/mes
Ciudad 2000 2001 2002 2003 2004 2005
Bogotá 32,936,436 29,469,449 26,401,814 23,535,909 25,188,292 25,102,366
Medellín 8,463,663 7,692,737 7,704,352 7,790,897 7,510,650 7,437,865
Cali 8,584,099 7,754,789 7,749,768 7,320,626 6,513,715 6,011,781
Barranquilla 3,298,767 3,000,608 2,536,932 2,071,579 1,765,525 1,737,571
Bucaramanga 2,478,845 1,940,686 1,667,005 1,567,431 1,429,543 1,717,832
Cartagena 2,537,767 2,633,334 2,128,642 1,868,967 2,344,762 2,455,056
Pereira 2,385,220 2,017,375 1,942,918 2,067,855 2,127,158 1,742,155
Cúcuta 95,129 35,921 413,715 871,227 673,890 431,449
Fuente: ECOPETROL, Ministerio de Minas y Energía
Cálculos Investigador.
Analizando estos valores se puede observar una disminución en el consumo de
este combustible en los últimos años, esta disminución puede entenderse por
políticas de restricción en la circulación de vehículos expedidas en algunas
ciudades, por la entrada de combustibles de contrabando, el creciente auge de
sustitutos como el diesel y el gas natural entre otros, la mayor eficiencia en los
vehículos, así como los crecientes precios de la gasolina. Un caso particular se
presenta en la ciudad de Barranquilla, en donde se puede observar una
88
disminución aproximada del 50% en el consumo de gasolinas en el año 2005
con respecto al año 2000, esta disminución es confirmada en el estudio
realizado por Retamoso et al (2004), en el cual se manifiesta que el consumo de
la gasolina ha disminuido considerablemente con relación al consumo del diesel
y el gas natural vehicular. Incluso, se ha presentado una disminución en el
consumo sin importar el crecimiento del parque automotor. No obstante,
después de observar que en los últimos 2 años y lo recorrido del presente año
(2006) el consumo de la gasolina se ha estabilizado, se utilizará un promedio
mensual de consumo de 1’700,000 galones
Para obtener un pronóstico del consumo de la gasolina (corriente + extra) en
estas ciudades se utilizaron modelos estadísticos de Series de Tiempos, en
donde se tomó el consumo conjunto de gasolina en galones al mes de cada
ciudad como única variable y se implementó el software Stat Graphics para
obtener los resultados.
Los tipos de modelos analizados fueron:
1. Random walk with drift
2. Tendencia Lineal
3. Modelo ARIMA
4. Suavización exponencial simple con alfa
5. Suavización exponencial simple de Brown con alfa
En la sección de Anexos 07 se pueden observar los resultados completos para
cada ciudad y además se encuentra una comparación de los resultados de cada
uno de los tipos de modelos. En conclusión se escogió el modelo de series de
tiempo ARIMA como el modelo para obtener los pronósticos para todas las
ciudades excepto Cartagena y Barranquilla, ya que el análisis de los resultados
arrojó que dicho modelo era adecuado para los datos que se tienen. Para la
ciudad de Cartagena se utilizó Random Walk with Drift. Como ya se explicó
89
anteriormente, para la ciudad de Barranquilla, se utilizará un consumo constante
de 1’700.000 galones al mes.
Los pronósticos calculados hasta el año 2020 para cada ciudad se presentan en
la tabla 29, valores que luego se multiplicarán en el modelo por el porcentaje de
mezcla del Bio-etanol requerido por la Ley, para poder entonces tener una
estimación de la demanda del alcohol en cada ciudad.
Tabla 29. Pronóstico de Consumo Promedio de Gasolina en Gal/mes
Perío
do
Bo
go
tá
Med
ellín
Cali
Barra
nq
uilla
Bu
cara
man
ga
Carta
gen
a
Pere
ira
Cú
cu
ta
2,006 24,711,900 7,446,670 5,831,530 1,700,000 1,709,450 2,438,510 2,296,410 414,249
2,007 24,337,700 7,454,260 5,652,200 1,700,000 1,702,160 2,421,970 1,824,250 403,627
2,008 23,979,200 7,460,810 5,473,800 1,700,000 1,695,810 2,405,430 2,226,470 397,067
2,009 23,635,600 7,466,460 5,296,310 1,700,000 1,690,290 2,388,890 1,883,830 393,016
2,010 23,306,400 7,471,330 5,119,740 1,700,000 1,685,480 2,372,350 2,175,720 390,515
2,011 22,991,000 7,475,530 4,944,090 1,700,000 1,681,290 2,355,800 1,927,070 388,970
2,012 22,688,700 7,479,160 4,769,330 1,700,000 1,677,650 2,339,260 2,138,880 388,016
2,013 22,399,100 7,482,280 4,595,480 1,700,000 1,674,480 2,322,720 1,958,440 387,427
2,014 22,121,600 7,484,980 4,422,520 1,700,000 1,671,720 2,306,180 2,112,160 387,063
2,015 21,855,700 7,487,300 4,250,460 1,700,000 1,669,320 2,289,630 1,981,210 386,838
2,016 21,600,900 7,489,310 4,079,280 1,700,000 1,667,230 2,273,090 2,092,760 386,700
2,017 21,356,700 7,491,040 3,908,980 1,700,000 1,665,410 2,256,550 1,997,730 386,614
2,018 21,122,800 7,492,530 3,739,560 1,700,000 1,663,830 2,240,010 2,078,680 386,561
2,019 20,898,600 7,493,820 3,571,010 1,700,000 1,662,450 2,223,470 2,009,720 386,528
2,020 20,683,800 7,494,930 3,403,340 1,700,000 1,661,250 2,206,920 2,068,470 386,508
Fuente: Stat Graphics
Cálculos Investigador.
90
5. MODELO DE OPTIMIZACIÓN
Como se mencionó en el numeral 2.6, el modelo base utilizado para el análisis
de la red de suministro y localización de las plantas productoras de bio-etanol a
partir de la caña de azúcar y la yuca es el modelo general de localización de
centros de distribución en una cadena de suministros adaptado del libro
Modelando la Cadena de Suminitro de Jeremy Shapiro. Para la presente
investigación fue modificado y en vez de centros de distribución, en la
ubicaciones se evaluará la construcción y utilización de plantas destiladoras de
bio-etanol de distintas capacidades, así mismo, se le incluirá estocasticidad en la
demanda. La descripción del modelo planteado es la siguiente:
Descripción de Variables y Parámetros
Sub-índices
• j = Producto (En este caso el único producto es el Bio-etanol)
• i = Insumo (Para el presente modelo los insumos tenidos en cuenta
son la yuca y la caña de azúcar)
1 = Caña de azúcar
2 = Yuca
• p = Proveedores (Regiones donde se cultivan la caña y la yuca en el
territorio nacional)
1 = Antioquia
2 = Atlántico
3 = Bolívar
4 = Cesar
5 = Córdoba
6 = Magdalena
7 = Norte de Santander
8 = Santander
9 = Sucre
10 = Caldas
11 = Cauca
12 = Risaralda
91
13 = Valle del Cauca
• u = Ubicación (Ubicación de las destiladoras de Bio-etanol)
1 = Hoya del Río
Suárez
2 = Vegachí (Antioquia)
3 = Valle del Cauca
4 = Cundinamarca
5 = Eje Cafetero
6 = Huila
7 = Nariño
8 = Llanos Orientales
9 = Costa Norte
• d = Distribuidor Mayorista (Plantas mayoristas de distribución de
Combustibles)
1 = Medellín y
Rionegro
2 = Baranoa y Galapa
3 = Mamonal
4 = Mancilla -
Facatativá
5 = La Fortuna, Chimitá
- Bucaramanga
6 = Cúcuta
7 = Pereira
8 = Buga - Yumbo
9 = Ayacucho
• m = Mercado (Ciudades del país con más de 500.000 habitantes)
1 = Medellín
2 = Bogotá
3 = Barranquilla
4 = Bucaramanga
5 = Cartagena
6 = Cúcuta
7 = Pereira
8 = Cali
• k = Capacidad de planta de producción o destilación.
1 = 792,602 galones/mes de Bio-etanol a partir de yuca.
2 = 1,585,000 galones/mes de Bio-etanol a partir de yuca.
3 = 2´377,807 galones/mes de Bio-etanol a partir de yuca.
4 = 1´188,904 galones/mes de Bio-etanol a partir de caña.
5 = 1´585,205 galones/mes de Bio-etanol a partir de caña.
6 = 1´981,506 galones/mes de Bio-etanol a partir de caña.
7 = 2´774,108 galones/mes de Bio-etanol a partir de caña.
8 = 2´377,807 galones/mes de Bio-etanol a partir de caña.
• t = Periodo (Modelo matemático por 16 años )
• w = Periodo (tiempo en meses). Se entenderán 12 meses por año t
92
Variables de decisión
• Yukit = 1 si se utiliza o abre una nueva Destiladora en la ubicación u con
capacidad k de tipo de insumo i en el periodo o año t, 0 de otra
forma
• Xipjuwt = Cantidad en toneladas del insumo i comprado del proveedor o
región p para producir el bio-etanol j en la localización o planta
destiladora u en el mes w del año t
• STjuwt= Cantidad total en galones de Bio-etanol j producido en la
ubicación u en el mes w del año t
• Sjudwt = Cantidad en galones de Bio-etanol j producido en la ubicación u
para mandar al centro de distribución mayorista d en el mes w del
año t
• Mjdmwt= Cantidad del bio-etanol j a mezclar y enviar del centro de
distribución mayorista d hacia el mercado o ciudad m en el mes w
del año t
Parámetros
• cipuwt = costo unitario (tonelada) de compra del insumo i en el proveedor
o región p para utilizar en la planta destiladora ubicada en u en el
mes w en el año t
• eipuwt = costo unitario (tonelada) de envío del insumo i del proveedor o
región p hacia la planta destiladora ubicada en u en el mes w en el
año t
• sjut = costo de producción variable para un producto galón de bio-
etanol j en la planta destiladora ubicada en u en el año t
• zjudwt = costo unitario de envío del producto o bio-etanol j en galones de
la planta destiladora ubicada en u hacia el centro de distribución
mayorista d en el mes w del año t
93
• mjdmwt = costo unitario de envío del producto j desde el centro de
distribución mayorista d hacia el mercado m en el mes w del año t
• Djmwt = demanda del bio-etanol j en galones en el mercado m en el mes
w del año t
• Fukiq = Inversión en instalación de una planta destiladora en la ubicación
u con capacidad k con tipo de insumo i en el año t y costo fijo de
operación durante el perído T – t. Siendo T el número total de
períodos en este caso 16 años.
• Kjkwt = capacidad k en galones mes de destilar el producto j en el mes w
del año t
• Pipwt = capacidad de oferta del insumo i en toneladas por parte del
proveedor o región p en el mes w del año t
• rij(ut) = factor de rendimiento de la tonelada del insumo i para ser
destilado en el producto j en galones
Función Objetivo
La función u objetivo del presente modelo es el de minimizar los costos de
insumos, producción y transporte de la cadena de suministro de las plantas de
bio-etanol a construir y el subsiguiente transporte del alcohol hasta el mercado
final o en este caso las ciudades con más de 500.000 habitantes según la ley
693 de 2001.
El costo total se compone de:
1. Costo de las toneladas de caña y de yuca compradas en las distintas
regiones del país.
2
1
13
1
1
1
9
1
16
1
12
1i p j u t w
ipjuwtipuwt XcVPN (14)
94
2. Costo de transporte de la caña y de la yuca hasta las posibles localizaciones
de las plantas destiladoras.
2
1
13
1
1
1
9
1
16
1
12
1i p j u t w
ipjuwtipuwt XeVPN (15)
3. Costo variable de producción en las distintas destiladoras.
Para este costo primero se convierten el número de toneladas de insumo
transportadas a las distintas localizaciones en sus equivalentes cantidades
de alcohol resultantes de la destilación dependiendo del factor de
rendimiento. Realizando los cálculos respectivos se llevaron estos índices de
rendimiento de litros de etanol por tonelada a galones por tonelada. Teniendo
como valores finales:
20.3 galones de etanol por tonelada de caña.
44.9 galones de etanol por tonelada de yuca.
1
1
9
1
16
1
12
1j u t w
T
juwtjutSsVPN (16)
4. Inversión y costos de operación fijos de las plantas destiladoras utilizadas.
Este rubro incluye los costos de inversión de las plantas de bio-etanol según
su capacidad y tipo de insumo necesario. También incluye los costos y
gastos fijos de operación durante los años de su uso.
9
1
}max{u
ukitukitYFVPN (17)
Se puede observar que este rubro de costos adiciona una no linealidad a la
función objetivo. Con el fin de tratar el presente modelo como un modelo
lineal se modificó esta función adicionando las siguientes restricciones al
modelo. Donde CIukit es el valor de Inversión en la planta destiladora ubicada
en la ubicación u, con capacidad k, que utiliza el insumo tipo i, en el tiempo t.
95
Y CFukiq son los costos y gastos fijos de operar dicha planta durante el
periodo q = T - t
qikuCFCIFT
tq
ukiqukitukit ,,,; (18)
5. Costo de transporte del alcohol destilado desde las plantas destiladoras
hasta las plantas de distribución mayorista.
1
1
9
1
9
1
16
1
12
1j u d t w
judwtjudwtSzVPN (19)
6. Costo de transporte del alcohol mezclado con la gasolina desde la planta de
distribución mayorista hasta alguna de las ciudades destino.
1
1
9
1
8
1
16
1
12
1j d m t w
jdmwtjdmwtMmVPN (20)
De lo anterior el Costo Total a minimizar es:
1
1
9
1
8
1
16
1
12
1
1
1
9
1
9
1
16
1
12
1
9
1
1
1
9
1
16
1
12
1
2
1
13
1
1
1
9
1
16
1
12
1
2
1
13
1
1
1
9
1
16
1
12
1
}max{
(min)
j d m t w
jdmwtjdmwt
j u d t w
judwtjudwt
u
ukitukit
j u t w
T
juwtjut
i p j u t w
ipjuwtipuwt
i p j u t w
ipjuwtipuwt
Mm
SzYF
SsXe
Xc
VPNZ
(21)
Restricciones
El modelo está sujeto a las siguientes restricciones (entre las cuales se
encuentran restricciones de capacidad de insumos y producción, logísticas, de
flujo, entre otras):
96
Capacidad u Oferta de Insumos (Caña de Azúcar y Yuca en toneladas)
Este grupo de restricciones hacen referencia a la capacidad de toneladas
de un determinado insumo que pueden ofrecer las zonas o proveedores
en un período de tiempo.
wtpiPX ipwt
j u
ipjuwt ,,,; (22)
Ecuaciones de Balance de Insumos.
La cantidad de galones destilados en cada una de las plantas
destiladoras debe ser igual a la cantidad en toneladas de los insumos que
llegan a dicha planta por su respectivo rendimiento.
twujXrSi p
ipjuwtij
T
juwt ,,,;2
1
13
1
(23)
Factibilidad de producción en planta
Hace referencia a la disponibilidad de capacidad de producción debido a
la existencia o no de una planta destiladora en la ubicación u.
wtkujKYS jkiwtukit
T
juwt ,,,,; (24)
Ecuación de Balance de producto o Bio-etanol destilado.
En estas ecuaciones se intenta balancear el flujo del producto terminado
o bio-etanol desde las plantas destiladoras a las plantas de distribución
mayoristas, en otras palabras, se busca que la cantidad de galones de
alcohol destilados se igual a la cantidad enviada a las distintas plantas
mayoristas.
wtujSSd
judwt
T
juwt ,,,;9
1 (25)
97
Ecuaciones de Balance en las distribuidoras Mayoristas.
Al igual que el grupo de restricciones anteriores se busca que la cantidad
de bio-etanol mezclado en una planta distribuidora mayorista sea igual a
la cantidad enviada desde ese punto a las distintas ciudades destino.
wtdjMSm
jdmwt
u
judwt ,,,;8
1
9
1
(26)
Ecuación de requerimientos de demanda.
Este grupo de ecuaciones garantiza el cumplimiento de los
requerimientos (tomando como referencia una demanda determinista) en
consumos del alcohol en las distintas ciudades.
wtmjDM jmwt
d
jdmwt ,,,;9
1
(27)
Para el presente modelo se integró el estudio de una demanda con
comportamiento estocástico, utilizando la metodología de Oportunidad
Restringida (Chance Constrained). Se consideró una distribución de
probabilida normal para dicha demanda.
1,,,;9
1
wtmjDMP jmwt
d
jdmwt (28)
Restricciones de Construcción o localización y control.
Se intenta garantizar que en cada ubicación sólo se construya como
máximo una planta.
tiuYk
ukit ,,;18
1 (29)
tkuYY tukiukit ,,;)1( (30)
98
No Negatividad
twmdujpiMSSX jdmwtjudwt
T
juwtipjuwt ,,,,,,,;0;0;0;0
Variables Binarias
tuYut ,};0,1{
Supuestos:
En la programación matemática se utilizarán los valores actuales de costos,
capacidad de producción y oferta de los distintos insumos por parte de las
regiones analizados en el capitulo anterior.
Se utilizará sólo la demanda del alcohol para su uso en el sector transporte y
en una mezcla del 10% de la gasolina dentro del país, sin tener en cuenta
exportaciones ni importaciones del mismo, ni de sus insumos.
Se supondrá una disponibilidad constante de los demás insumos requeridos
para la destilación.
Se tendrá en cuenta que existe la capacidad e infraestructura para la
manipulación y transporte tanto de la caña de azúcar y de la yuca como del
alcohol.
Se utilizará una tasa de cambio del dólar de $ 2,374.
Se utilizará una tasa de descuento para el valor presente neto de 10.5%.
No se considerará el costo de tratamiento de las vinazas.
Se utilizará un rendimiento de 44.9 galones de alcohol por tonelada de yuca y
de 20.34 galones de alcohol por tonelada de caña.
Se utilizará el 40% del porcentaje destinado a las exportaciones de caña de
azúcar como la capacidad disponible de este insumo.
Sólo se modelará teniendo en cuenta como insumos a la caña de azúcar y a
la yuca.
99
Para efectos de la modelación se utilizará el total del pronóstico de oferta de
yuca, ya que se desconoce del porcentaje utilizado para fines industriales y
porque la capacidad de cultivo en el país es muy limitada.
Sólo se evaluará la construcción de plantas destiladoras con tipo de insumo i
= 1 en las ubicaciones u = 1 a 7, y la de tipo de insumo i = 2 en las
ubicaciones u = 8 y 9.
Para las de tipo de insumo i = 1 sólo se tendrán en cuenta las capacidades k
= 3 a 7 y para las de i = 2, k =1 a 3.
El insumo yuca lo proporcionan sólo los proveedores p = 1 a 9 a las plantas
de tipo de insumo i = 2, y las plantas de tipo de insumo i = 1 son abastecidas
por los proveedores o regiones p = 4,7,10,11,12 y 13.
100
Diagrama 04. Topología de la Red de la Cadena de Abastecimiento del Bio-etanol a partir de la caña de Azúcar y la Yuca para un mes w en un
año t.
CiudadesDistribuidores Mayoristas
Antiquia
Atlántico
Bolívar
Cesar
Córdoba
Magdalena
Norte de Santander
Santander
Sucre
Caldas
Cauca
Risaralda
Valle del Cauca
Llanos Orientales
Costa Norte
Hoya del Río
Suarez
Vegachí
(Antioquia)
Valle del Cauca
Cundinamarca
Eje Cafetero
Huila
Nariño
Antioquia
Atlántico
Bolívar
Cundinamarca
Santander
Nte. De Santander
Risaralda
Medellín
Bogotá
Barranquilla
Bucaramanga
Cartagena
Cúcuta
PereiraValle del Cauca
Cesar
Cali
Regiones o Provedores Plantas Destiladoras
p u d m
Xipjuwt Sjudwt Mjdmwt
101
6. SOLUCION MODELO DE OPTIMIZACION
Después de haber hecho una búsqueda de las tecnologías, métodos y
herramientas existentes para la solución de problemas de programación Lineal y
No Lineal, de las experiencias obtenidas por el autor de la presente investigación
en la utilización de los mismos y los resultados obtenidos, para encontrar la
solución del presente modelo se utilizó la herramienta Solver Premium Platform
Versión 6.5 para Microsoft Excel de la firma FrontLine Systems.
Este paquete ofrece una herramienta llamada Large-Scale Linear Programming
Solver la cual en su versión profesional puede manejar un número ilimitado de
variables y funciones en problemas de programación Lineal y Cuadrática,
incluyendo programación entera.
Esta herramienta utiliza una implementación avanzada de los métodos Simples
Primal y Dual. Automáticamente selecciona el mejor método Simplex, método de
precios, estrategia pivote y utiliza otros métodos robustos que pueden manejar
automáticamente problemas degenerados.
Utiliza una herramienta llamada PreSolve la cual puede analizar el modelo y
eliminar variables y restricciones innecesarias con el fin de afianzar límites y
relaciones entre otras variables y restricciones.
Para evitar la acumulación de pequeños errores relativos debidos a las distintas
operaciones e iteraciones, esta herramienta utiliza un tipo de factorización de
matrices llamado Descomposición LU, la cual permanece numéricamente
102
estable (utilizando actualización de matrices y Refactorización dinámica de
Markowitz).
Esta herramienta a su vez, utiliza una serie de técnicas en la solución de
problemas como:
Método de Branch and Bounds.
Cut Generation.
Branch and Cut Framework.
Strong Branching.
Lift and Cover Cuts.
Clique Cuts.
Probing Cuts.
Rounding Heuristic.
Local Search Heuristic.
Un ejemplo de las distintas técnicas a seleccionar del software para la solución
se puede apreciar en el siguiente gráfico (gráfico 9)
Gráfico 9. Técnicas del Paquete Solver Premium
103
6.1. DISEÑO DEL MODELO
Como se mencionó anteriormente el modelo se diseñó utilizando hojas de
Cálculo del Software Microsoft Excel para luego implementar el paquete Solver
Premium en su solución. Además de esto se desarrolló una interfaz gráfica que
permite revisar los datos utilizados en el modelo, realizar cambios en
parámetros, ejecutar el modelo y obtener nuevas soluciones dependiendo de
dichos cambios; a su vez, posee una sección o módulo que permite
gráficamente seleccionar cuál o cuales de las distintas ubicaciones posibles de
planta se desean evaluar.
A continuación se hará una breve explicación de la interfaz.
6.1.1. Interfaz Gráfica Modelo de Optimización.
La Interfaz gráfica generada como herramienta de ayuda en la toma de
decisiones fue programada en el lenguaje Visual Basic para Aplicaciones. Esta
se compone de una serie de formularios los cuales están directamente
relaciones e integrados con las hojas de cálculo en donde se encuentra el
modelo de la presente investigación. Esta interfaz se compone de los siguientes
módulos o páginas:
1. Módulo Menú Principal: en esta página se encuentran los vínculos a las
páginas de datos, modo gráfico y resultados, además en esta página se
encuentra una opción para ejecutar o correr el modelo en el momento que
se hizo algún cambio o modificación. (Ver Gráfico 10).
2. Módulo Menú Datos: en esta página se encuentran las opciones para
observar los datos sobre costos operativos, de transporte y de inversión,
también sobre las capacidades de materia prima y de producción, al igual
que los datos de demanda y parámetros del modelo. (Gráfico 11).
104
Gráfico 10. Pantalla Menú Principal Aplicación Gráfico 11. Pantalla Menú Datos
3. Módulo Modo Gráfico: en esta página gráficamente puede seleccionar
que ubicaciones o localizaciones de planta desea evaluar. (Ver Gráfico
12).
4. Módulo Resultados: esta página muestra los costos totales de la cadena
obtenidos como solución, siendo estos costos de transporte de materias
primas, costos de las materias primas, de producción del alcohol en las
distintas plantas, transporte del etanol a las plantas mayoristas y luego a
las ciudades destino, además del costo de inversión y los costos fijos. En
esta página también se encuentran las opciones para poder observar los
resultados de las variables, la cantidad de materia prima comprada en las
distintas regiones y su transporte a las plantas destiladoras, los costos de
transporte del alcohol y las capacidades y ubicaciones de las distintas
plantas destiladoras seleccionadas. (Ver Gráfico 13).
105
Gráfico 12. Pantalla Menú Modo Gráfico Gráfico 13. Pantalla Menú Resultados
En la sección de anexos 08 se puede encontrar el código utilizado para la
programación de la herramienta o interfaz.
6.1.2. Modelo Resultante.
El modelo desarrollado en la presente investigación con el fin de obtener una
solución que optimizara minimizando los costos totales la cadena de Bio-etanol a
partir de la Caña de Azúcar y de la Yuca y donde las variables, parámetros,
componentes de la función objetivo y restricciones se explicaron en el capítulo
anterior tiene la siguiente estructura (Ver Gráfico 14). Se puede observar un
modelo lineal de alrededor de 41,000 variables de las cuales se tienen unas 650
binarias o enteras que representan las variables de decisión de utilización y
construcción de plantas destiladoras y 19,000 restricciones o funciones.
106
Gráfico 14. Estructura Modelo Programación Lineal
6.2. RESULTADOS DEL MODELO
6.2.1. Resultados Plan del Gobierno Vs. Solución Óptima.
Después de ajustar el modelo y encontrar puntos de partida o soluciones
factibles adecuadas para ayudar al paquete de optimización a encontrar la
solución óptima se procedió a correr el modelo bajo las condiciones del plan de
Alcoholes Carburantes planteada por Corpodib y el cual se utilizó como
referencia para orientar el diseño de la red de la cadena de abastecimiento
utilizada en la presente investigación. Las condiciones planteadas por Corpodib
requieren la construcción o utilización de las siguientes plantas (Tabla 30):
Tabla 30. Proyectos Indicativos productores de Alcohol Carburante
Localización Capacidad (gal/mes) Materia Prima
Hoya del Río Suárez 2’377.000 Caña de azúcar
Vegachí (Antioquia) 2’774.000 Caña de azúcar
Valle del Cauca 2’377.000 Caña de azúcar
Costa Norte 2’377.000 Yuca
Cundinamarca 1’189.000 Caña de azúcar
Llanos Orientales 792.000 Yuca
Eje Cafetero 1’981.000 Caña de azúcar
Huila 1’585.000 Caña de azúcar
Nariño 1’189.000 Caña de azúcar
Fuente: Corpodib
107
Los resultados obtenidos bajo estas condiciones durante el tiempo simulado de
16 años son las siguientes (Ver Tabla 31):
Tabla 31. Valor Presente Neto de Costos Totales bajo las Condiciones del Plan de Gobierno. Valores en Dólares.
Costo Total $ 2,385,736,794
Costo de Transporte Caña $ 632,620,135
Costo de Transporte Yuca $ 168,472
Costo Caña $ 463,112,843
Costo Yuca $ 964,843
Costo de producción Destiladoras Caña $ 495,232,748
Costo de Producción Destiladoras Yuca $ 899,977
Costo de Transporte a Mayoristas $ 9,022,792
Costo de Transporte a Ciudades $ 5,585,421
Inversión $ 213,088,253
Costos y Gastos Fijos $ 565,041,310
De los cuales podemos observar que el porcentaje de cada uno de los rubros
sobre el Costo Total es el siguiente:
Tabla 32. Porcentaje de los costos del total
Costo de Transporte Caña 26.52%
Costo de Transporte Yuca 0.01%
Costo Caña 19.41%
Costo Yuca 0.04%
Costo de producción Destiladoras Caña 20.76%
Costo de Producción Destiladoras Yuca 0.04%
Costo de Transporte a Mayoristas 0.38%
Costo de Transporte a Ciudades 0.23%
Inversión 8.93%
Costos y Gastos Fijos 23.68%
Al obtener estos resultados se tiene una base para comparar si el plan que se
pretende desarrollar en el país es el óptimo o por otro lado, como se ha
encontrado durante la búsqueda de la información y análisis de la misma que la
empresa Corpodib en su estudio desarrollado parece estar sobre valorando esta
cadena. Por lo tanto como objetivo principal de la presente investigación se
emprendió la búsqueda de la solución óptima que entregara el software sobre el
108
modelo planteado. La solución encontrada arroja los siguientes costos y datos
generales. (Ver tabla 33):
Tabla 33. Valor Presente Neto de Costos Totales Solución Óptima. Valores en dólares.
Costo Total $ 1,627,902,515
Costo de Transporte Caña $ 460,473,496
Costo de Transporte Yuca $ -
Costo Caña $ 470,405,362
Costo Yuca $ -
Costo de producción Destiladoras Caña $ 503,154,459
Costo de Producción Destiladoras Yuca $ -
Costo de Transporte a Mayoristas $ 18,917,997
Costo de Transporte a Ciudades $ 5,597,753
Inversión $ 54,048,020
Costos y Gastos Fijos $ 115,305,428
De los cuales podemos observar que el porcentaje de cada uno de los rubros
sobre el Costo Total es el siguiente (Ver tabla 34):
Tabla 34. Porcentaje de los costos del total
Costo de Transporte Caña 43.61%
Costo de Transporte Yuca
Costo Caña 28.02%
Costo Yuca
Costo de producción Destiladoras Caña 19.21%
Costo de Producción Destiladoras Yuca
Costo de Transporte a Mayoristas 1.60%
Costo de Transporte a Ciudades 0.52%
Inversión, Costos y Gastos Fijos 7.04%
Podemos observar a simple vista una disminución en los costos totales de
alrededor de USD 757,834,279 ($ 1,799,098,578,035.41 Pesos) o
aproximadamente del 31.77% de los costos, lo cual es una cifra bastante
significativa. Se puede notar también que el sector Yuca dejaría de estar
beneficiado con este proyecto ya que al parecer la sub-cadena de la yuca para
producir el alcohol carburante es menos atractiva que la de la caña de azúcar
bajo las condiciones estudiadas.
109
Los costos óptimos encontrados se obtienen utilizando desde el primer año
plantas de producción de Bio-etanol a partir de la caña de Azúcar en las
ubicaciones del Valle del Cauca, Cundinamarca y Eje Cafetero con capacidad
para 1,585,000 galones de alcohol al mes. En el diagrama 05 se puede observar
la red resultante de la solución óptima.
En cuanto a los porcentajes de participación de los costos observamos que se
mantienen similares y sólo encontramos una gran diferencia en el rubro de
inversión, costos y gastos fijos, siendo en el primer caso de alrededor del 32%
mientras que en caso óptimo de alrededor de un 10.3%, cambio que se puede
explicar muy sencillamente ya que para el plan del Gobierno se construirían
nueve (9) plantas destiladoras en el país, mientas que la solución óptima nos
arroja que sólo se requieren tres (3) plantas.
Como factor importante a analizar teniendo en cuenta los resultados obtenidos
se encontró que los costos de compra y transporte de Caña de las distintas
regiones de cultivo a las ubicaciones de las plantas destiladoras, y los costos
variables de producción representan alrededor del 90% de los costos totales de
la cadena y cualquier ahorro o disminución ya sea por planes fomentados por el
gobierno o derivados de las economías de escala en alguno de estos costos se
reflejará directamente en ahorros para la cadena de abastecimiento del Bio-
etanol.
En Archivo Adjunto a este documento se encuentra el modelo desarrollado y el
resultado obtenido para todas las variables de pedido o requerimiento de materia
prima, las cantidades transportadas a cada Ubicación de Planta, y las
cantidades de alcohol transportadas a las plantas de distribución mayorista y a
las distintas ciudades.
110
Diagrama 05. Topología de la Red de la Cadena de Abastecimiento del Bio-etanol a partir de la caña de Azúcar y la Yuca para un mes w en un
año t. Red Resultante en la Solución Óptima
Ciudades Distribuidores Mayoristas
Antiquia
Atlántico
Bolívar
Cesar
Córdoba
Magdalena
Norte de Santander
Santander
Sucre
Caldas
Cauca
Risaralda
Valle del Cauca
Llanos Orientales
Costa Norte
Hoya del Río Suarez
Vegachí (Antioquia) Valle del Cauca
Cundinamarca
Eje Cafetero
Huila
Nariño
Antioquia
Atlántico
Bolívar
Cundinamarca
Santander
Nte. De Santander
Risaralda
Medellín
Bogotá
Barranquilla
Bucaramanga
Cartagena
Cúcuta
Pereira Valle del Cauca
Cesar Cali
Regiones o Provedores Plantas Destiladoras p u d m
Xipjuwt Sjudwt Mjdmwt
111
Después de obtener los resultados de costos totales para el plan de acción
propuesto por la empresa Corpodib y el encontrado como solución óptima del
modelo planteado se decidió encontrar el valor o costo unitario de cada galón del
alcohol producido y vendido en las ciudades para el punto de equilibrio en
ambos escenarios teniendo como demanda el promedio de la misma.. Los
resultados encontrados se pueden apreciar en la siguiente tabla (tabla 35):
Tabla 35. Precio Del Galón de Alcohol Punto de Equilibrio.
Cantidad de Bio-etanol (Galones)
Demandados
Precio del Galón del Alcohol en USD28
(2005)
Plan Gobierno Solución Óptima
$ 5.43 $ 3.7 Supuesto de Ingresos anuales en valores constants del 2005 (USD)
55,445,544 $ 301,374,026 $ 205,641,937
55,361,364 $ 300,916,466 $ 205,329,722
54,111,048 $ 294,120,379 $ 200,692,426
53,929,824 $ 293,135,336 $ 200,020,284
52,873,656 $ 287,394,540 $ 196,103,063
52,597,224 $ 285,891,995 $ 195,077,805
51,689,736 $ 280,959,347 $ 191,712,023
51,351,576 $ 279,121,280 $ 190,457,822
50,559,000 $ 274,813,236 $ 187,518,237
50,182,992 $ 272,769,446 $ 186,123,662
49,480,344 $ 268,950,206 $ 183,517,611
49,083,084 $ 266,790,901 $ 182,044,214
48,451,692 $ 263,358,972 $ 179,702,444
48,044,892 $ 261,147,813 $ 178,193,664
47,470,884 $ 258,027,795 $ 176,064,726
47,062,452 $ 255,807,764 $ 174,549,893
VPN Ingreso Total en USD $ 2,385,736,794 $ 1,627,902,515
Podemos observar un costo mínimo por Galón de USD$ 5.43 ($ 12,903) para el
escenario del plan propuesto por Corpodib operando o instalando plantas
destiladoras en las 9 ubicaciones, mientras que obtenemos un valor de USD$
3.7 ($ 8,804) en la solución óptima, aproximadamente una disminución del
31.77%. Vemos que estos valores se encuentran muy por encima de los precios
máximos establecidos por el gobierno Colombiano en la Resolución No. 180836
de Julio 25 del 2003, la cual fue actualizada por la resolución No. 180618 de
28
Tasa de Cambio 1 dólar = $ 2374.
112
Mayo 30 de 2006 del Ministerio de Minas y Energía, en esta última se establece
un ingreso máximo al productor carburante de USD$ 1.94 ($ 4,596.98) por galón
de alcohol. Utilizando este ingreso al productor y actualizándolo con la
metodología propuesta por Retamoso et al (2004) para el precio de venta a
minorista del alcohol carburante se calculó un precio máximo de venta de USD$
2.68 ($ 6,368.94). Este precio resultante en la modelación matemática de la
cadena se encuentra un dólar por encima del permitido por la ley.
Por lo anterior, se programó el modelo para encontrar unos posibles valores de
disminución en los costos de la cadena con el fin de encontrar un precio
competitivo del alcohol y que sea menor al máximo permitido por las
resoluciones de precio del gobierno.
De la solución de esta simulación se tiene que para generar una rentabilidad en
la cadena de suministro del Bio-etanol, teniendo en cuenta los costos actuales
de transporte, producción y materia prima utilizados en el presente estudio y
obtenidos de las fuentes secundarias mencionadas oportunamente, se debe
lograr una disminución de los costos de transporte de la caña desde las regiones
de cultivo a las destiladoras entre un 34 y un 40%, lo cual podría lograrse con
economías de escala en el sector transporte especializado para este fin. En
cuanto al costo de la caña la disminución a conseguir debería ser entre un 32 y
un 38%. Mediante estudios para aumentar el rendimiento por hectárea de caña,
planes o incentivos para la disminución en el costo de corte, recolección y acopio
de la caña (el cual representa aproximandamente el 25% del costo por
tonelada), subsidios por parte del gobierno podría lograrse la disminución
requerida para este rubro.
En el momento en que se desarrollen las tecnologías de procesamiento y
destilación para la obtención del alcohol, o a través de estudios para mejorar la
eficiencia y eficacia de los procesos podría lograrse la disminución requerida en
este costo la cual debería ser entre un 27 y un 32% del valor actual encontrado
en la solución óptima.
113
6.2.2. Resultados Solución Óptima bajo análisis de Escenarios de
Satisfacción de Demanda.
Como se ha mencionado anteriormente, el presente modelo integra a la
metodología de distribución y localización un análisis de la demanda bajo un
comportamiento estocástico para lo cual se utilizó la metodología de chance
constrained. Bajo esta metodología se analizaron los cambios en la solución al
problema de localización distribución para satisfacciones de la demanda
promedio, y para valores de (1- ) de 55%, 60%, 65%, 70%, 75%, 80%, 85%,
90% y 95%.
Los resultados obtenidos en cuanto a costos de cada uno de los escenarios se
presentan en la siguiente tabla (tabla 36):
Tabla 36. Resultados de Costos (Valor Presente Neto en USD29
) para los distintos escenarios.
Satisfacción de Demanda 55% 60% 65%
Costo Total $ 1,632,559,696 $ 1,681,135,475 $ 1,683,604,866
Costo Yuca $ - $ - $ -
Costo de Transporte Yuca $ - $ - $ -
Costo de Producción Destiladoras Yuca $ - $ - $ -
Costo Caña $ 473,299,291 $ 476,239,813 $ 479,279,083
Costo de Transporte Caña $ 440,894,674 $ 485,411,029 $ 481,363,784
Costo de producción Destiladoras Caña $ 506,228,959 $ 509,352,962 $ 512,581,874
Costo de Transporte a Mayoristas $ 20,150,121 $ 18,616,312 $ 18,798,435
Costo de Transporte a Ciudades $ 6,293,162 $ 5,821,869 $ 5,888,201
Inversión $ 60,779,275 $ 60,779,275 $ 60,779,275
Costos y Gastos Fijos $ 124,914,213 $ 124,914,213 $ 124,914,213
Satisfacción de Demanda 70% 75% 80%
Costo Total $ 1,693,910,136 $ 1,699,041,490 $ 1,753,423,080
Costo Yuca $ - $ - $ -
Costo de Transporte Yuca $ - $ - $ -
Costo de Producción Destiladoras Yuca $ - $ - $ -
Costo Caña $ 482,482,004 $ 485,938,454 $ 489,787,383
Costo de Transporte Caña $ 484,801,524 $ 482,521,748 $ 514,477,424
Costo de producción Destiladoras Caña $ 515,984,649 $ 519,656,770 $ 523,745,862
Costo de Transporte a Mayoristas $ 19,054,467 $ 19,329,642 $ 17,546,857
Costo de Transporte a Ciudades $ 5,894,003 $ 5,901,387 $ 5,832,024
Inversión $ 60,779,275 $ 60,779,275 $ 67,510,531
Costos y Gastos Fijos $ 124,914,213 $ 124,914,213 $ 134,522,999
29
Tasa de Cambio 1 dólar = $ 2374
114
Tabla 36. Continuación
Satisfacción de Demanda 85% 90% 95%
Costo Total $ 1,777,608,789 $ 1,789,527,023 $ 1,833,210,379
Costo Yuca $ - $ - $ -
Costo de Transporte Yuca $ - $ - $ -
Costo de Producción Destiladoras Yuca $ - $ - $ -
Costo Caña $ 494,273,799 $ 499,918,704 $ 508,285,312
Costo de Transporte Caña $ 529,053,935 $ 528,878,801 $ 538,296,305
Costo de producción Destiladoras Caña $ 528,512,218 $ 534,509,349 $ 543,398,010
Costo de Transporte a Mayoristas $ 17,852,629 $ 18,194,594 $ 18,791,947
Costo de Transporte a Ciudades $ 5,882,678 $ 5,992,044 $ 6,065,235
Inversión $ 67,510,531 $ 67,510,531 $ 74,241,786
Costos y Gastos Fijos $ 134,522,999 $ 134,522,999 $ 144,131,785
Dependiendo del porcentaje de Satisfacción de Demanda seleccionado, las
capacidades mínimas de producción del Alcohol variarán, es por esto que para
los resultados obtenidos en los distintos escenarios se requirieron distintas
capacidades, las cuales se muestran en la siguiente tabla (Ver tabla 37):
Tabla 37. Capacidades Obtenidas para los distintos Escenarios en Galones/Mes
Satisfacción de Demanda 55% 60% 65%
Costo Total (USD) $ 1,632,559,696 $ 1,681,135,475 $ 1,683,604,866
Valle del Cauca 1,585,000 1,585,000 1,585,000
Cundinamarca 1,585,000 1,585,000 1,585,000
Eje 1,585,000 1,981,000 1,981,000
Satisfacción de Demanda 70% 75% 80%
Costo Total (USD) $ 1,693,910,136 $ 1,699,041,490 $ 1,753,423,080
Valle del Cauca 1,585,000 1,585,000 1,585,000
Cundinamarca 1,585,000 1,585,000 1,981,000
Eje 1,981,000 1,981,000 1,981,000
Satisfacción de Demanda 85% 90% 95%
Costo Total (USD) $ 1,777,608,789 $ 1,789,527,023 $ 1,833,210,379
Valle del Cauca 1,585,000 1,585,000 1,981,000
Cundinamarca 1,981,000 1,981,000 1,981,000
Eje 1,981,000 1,981,000 1,981,000
Los cambios en los costos totales obtenidos en los distintos escenarios los
podemos observar en la Gráfica 15. En esta gráfica se pueden observar o
analizar cuatro (4) tendencias: un costo para el 50% o promedio de la demanda
en donde se requieren tres plantas con una capacidad de 1,585,000 galones por
mes de alcohol, luego se ve un incremento para el 55% ya que se requiere en el
115
Eje Cafetero una planta de mayor capacidad para este caso de 1,981,000
galones por mes. Para los escenarios del 55% al 75% se puede observar un
comportamiento o curva general de costos totales (fijos + variables),
comportamiento que podría esperarse para estos escenarios en donde se
mantiene constante la capacidad requerida o los costos fijos.
Ahora bien, en el caso de los escenarios del 80% al 90% vemos un incremento
aproximadamente constante, aunque igualmente se puede observar la tendencia
que muestran los escenarios de 55% a 75%, habría que encontrar o evaluar
algunos puntos extras para que gráficamente se pueda apreciar con mayor
claridad la curva.
Para el caso del 95% nuevamente se requiere de incrementar la capacidad por
lo tanto el Costo Total presentará un nuevo cambio de comportamiento.
Gráfico 15. Costo Total Vs. Satisfacción de Demanda.
Costo Total Obtenido para Distintos Valores de
Demanda
$1,600,000,000.00
$1,650,000,000.00
$1,700,000,000.00
$1,750,000,000.00
$1,800,000,000.00
$1,850,000,000.00
45% 50% 55% 60% 65% 70% 75% 80% 85% 90% 95% 100%
% Satisfacción de Demanda
Co
sto
To
tal
Cabe aclarar que aunque parezca una no convexidad en la gráfica o en el frente
pareto de los resultados para las distintas satisfacciones de demanda esto sólo
116
se debe a que para algunos escenarios como se dijo anteriormente se requiere
el aumento o inversión en la capacidad de las plantas destiladoras para poder
suplir el nivel de demanda requerido, lo cual convierte la gráfica en escalonada,
aunque debería tratarse con un grupo de gráficas independientes para distintos
rangos de niveles de demanda, para los cuales se puede observar convexidad
en la región de solución factibles y en el frente óptimo de pareto
En la tabla 38 podemos observar los cambios porcentuales para el costo total y
cada uno de sus componentes que se obtuvieron en la solución de los distintos
escenarios.
Tabla 38. Cambios Porcentuales Respecto al Promedio
Satisfacción de Demanda 55% 60% 65%
Costo Total 0.29% 3.27% 3.42%
Costo de Transporte Caña -4.25% 5.42% 4.54%
Costo de Transporte Yuca
Costo Caña 0.62% 1.24% 1.89%
Costo Yuca
Costo de producción Destiladoras Caña 0.61% 1.23% 1.87%
Costo de Producción Destiladoras Yuca
Costo de Transporte a Mayoristas 6.51% -1.59% -0.63%
Costo de Transporte a Ciudades 12.42% 4.00% 5.19%
Inversión 12.45% 12.45% 12.45%
Costos y Gastos Fijos 8.33% 8.33% 8.33%
Satisfacción de Demanda 70% 75% 80%
Costo Total 4.05% 4.37% 7.71%
Costo de Transporte Caña 5.28% 4.79% 11.73%
Costo de Transporte Yuca
Costo Caña 2.57% 3.30% 4.12%
Costo Yuca
Costo de producción Destiladoras Caña 2.55% 3.28% 4.09%
Costo de Producción Destiladoras Yuca
Costo de Transporte a Mayoristas 0.72% 2.18% -7.25%
Costo de Transporte a Ciudades 5.29% 5.42% 4.19%
Inversión 12.45% 12.45% 24.91%
Costos y Gastos Fijos 8.33% 8.33% 16.67%
Satisfacción de Demanda 85% 90% 95%
Costo Total 9.20% 9.93% 12.61%
Costo de Transporte Caña 14.89% 14.86% 16.90%
Costo de Transporte Yuca
Costo Caña 5.07% 6.27% 8.05%
Costo Yuca
Costo de producción Destiladoras Caña 5.04% 6.23% 8.00%
Costo de Producción Destiladoras Yuca
Costo de Transporte a Mayoristas -5.63% -3.82% -0.67%
Costo de Transporte a Ciudades 5.09% 7.04% 8.35%
Inversión 24.91% 24.91% 37.36%
Costos y Gastos Fijos 16.67% 16.67% 25.00%
117
El gráfico 16 muestra los datos de la tabla 38, se puede observar que el costo de
transporte de caña permanece con una tendencia creciente ya que las
ubicaciones de las plantas destiladoras no cambian, y a medida que
aumentamos el porcentaje de satisfacción de demanda mayor cantidad de caña
es requerida para su procesamiento.El costo de la caña y el costo de producción
permanecen con una tendencia creciente constante a lo largo del tiempo. En la
curva del costo de inversión se aprecian los cambios en los requerimientos de
capacidad descritos anteriormente.
En cuanto a las curvas de costos de transporte a distribuidores mayoristas y a
ciudades se puede observar la influencia entre el aumento de la capacidad de
destilación en las distintas ubicaciones y su distancia relativa hacia los centros
de distribución mayoristas y luego a ciudades.
En el momento en que se aumenta la capacidad en el Eje Cafetero se puede
observar una disminución en el costo de transporte a mayoristas, ya que el
modelo al tener mayor capacidad en esta ubicación destila mayor cantidad de
alcohol en esta planta que antes era destilado en las otras y esta ubicación le
representa una distancia menor a los distribuidores mayoristas utilizados y a las
ciudades. Se estabiliza un poco la curva hasta cuando nuevamente se hace un
aumento en la capacidad de la planta ubicada en Cundinamarca, la cual le
permite producir mayor cantidad y encontrarse más cerca al principal
consumidor del país, la ciudad de Bogotá. Esto último afecta también la variación
en el costo a las ciudades ya que al encontrarse como se acaba de mencionar a
menor distancia de Bogotá el costo a ciudades se verá reducido.
Los valores de participación Porcentual de los distintos costos para cada
escenario los podemos observar en la tabla 39.
118
Gráfico 16. Variación en el porcentaje de cada Rubro
Variación en el Porcentaje de cada rubro respecto Escenario de Demanda Promedio
-10.00%
-5.00%
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
40.00%
45.00
%
50.00
%
55.00
%
60.00
%
65.00
%
70.00
%
75.00
%
80.00
%
85.00
%
90.00
%
95.00
%
100.0
0%
% Satisfacción de Demanda
% C
os
to T
ota
l
Costo de Transporte Caña
Costo Caña
Costo de producción
Destiladoras Caña
Costo de Transporte a
Mayoristas
Costo de Transporte a
Ciudades
Inversión
Costos y Gastos Fijos
Tabla 39. Participación Porcentual de los Distintos Costos
Satisfacción de Demanda 55% 60% 65%
Costo de Transporte Caña 27.01% 28.87% 28.59%
Costo de Transporte Yuca
Costo Caña 28.99% 28.33% 28.47%
Costo Yuca
Costo de producción Destiladoras Caña 31.01% 30.30% 30.45%
Costo de Producción Destiladoras Yuca
Costo de Transporte a Mayoristas 1.23% 1.11% 1.12%
Costo de Transporte a Ciudades 0.39% 0.35% 0.35%
Inversión 3.72% 3.62% 3.61%
Costos y Gastos Fijos 7.65% 7.43% 7.42%
Satisfacción de Demanda 70% 75% 80%
Costo de Transporte Caña 28.62% 28.40% 29.34%
Costo de Transporte Yuca
Costo Caña 28.48% 28.60% 27.93%
Costo Yuca
Costo de producción Destiladoras Caña 30.46% 30.59% 29.87%
Costo de Producción Destiladoras Yuca
Costo de Transporte a Mayoristas 1.12% 1.14% 1.00%
Costo de Transporte a Ciudades 0.35% 0.35% 0.33%
Inversión 3.59% 3.58% 3.85%
Costos y Gastos Fijos 7.37% 7.35% 7.67%
Satisfacción de Demanda 85% 90% 95%
Costo de Transporte Caña 29.76% 29.55% 29.36%
Costo de Transporte Yuca
Costo Caña 27.81% 27.94% 27.73%
Costo Yuca
Costo de producción Destiladoras Caña 29.73% 29.87% 29.64%
Costo de Producción Destiladoras Yuca
Costo de Transporte a Mayoristas 1.00% 1.02% 1.03%
Costo de Transporte a Ciudades 0.33% 0.33% 0.33%
Inversión 3.80% 3.77% 4.05%
Costos y Gastos Fijos 7.57% 7.52% 7.86%
119
El gráfico 17 muestra los datos de la tabla 39, en esta se pueden observar las
participaciones porcentuales de cada rubro dentro del Costo Total encontrado.
Se puede analizar que para los distintos escenarios estos porcentajes se
mantienen prácticamente constantes
Gráfico 17. Participación porcentual de los distintos Costos.
Variación del Porcentaje de los distintos costos de la Cadena de Abastecimiento
0.00%
5.00%
10.00%
15.00%
20.00%
25.00%
30.00%
35.00%
45.00
%
50.00
%
55.00
%
60.00
%
65.00
%
70.00
%
75.00
%
80.00
%
85.00
%
90.00
%
95.00
%
100.00
%
% Satisfacción de Demanda
% d
el C
osto
To
tal
Costo de Transporte Caña
Costo Caña
Costo de producción Destiladoras
Caña
Costo de Transporte a Mayoristas
Costo de Transporte a Ciudades
Inversión
Costos y Gastos Fijos
6.2.3. Resultados Modelo Bi-lineal para la Consecución del Valor de
Sensibilidad del modelo para el Precio o Costo de La Yuca
Después de analizar los resultados obtenidos en la solución del modelo de
localización-optimización con parámetros estocásticos de la cadena de
abastecimiento del bio-etanol a partir de la caña de azúcar y la yuca, y al
detectar que el sector o sub-cadena de la yuca ante las características e
información estudiadas no es competitiva, es decir, en ninguno de los resultados
para los distintos escenarios o cumplimientos de demanda se incluyó la
120
utilización de la yuca para el abastecimiento de la demanda nacional de alcohol,
se decidió entonces, analizar más a fondo este fenómeno.
Una comparación inicial entre los datos de costos para las distintas sub-cadenas
y los resultados obtenidos, deja en manifiesto una ventaja muy notoria del costo
de la tonelada de la caña sobre la yuca. Esto puede explicarse ya que se
encontró que para la caña el costo de la tonelada estará regido por el costo del
galón del etanol, mientras que para la yuca todavía los gremios nacionales no
han trabajado para desarrollar acuerdos comerciales que permitan trabajar de la
mano con el sector energético del país en la producción del alcohol carburante.
Por lo anterior, se utilizó el modelo de optimización planteado y se analizó el
costo o precio de la tonelada de yuca como una variable, esto conllevó a tratar el
problema como un problema de optimización bi-lineal, con el fin de encontrar un
costo atractivo que permitiera a la sub-cadena de la yuca participar en este
proyecto energético nacional.
Para la solución u optimización bi-lineal teniendo en cuenta el objetivo del
análisis se forzó a la herramienta de solución a encontrar una solución del
modelo, teniendo en cuenta la satisfacción de la demanda promedio, en la cual
se implementaran plantas destiladoras en las ubicaciones de Costa Norte y
Llanos Orientales que utilizaran la yuca como materia prima. Luego se procedió
a encontrar una solución de mínimo costo en la cual se utilizó un factor de
descuento en el costo de la yuca como variable libre y poder así tratar el modelo
bi-lineal como un modelo lineal. En la tabla siguiente (Tabla 40.) podemos
observar los datos sobre costos obtenidos:
121
Tabla 40. VPN de Costos Totales bajo Reducción del Costo de la Yuca. Valores en USD30
Costo Total $ 1,644,181,540.00
Costo de Transporte Caña $ 575,718,024.07
Costo de Transporte Yuca $ 23,004,413.14
Costo Caña $ 371,879,308.51
Costo Yuca $ 119,331,882.18
Costo de producción Destiladoras Caña $ 253,782,162.23
Costo de Producción Destiladoras Yuca $ 61,879,587.58
Costo de Transporte a Mayoristas $ 23,037,840.08
Costo de Transporte a Ciudades $ 11,245,353.21
Inversión, Costos y Gastos Fijos $ 204,302,969.00
Se puede observar que para este “escenario” en el cual se ha reducido el costo
de la yuca, el costo total durante los 16 años modelados es un poco mayor al
obtenido para el modelo de costo mínimo analizado anteriormente. En la tabla
siguiente (tabla 41) se pueden observar las plantas necesarias bajo estas
características.
Tabla 41. Localización y Capacidades requeridas bajo descuento en costo de la Yuca.
Costo Total $ 1,644,181,540
Valle del Cauca 1,189,000
Cundinamarca 1,189,000
Eje Cafetero 1,189,000
Llanos Orientales 792,000
Costa Norte 792,000
Para obtener los resultados anteriores se encontró que solamente con una
reducción de aproximadamente el 27.6% del costo de la yuca se podría incluir
esta sub-cadena dentro del plan de producción nacional de Bio-etanol a un costo
mínimo. Este descuento o disminución puede ser obtenido mediante economías
de escala, planes e incentivos del gobierno, acuerdo entre gremios agriculturas y
ofrecería grandes beneficios al sector yuca en el país garantizándoles el
consumo fijo de gran parte de su oferta.
Cabe notar, que un análisis adicional mostró que actualmente la capacidad de
producción de la yuca es muy inferior a la producción de Caña de Azúcar, esto
podría afectar en cierta medida la decisión de incluir esta sub-cadena ya que se
vería limitada a contribuir con capacidad extra en escenario o momentos en los
cuales se deba satisfacer una mayor demanda.
30
Tasa de Cambio 1 dólar = $ 2374
122
7. CONCLUSIONES
Como se mencionó a lo largo del presente documento, este tuvo como finalidad
mostrar el desarrollo de un modelo matemático de planificación estratégica de la
cadena de abastecimiento y de valor del Bio-etanol a partir de la caña de Azúcar
y de la Yuca, cuyo interés se despertó por la normatividad existente y el actual
proyecto energético sobre el uso de Bio-combustibles en el país.
Podemos observar la importancia que tiene el estudio y la modelación de las
cadenas de suministro como apoyo en la toma de decisiones tanto estratégicas,
como tácticas y operativas, aunque en esta investigación principalmente se trató
el modelamiento estratégico de la cadena.
Se entendieron además las ventajas de los avances en las tecnologías de
información en la gestión de las cadenas de suministro. Estos avances incluyen
el desarrollo en equipos computacionales más rápidos y paquetes de software
más flexibles para la implementación y desarrollo de interfaces y manipulación
de información que permitieron tanto el diseño como visualización del modelo
mostrado, el cual puede considerarse de mediana a gran escala compuesto por
alrededor de 40,000 variables y 19,000 funciones, y también los paquetes de
software capaces de encontrar soluciones en tiempo prudente a estos modelos.
Tanto el modelo como la herramienta o interfaz desarrollada pueden servir y
serán presentadas para su posible implementación en el proceso de toma de
decisiones para la planificación o diseño del plan de producción del Bio-etanol ya
que permiten dinámica y gráficamente evaluar los impactos en los costos totales
123
de inversión, producción, manejo y costos logísticos de transporte de la cadena
al evaluar distintas ubicaciones o localizaciones de las plantas destiladoras y los
impactos que estas pueden traer a las distintas regiones del país fomentando el
consumo de sus cultivos en cuanto a caña de azúcar y de yuca, sin incluir otros
impactos como desarrollo regional, gracias a la generación de trabajos directos e
indirectos, flujo e intercambio comercial e inversión en infraestructura, entre
otros.
Hablando directamente sobre los resultados obtenidos en la solución del
problema planteado nos damos cuenta inmediatamente de la utilidad económica
que puede generar el desarrollo de este tipo de proyectos. Se pudo encontrar
que si se toman decisiones sin soportarlas en ningún tipo de modelación o
herramienta matemática, y basarlos en estudios cualitativos como el
desarrollado por la Corporación para el Desarrollo de la Bio-tecnología y
Producción Limpia (Corpodib) podría llevar a sobre valorar una serie de factores
que se traducirían en costos y gastos innecesarios, sobretodo en un país donde
su capacidad para la inversión en proyectos de desarrollo es limitada.
Se encontró una diferencia o reducción de alrededor de un treinta y uno por
ciento (31%), entre el costo del plan propuesto en el proyecto antes mencionado
y el costo total obtenido en la solución óptima encontrada en esta investigación.
Este 31% representa durante los 16 años de modelación o estudio una
disminución de alrededor de USD 757,834,279 ($ 1,799,098,578,035.41 Pesos).
Además, se pudieron analizar otros fenómenos como la ventaja actual del sector
de la caña de azúcar sobre el sector de la yuca para su participación en este
proyecto de producción de bio-etanol. También se encontraron las capacidades
y ubicaciones óptimas de las plantas destiladoras a instalar, las cuales difieren
en cantidad pasando de nueve (9) planteadas por el estudio de Corpodib a que
sólo sean necesarias tres (3).
124
En cierta medida se pudo planificar tácticamente los requerimientos de Materia
prima o toneladas de caña de azúcar necesarias mes a mes durante los 16 años
lo cual sirve de ayuda en la toma de decisiones como los requerimientos en
transporte para dichos volúmenes, la planificación en los cultivos, tiempos de
recolección y manipulación, entre otros.
También se pudo observar las ventajas que arroja el análisis estocástico de
factores como la demanda en los modelos matemáticos ya que ofrecen un
mayor realismo a la modelación, permitiendo observar los cambios en los
resultados al considerar la variabilidad de dichos factores. Entre más detallado
un modelo mejor representará la situación o problemática objeto de estudio y
esto conllevará a obtener resultados más veraces que ofrezcan mejores
resultados y sean de gran ayuda en la toma de decisiones.
Como un resultado negativo considero que en las condiciones actuales el costo
de este nuevo producto (bio-etanol) parece ser un poco alto en comparación con
el costo de los combustibles fósiles, al encontrarse que en la solución óptima el
costo del galón del bio-etanol como mínimo es de alrededor de nueve mil pesos
($ 9,000), evaluando sólo el punto de equilibrio sin incluir los incrementos o
beneficios de cada eslabón. Aunque como se mencionó anteriormente el mayor
porcentaje de los costos se le atribuye a la materia prima y su transporte desde
las zonas o regiones de cultivo hasta las plantas destiladoras y su posterior
destilación, representando el costo entre este par de eslabones de alrededor del
noventa por ciento (90%) del costo total y cualquier reducción o descuento que
se haga sobre estos tendrá un gran impacto sobre el costo total reduciendo el
costo del galón del alcohol en una porcentaje significativo.
Por último, quisiera agregar que el desarrollo de la presente investigación
además de las ventajas y resultados económicos, técnicos y estratégicos
obtenidos para el sector de bio-combustibles en el país y en especial para la
cadena del bio-etanol a partir de la caña de azúcar y de la yuca, sirvió para
125
afianzar los conceptos adquiridos durante los estudios de maestría en las áreas
de programación matemática, redes logísticas, optimización de procesos y
cadenas de suministro, desarrollo de interfaces y programación informática,
entre otras.
126
BIBLIOGRAFÍA
A history of the Diesel Engine. (En línea). Acceso Febrero 5 2006.
www.ybiofuels.org/bio_fuels/history_diesel.html
Banco De La República. Informe sobre Inflación. Bogotá, Colombia.
Septiembre, 2005.
Beltrán G., Saldaña C. and Velásquez J. “Planning Dairy Cattle Farms”. XIII
Congreso Latino-Ibereoamericano de Investigación de Operaciones, La
Havana 2004. Documento de Trabajo DW-DT-035. 2004.
Biodiesel en el mundo. (En línea). Acceso Febrero 5 2006.
http://www.eco2site.com/informes/biodiesel-m.asp
Birge, John R. and F. Louveaux, Introduction to Stochastic Programming,
New York, Springer, 1997.
Colomé, Rosa; Lourenco, Helena and Serra, Daniel. A new Chance-
Constrained Maximum Capture Location Problem. Universidad Pompeu
Fabra. Barcelona, España. Septiembre 2003.
CORPODIB. Bio-etanol por fermentación del jugo de caña de azúcar y
melazas como aditivo oxigenante de la gasolina. Bogotá, Colombia, 2005.
Cure, Laila y Paternina, Carlos. Optimización en una cadena de
abastecimiento de dos niveles a través de “juego ficticio”. 2004.
Departamento de Planeación Nacional. Dirección de Desarrollo Agrario.
Equity Investment S.A. Plan de Negocios. Proyecto de Alcoholes
Carburantes. Febrero 2003.
Fundación Tierra. Perspectiva Ambiental. Barcelona, España. Abril 2002
Goetschalckx M., Vidal C. J. and Dogan K. “Modeling and Design of Global
Logistic Systems: A Review of Integrated Strategic and Tactical Models and
127
Design Algorithms”. European Journal of Operations Research, 143 (2002),
1-18.
Hernández, Katherine, Santiago, Restrepo y Carlos Paternina-Arboleda.
“Modelo Cuantitativo de planeación y programación avanzada (APS) de
producción y distribución”. Barranquilla, Colombia, 2004.
HILLER Frederick LIEBERMAN Gerald. Introducción a la investigación de
operaciones. México: Mc Graw Hill , 1997.p. 11-14
Instituto Interamericano de cooperación para la agroindustria. Análisis de
Estudio de Cadena de Etanol. Nicaragua, 2004
J.E. Austin Associates, CORPOCEA. Estudio de Mercado Nacional de la
Yuca (Almidones) en Colombia. Bogotá, Enero 2002.
Ministerio de Agricultura y Desarrollo Rural. Documento de Trabajo No. 88.
La cadena de Azúcar en Colombia. Una mirada Global de su estructura y
Dinámica 1991-2005. Bogotá, Colombia. 2005.
Ministerio de Agricultura y Desarrollo Rural. Documentos de Trabajo No. 47.
Costos de Producción de Caña de Azúcar en Colombia. Bogotá, Colombia,
2004.
Ministerio del Medio Ambiente. Resolución No. 898 del 23 de Agosto.
Ministerio de Minas y Energía. Política de Precios de los Combustibles en
Colombia. Bogotá, Colombia. 2005.
Ministerio de Transporte. Actualización Costos Transporte de Carga.
Dirección General de Transporte Terrestre Automotor. Bogotá, Colombia,
2004.
Ministerio de Transporte. Anuario Estadístico 2004. Bogotá, Colombia, 2004.
Ministerio de Transporte. El transporte en Cifras. Bogotá, Colombia. 2004.
Öztürl, Ugur. The Stochastic Unit Commitment Problem: A chance
Constrained Programming Approach Considering Extreme Multivariate Tail
Probabilities. Universidad de Pittsburgh, Estados Unidos, 2001.
Rao, J., Ravulapati, K. K., and Das, T. K., A Simulation Based Approach to
Study Stochastic Inventory-Planning Games. International Journal of
Systems Science, 34, 12-13, pp 717-730. 2003.
128
Rebelión. La exitosa apuesta de Brasil para reducir su dependencia de los
vaivenes del petróleo. En línea. Acceso 10 Julio 2006.
http://www.rebelion.org/noticia.php?id=25333
Retamoso Mónica y Rojas Roxana. Estudio de prefactibilidad para el
desarrollo de una planta agroindustrial de alcohol carburante a partir de la
yuca en el departamento del atlántico; Tesis de pregrado no publicada. 2004.
Rincón, Hernán y Garavito, Aaron. Mercado Actual de la Gasolina y del
ACPM en Colombia e Inflación. Colombia, 2004.
Ruiz, Jairo. Situación y futuro de esta alternativa energética. En línea. Acceso
Marzo, 2006. www.automundo.com
Saldaña, C. y Velásquez, J. (2004). “Cooperación entre Cadenas de
Abastecimiento. Un Enfoque de Teoría de Juegos”. XIII Congreso Latino
iberoamericano de Investigación de Operaciones, La Habana octubre 2004.
III Congreso Colombiano de Investigación de Operaciones, Cartagena de
Indias, marzo de 2004.
Saldaña C., Velásquez J., y Valero C. Optimization of Production and
Logistical Processes in the Flower Industry. Invited paper in EURO/INFORMS
Joint Meeting Istanbul 2003. Documento de Trabajo DW-DT-029. 2003.
Shapiro, Jeremy. F., et al. “Optimizing the Value Chain”. Interfaces 23:2
(1993).
Shapiro, Jeremy F., “Beyond Supply Chain Optimization to Enterprise
Optimization” (4/15/2001) Ascet Volume
Shapiro, Jeremy F., Modeling the Supply Chain. Duxbury, 2001.
Shapiro, Jeremy F., “Modeling Approaches for Supply Chain Decisions” Ascet
Volume 4. Mayo 15, 2002.
Schwarm, Alexanter and Nikolaou, Michael. Chance Constrained Model
Predictive Control. Texas, Estados Unidos.
Velásquez, J. "Optimizing Operations at One of the Biggest Latin-American
Beverage Industries". X Latin Ibero American Conference on Operation
Research and Systems, Mexico City, Septiembre 4-8, 2000
129
Velásquez, J. “Advanced Planning and Scheduling (APS): La Vía para la
Optimización de la Cadena de Suministro”. Documento de Trabajo CITAD-
DT-027-003 (2003). Publicado en Revista Zona Logística.
Vidal Carlos J. y Goetschalckx Marc. “Optimización de Cadenas de
Abastecimiento en la Industria Manufacturera de América Latina”. (1997)
130
ANEXOS
131
ANEXO 01 Anexo 01. Yuca: Superficie cosechada, producción y rendimiento obtenido por departamento.
Años Agrícolas 1993-2004 Departamento Variable 1993 1994 1995 1996 1997 1998
Amazonas Superficie 477 197 623 760 452 469
Producción 1,431 790 1,869 2,280 1,356 1,405
Rendimiento 3.000 4.010 3.000 3.000 3.000 2.999
Antioquia Superficie 11,213 10,692 12,389 10,757 9,132 10,043
Producción 189,881 187,602 215,108 204,922 151,753 166,914
Rendimiento 16.934 17.546 17.363 19.050 16.618 16.620
Arauca Superficie 2,225 3,343 2,106 2,428 4,229 3,405
Producción 39,640 41,827 26,820 30,022 51,165 38,242
Rendimiento 17.816 12.512 12.735 12.365 12.099 11.231
Atlántico Superficie 8,791 5,954 5,473 7,840 5,664 6,798
Producción 65,196 43,519 43,043 65,585 38,906 57,031
Rendimiento 7.416 7.310 7.865 8.366 6.869 8.389
Bolívar Superficie 20,983 17,152 16,712 14,899 10,910 22,654
Producción 215,437 174,183 180,888 147,400 85,708 211,299
Rendimiento 10.267 10.155 10.824 9.893 7.856 9.327
Boyacá Superficie 3,753 3,737 2,563 2,884 2,868 3,012
Producción 22,658 30,398 17,267 25,256 21,615 23,254
Rendimiento 6.037 8.134 6.737 8.759 7.538 7.721
Caldas Superficie 1,769 1,310 695 587 666 918
Producción 26,458 14,995 5,428 5,614 3,918 7,684
Rendimiento 14.956 11.451 7.816 9.572 5.883 8.370
Caquetá Superficie 8,178 14,480 9,393 16,611 17,971 11,760
Producción 84,200 104,233 96,408 186,872 155,557 99,040
Rendimiento 10.296 7.198 10.264 11.250 8.656 8.422
Casanare Superficie 2,176 3,800 3,061 2,084 1,175 1,713
Producción 32,412 40,787 35,539 21,657 11,575 18,766
Rendimiento 14.895 10.733 11.610 10.392 9.851 10.955
Cauca Superficie 6,979 5,858 6,225 9,526 10,884 1,689
Producción 49,186 57,694 42,312 92,873 100,082 11,404
Rendimiento 7.048 9.849 6.797 9.749 9.195 6.752
Cesar Superficie 10,083 7,590 8,308 8,290 4,680 8,125
Producción 122,730 80,374 87,000 97,240 34,590 82,050
Rendimiento 12.172 10.589 10.472 11.730 7.391 10.098
Chocó Superficie 2,012 1,549 1,512 2,065 2,065 1,446
Producción 23,339 16,618 17,743 24,002 18,611 18,315
Rendimiento 11.600 10.728 11.738 11.626 9.013 12.666
Córdoba Superficie 13,237 12,995 19,065 15,715 13,540 15,976
Producción 145,561 122,036 195,273 153,410 136,412 138,939
Rendimiento 10.997 9.391 10.242 9.762 10.075 8.697
Cundinamarca Superficie 5,017 4,357 3,735 3,556 3,026 4,148
Producción 32,984 29,676 24,550 25,166 22,215 27,804
Rendimiento 6.574 6.811 6.573 7.077 7.341 6.703
Guainia Superficie 1,000 400 1,250 2,905 3,325 2,360
Producción 5,000 600 6,875 11,348 18,288 9,612
Rendimiento 5.000 1.500 5.500 3.907 5.500 4.073
La Guajira Superficie 1,442 2,020 2,296 2,308 2,370 2,092
Producción 13,720 16,985 27,552 20,052 20,724 18,991
Rendimiento 9.515 8.408 12.000 8.688 8.744 9.078
Guaviare Superficie 897 897 897 4,200 3,480 4,537
Producción 10,764 10,764 10,964 37,800 30,600 32,050
Rendimiento 12.000 12.000 12.223 9.000 8.793 7.064
132
Anexo 01. Continuación
Departamento Variable 1999 2000 2001 2002 2003 2004
Amazonas Superficie 662 616 1,036 1,450 2,161 1,505
Producción 1,465 1,537 4,103 2,744 3,864 4,175
Rendimiento 2.212 2.496 3.960 1.892 1.788 2.775
Antioquia Superficie 10,436 8,550 9,819 9,154 9,741 11,002
Producción 151,919 123,690 140,080 130,058 142,671 180,689
Rendimiento 14.558 14.466 14.266 14.208 14.646 16.424
Arauca Superficie 5,144 5,588 6,633 6,096 6,836 6,455
Producción 63,244 67,868 83,328 78,788 90,894 82,080
Rendimiento 12.295 12.145 12.563 12.925 13.296 12.716
Atlántico Superficie 7,273 7,765 5,279 4,155 5,825 6,535
Producción 66,093 65,846 48,786 33,291 49,466 58,992
Rendimiento 9.087 8.480 9.241 8.013 8.493 9.027
Bolívar Superficie 18,754 24,310 25,186 25,072 27,988 28,976
Producción 172,115 235,508 249,501 264,135 321,368 315,066
Rendimiento 9.178 9.688 9.906 10.535 11.482 10.873
Boyacá Superficie 2,979 2,592 2,694 2,879 2,754 2,786
Producción 23,469 19,626 20,394 22,089 19,800 20,597
Rendimiento 7.878 7.572 7.570 7.672 7.190 7.393
Caldas Superficie 966 1,275 1,597 2,272 1,570 2,127
Producción 7,470 11,621 15,053 26,783 17,675 31,386
Rendimiento 7.733 9.115 9.426 11.788 11.261 14.756
Caquetá Superficie 9,299 12,043 11,801 8,419 7,300 4,805
Producción 75,229 99,181 91,669 64,409 57,497 34,059
Rendimiento 8.090 8.236 7.768 7.650 7.876 7.088
Casanare Superficie 937 1,578 2,511 1,289 1,406 1,484
Producción 8,481 18,481 36,353 21,000 20,274 20,365
Rendimiento 9.051 11.712 14.477 16.292 14.420 13.723
Cauca Superficie 8,666 6,942 9,166 6,806 3,731 2,654
Producción 83,401 61,911 89,680 65,311 32,128 21,794
Rendimiento 9.624 8.918 9.784 9.597 8.612 8.212
Cesar Superficie 5,670 6,879 5,892 6,378 7,543 6,996
Producción 55,010 77,820 62,709 62,783 76,665 70,098
Rendimiento 9.702 11.313 10.643 9.844 10.164 10.020
Chocó Superficie 1,719 1,415 1,737 1,437 1,303 1,522
Producción 15,540 16,835 17,623 12,842 11,153 12,450
Rendimiento 9.040 11.898 10.146 8.937 8.559 8.180
Córdoba Superficie 16,210 11,416 19,583 16,889 18,657 18,572
Producción 172,218 128,607 214,827 200,112 216,613 248,044
Rendimiento 10.624 11.266 10.970 11.849 11.610 13.356
Cundinamarca Superficie 4,371 4,360 3,348 4,849 4,103 4,523
Producción 31,363 31,035 24,893 33,237 29,696 27,853
Rendimiento 7.175 7.118 7.435 6.854 7.238 6.158
Guainia Superficie 2,258 1,627 1,349 1,017 1,080 1,191
Producción 8,449 6,182 5,108 5,521 6,253 6,444
Rendimiento 3.742 3.800 3.786 5.429 5.790 5.413
La Guajira Superficie 2,275 1,395 2,241 2,283 2,561 2,333
Producción 23,451 14,837 24,136 25,638 33,494 32,483
Rendimiento 10.308 10.636 10.770 11.230 13.078 13.923
Guaviare Superficie 3,572 3,137 1,607 1,604 1,724 1,794
Producción 23,641 25,651 10,352 10,424 13,938 10,766
Rendimiento 6.619 8.177 6.442 6.499 8.085 6.000
133
Anexo 01. Continuación Departamento Variable 1993 1994 1995 1996 1997 1998
Huila Superficie 5,091 3,426 3,064 3,559 3,774 4,111
Producción 31,728 21,702 19,423 22,513 22,028 23,254
Rendimiento 6.232 6.335 6.339 6.326 5.837 5.657
Magdalena Superficie 12,049 17,784 18,058 19,572 17,617 21,450
Producción 102,417 124,488 130,899 155,874 137,681 146,335
Rendimiento 8.500 7.000 7.249 7.964 7.815 6.822
Meta Superficie 5,001 2,987 3,177 3,553 3,679 3,945
Producción 55,011 34,588 35,900 42,896 41,544 41,762
Rendimiento 11.000 11.580 11.300 12.073 11.292 10.586
Nariño Superficie 1,104 260 178 352 182 422
Producción 8,963 1,535 1,097 3,202 1,255 2,796
Rendimiento 8.119 5.904 6.163 9.097 6.896 6.626
Norte Santander Superficie 9,571 9,667 9,503 9,011 9,563 8,253
Producción 87,445 73,370 71,834 68,091 69,426 55,120
Rendimiento 9.136 7.590 7.559 7.556 7.260 6.679
Putumayo Superficie 1,214 3,319 3,391 3,591 3,230 3,265
Producción 13,938 34,514 27,716 33,913 28,510 29,137
Rendimiento 11.481 10.399 8.173 9.444 8.827 8.924
Quindio Superficie 1,854 1,065 1,048 1,532 1,666 1,362
Producción 28,073 16,142 15,745 19,879 25,892 21,732
Rendimiento 15.142 15.154 15.021 12.978 15.541 15.959
Risaralda Superficie 1,903 1,055 897 932 752 535
Producción 30,448 14,454 12,618 12,912 14,570 9,616
Rendimiento 16.000 13.700 14.067 13.854 19.375 17.974
San And. y Prov. Superficie 23 25 13 13 6
Producción 161 180 519 519 59
Rendimiento 7.132 7.200 38.704 38.704 9.833
Santander Superficie 15,952 22,892 23,497 27,008 21,742 16,134
Producción 112,684 178,925 214,603 291,901 184,198 157,608
Rendimiento 7.064 7.816 9.133 10.808 8.472 9.769
Sucre Superficie 22,093 18,663 15,331 14,221 16,139 12,984
Producción 214,187 188,207 148,349 130,023 159,300 106,366
Rendimiento 9.695 10.085 9.676 9.143 9.871 8.192
Tolima Superficie 4,246 6,884 3,963 3,318 2,989 1,997
Producción 38,214 66,578 37,758 26,979 30,415 21,874
Rendimiento 9.000 9.671 9.528 8.132 10.175 10.953
Valle Superficie 789 923 731 873 813 1,018
Producción 11,835 11,143 9,896 14,127 13,278 15,848
Rendimiento 15.000 12.073 13.538 16.182 16.332 15.573
Vaupes Superficie 5,150 4,125 3,371 3,375 3,375 318
Producción 82,400 53,624 38,652 43,770 43,770 2,698
Rendimiento 16.000 13.000 11.466 12.969 12.969 8.484
Vichada Superficie 250 200 161 150 100 85
Producción 2,250 2,100 1,771 1,650 1,100 1,161
Rendimiento 9.000 10.500 11.000 11.000 11.000 13.614
Total Superficie 186,499 189,603 182,697 198,472 182,071 177,029
Producción 1,900,190 1,794,611 1,801,079 2,019,748 1,676,560 1,598,166
Rendimiento 10.189 9.465 9.858 10.176 9.208 9.028
134
Anexo 01. Continuación Departamento Variable 1999 2000 2001 2002 2003 2004
Huila Superficie 4,502 4,770 4,839 4,751 4,896 4,812
Producción 28,366 31,871 37,981 33,460 34,296 34,427
Rendimiento 6.301 6.682 7.849 7.043 7.005 7.154
Magdalena Superficie 17,674 15,828 16,378 10,563 11,338 14,205
Producción 131,088 110,786 114,191 65,101 80,455 100,145
Rendimiento 7.417 6.999 6.972 6.163 7.096 7.050
Meta Superficie 4,100 4,072 5,118 4,803 3,292 4,020
Producción 43,555 45,541 76,714 57,522 39,155 52,583
Rendimiento 10.623 11.184 14.989 11.976 11.894 13.080
Nariño Superficie 272 287 169 276 269 291
Producción 1,986 1,760 800 2,001 1,597 1,524
Rendimiento 7.315 6.133 4.731 7.249 5.937 5.237
Norte Santander Superficie 9,796 10,226 8,753 7,793 7,837 9,222
Producción 135,282 158,736 140,334 113,038 114,665 136,106
Rendimiento 13.810 15.523 16.033 14.506 14.632 14.760
Putumayo Superficie 3,152 3,716 2,920 2,539 4,395 4,622
Producción 24,276 35,306 27,807 12,951 28,889 45,684
Rendimiento 7.702 9.501 9.523 5.101 6.573 9.884
Quindio Superficie 1,409 1,576 1,836 1,576 763 1,284
Producción 41,542 23,975 28,296 22,775 11,585 18,522
Rendimiento 29.494 15.215 15.414 14.452 15.190 14.427
Risaralda Superficie 651 416 645 899 586 527
Producción 11,749 7,181 9,072 19,992 13,062 11,825
Rendimiento 18.048 17.262 14.065 22.238 22.290 22.438
San And. y Prov. Superficie 13 31 42 42
Producción 119 59 80 80
Rendimiento 9.131 1.924 1.907 1.907
Santander Superficie 15,101 16,286 17,653 17,033 16,680 13,511
Producción 148,340 164,664 195,901 204,304 191,657 158,401
Rendimiento 9.823 10.111 11.097 11.995 11.490 11.724
Sucre Superficie 18,412 16,659 14,987 16,222 15,513 15,902
Producción 163,484 150,302 127,213 131,730 150,150 173,002
Rendimiento 8.879 9.022 8.488 8.120 9.679 10.879
Tolima Superficie 2,155 2,517 3,561 1,870 1,219 1,123
Producción 27,652 29,850 51,769 26,931 13,886 12,831
Rendimiento 12.832 11.859 14.539 14.405 11.396 11.426
Valle Superficie 1,050 940 851 744 677 703
Producción 16,380 14,825 15,543 14,385 12,861 10,820
Rendimiento 15.600 15.775 18.258 19.326 19.000 15.381
Vaupes Superficie 400 396 833 833 570 1,032
Producción 4,000 9,374 14,473 14,473 3,420 6,192
Rendimiento 10.000 23.672 17.379 17.379 6.000 6.000
Vichada Superficie 90 141 133 133 129 298
Producción 1,170 1,916 1,342 1,342 1,591 3,695
Rendimiento 13.000 13.586 10.090 10.090 12.333 12.400
Total Superficie 179,967 179,348 190,197 172,124 174,444 176,811
Producción 1,761,546 1,792,382 1,980,110 1,779,250 1,840,717 1,943,098
Rendimiento 9.788 9.994 10.411 10.337 10.552 10.990
Nota:Superficie en Hectáreas; Producción en Toneladas; Rendimiento en Kilogramos/Hectárea.
Fuente: Evaluaciones Agropecuarias URPA´s, UMATA´s. Minagricultura y Desarrollo Rural - Dirección de Politica Sectorial - Grupo Sistemas de Información.
135
ANEXO 02 MODELOS DE SERIES DE TIEMPO PARA PRONÓSTICO DE LA PRODUCCIÓN DE YUCA EN EL PAÍS. Forecasting - Producción Antioquia
Analysis Summary
Data variable: Producción Antioquia
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 26286.7
MAE 20702.9
MAPE 13.1213
ME -7.93741E-12
MPE -1.1239
The StatAdvisor
---------------
This procedure will forecast future values of Producción Antioquia.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
136
Time Sequence Plot for Producción AntioquiaRandom walk with drift
Pro
ducció
n A
ntioq
uia
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
-6
4
14
24
34
44(X 10000)
Forecast Table for Producción Antioquia
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 189881.0
1994 187602.0 189045.0 -1443.36
1995 215108.0 186766.0 28341.6
1996 204922.0 214272.0 -9350.36
1997 151753.0 204086.0 -52333.4
1998 166914.0 150917.0 15996.6
1999 151919.0 166078.0 -14159.4
2000 123690.0 151083.0 -27393.4
2001 140080.0 122854.0 17225.6
2002 130058.0 139244.0 -9186.36
2003 142671.0 129222.0 13448.6
2004 180689.0 141835.0 38853.6
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 179853.0 130730.0 228977.0
2006 179018.0 109547.0 248489.0
2007 178182.0 93097.9 263266.0
2008 177346.0 79099.6 275593.0
2009 176511.0 66667.5 286354.0
2010 175675.0 55347.9 296002.0
2011 174840.0 44871.2 304808.0
2012 174004.0 35061.9 312946.0
2013 173168.0 25798.0 320538.0
2014 172333.0 16990.8 327674.0
2015 171497.0 8573.09 334421.0
2016 170661.0 492.886 340830.0
2017 169826.0 -7291.24 346943.0
2018 168990.0 -14812.9 352793.0
2019 168154.0 -22099.7 358409.0
2020 167319.0 -29174.8 363812.0
2021 166483.0 -36057.8 369024.0
2022 165648.0 -42765.4 374061.0
2023 164812.0 -49312.1 378936.0
2024 163976.0 -55710.3 383663.0
------------------------------------------------------------------------------
137
The StatAdvisor
---------------
This table shows the forecasted values for Producción Antioquia.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Producción AntioquiaRandom walk with drift
Pro
ducció
n A
ntioq
uia
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
-6
4
14
24
34
44(X 10000)
Model Comparison
----------------
Data variable: Producción Antioquia
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 1.08164E7 + -5329.49 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.7977
(E) Brown's linear exp. smoothing with alpha = 0.5028
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 26286.7 20702.9 13.1213 -7.93741E-12 -1.1239
(B) 24112.1 17157.6 10.5938 -6.20882E-10 -1.8114
(C) 27729.8 23117.7 15.1822 -9368.22 -7.3068
(D) 24823.7 17292.3 11.0296 -1862.46 -2.31655
(E) 27039.5 19703.8 12.3268 2494.62 0.986586
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 26286.7 OK OK OK OK OK
(B) 24112.1 OK OK OK OK OK
138
(C) 27729.8 OK OK OK
(D) 24823.7 OK OK OK OK OK
(E) 27039.5 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Plot for Producción AntioquiaRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-53
-33
-13
7
27
47(X 1000)
139
Residual Autocorrelations for Producción AntioquiaRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Atlántico
Analysis Summary
Data variable: Producción Atlántico
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 17264.8
MAE 14300.9
MAPE 29.8632
ME 0.0
MPE -5.46423
The StatAdvisor
---------------
This procedure will forecast future values of Producción Atlántico.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
140
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción AtlánticoRandom walk with drift
Pro
ducció
n A
tlá
ntico
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
-1
-0.5
0
0.5
1
1.5
2(X 100000)
Forecast Table for Producción Atlántico
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 65196.0
1994 43519.0 64632.0 -21113.0
1995 43043.0 42955.0 88.0
1996 65585.0 42479.0 23106.0
1997 38906.0 65021.0 -26115.0
1998 57031.0 38342.0 18689.0
1999 66093.0 56467.0 9626.0
2000 65846.0 65529.0 317.0
2001 48786.0 65282.0 -16496.0
2002 33291.0 48222.0 -14931.0
2003 49466.0 32727.0 16739.0
2004 58992.0 48902.0 10090.0
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 58428.0 26164.3 90691.7
2006 57864.0 12236.2 103492.0
2007 57300.0 1417.56 113182.0
2008 56736.0 -7791.48 121263.0
2009 56172.0 -15971.9 128316.0
2010 55608.0 -23421.7 134638.0
2011 55044.0 -30317.8 140406.0
2012 54480.0 -36775.6 145736.0
2013 53916.0 -42875.2 150707.0
2014 53352.0 -48674.9 155379.0
2015 52788.0 -54218.7 159795.0
2016 52224.0 -59540.9 163989.0
2017 51660.0 -64668.6 167989.0
2018 51096.0 -69623.9 171816.0
2019 50532.0 -74424.9 175489.0
2020 49968.0 -79087.0 179023.0
141
2021 49404.0 -83622.8 182431.0
2022 48840.0 -88043.5 185723.0
2023 48276.0 -92358.4 188910.0
2024 47712.0 -96575.8 192000.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Atlántico.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Producción AtlánticoRandom walk with drift
Pro
ducció
n A
tlá
ntico
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
-1
-0.5
0
0.5
1
1.5
2(X 100000)
Model Comparison
----------------
Data variable: Producción Atlántico
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 591722.0 + -269.573 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.0672
(E) Brown's linear exp. smoothing with alpha = 0.0296
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 17264.8 14300.9 29.8632 0.0 -5.46423
(B) 12213.5 10099.4 20.8013 1.94026E-11 -5.06318
(C) 14429.1 12800.8 26.6187 1030.96 -4.58662
142
(D) 12239.9 10528.4 22.4974 -2076.63 -9.37386
(E) 12166.1 10479.1 22.3371 -1925.33 -9.05123
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 17264.8 OK OK OK OK OK
(B) 12213.5 OK OK OK OK OK
(C) 14429.1 OK OK OK
(D) 12239.9 OK OK OK OK OK
(E) 12166.1 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model E. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
143
Residual Plot for Producción AtlánticoRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-27
-17
-7
3
13
23
33(X 1000)
Residual Autocorrelations for Producción AtlánticoRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Córdoba
Analysis Summary
Data variable: Producción Córdoba
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
144
--------------------------------------------
RMSE 43508.8
MAE 35288.1
MAPE 21.1174
ME 1.05832E-11
MPE -3.90327
The StatAdvisor
---------------
This procedure will forecast future values of Producción Córdoba.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción CórdobaRandom walk with drift
Pro
ducció
n C
órd
oba
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
0
2
4
6
8(X 100000)
Forecast Table for Producción Córdoba
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 145561.0
1994 122036.0 154878.0 -32841.6
1995 195273.0 131353.0 63920.4
1996 153410.0 204590.0 -51179.6
1997 136412.0 162727.0 -26314.6
1998 138939.0 145729.0 -6789.64
1999 172218.0 148256.0 23962.4
145
2000 128607.0 181535.0 -52927.6
2001 214827.0 137924.0 76903.4
2002 200112.0 224144.0 -24031.6
2003 216613.0 209429.0 7184.36
2004 248044.0 225930.0 22114.4
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 257361.0 176053.0 338668.0
2006 266677.0 151691.0 381663.0
2007 275994.0 135166.0 416822.0
2008 285311.0 122696.0 447925.0
2009 294627.0 112819.0 476436.0
2010 303944.0 104782.0 503105.0
2011 313260.0 98141.6 528379.0
2012 322577.0 92605.4 552549.0
2013 331894.0 87971.9 575816.0
2014 341210.0 84094.2 598327.0
2015 350527.0 80861.2 620193.0
2016 359844.0 78186.9 641500.0
2017 369160.0 76002.7 662318.0
2018 378477.0 74252.9 682701.0
2019 387794.0 72891.8 702695.0
2020 397110.0 71881.0 722339.0
2021 406427.0 71188.3 741665.0
2022 415743.0 70785.9 760701.0
2023 425060.0 70649.9 779470.0
2024 434377.0 70759.5 797994.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Córdoba.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
146
Forecast Plot for Producción CórdobaRandom walk with drift
Pro
ducció
n C
órd
oba
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
0
2
4
6
8(X 100000)
Model Comparison
----------------
Data variable: Producción Córdoba
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = -1.61041E7 + 8144.5 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.5075
(E) Brown's linear exp. smoothing with alpha = 0.0486
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 43508.8 35288.1 21.1174 1.05832E-11 -3.90327
(B) 30383.6 21592.9 13.5193 -9.31323E-10 -2.70623
(C) 33891.6 29271.0 15.8168 14889.6 5.15399
(D) 36990.7 29250.0 16.3014 13106.2 4.08729
(E) 46337.6 39752.0 23.0473 6565.55 -1.72044
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 43508.8 OK OK OK OK OK
(B) 30383.6 OK OK OK OK OK
(C) 33891.6 OK OK OK
(D) 36990.7 OK OK OK OK OK
(E) 46337.6 OK OK OK * OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
147
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Plot for Producción CórdobaRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-6
-3
0
3
6
9(X 10000)
148
Residual Autocorrelations for Producción CórdobaRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Magdalena
Analysis Summary
Data variable: Producción Magdalena
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 22906.1
MAE 18546.5
MAPE 18.6634
ME -2.6458E-12
MPE -2.74846
The StatAdvisor
---------------
This procedure will forecast future values of Producción Magdalena.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
149
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción MagdalenaRandom walk with drift
Pro
ducció
n M
ag
dale
na
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
-1
0
1
2
3(X 100000)
Forecast Table for Producción Magdalena
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 102417.0
1994 124488.0 102210.0 22277.5
1995 130899.0 124281.0 6617.55
1996 155874.0 130692.0 25181.5
1997 137681.0 155667.0 -17986.5
1998 146335.0 137474.0 8860.55
1999 131088.0 146128.0 -15040.5
2000 110786.0 130881.0 -20095.5
2001 114191.0 110579.0 3611.55
2002 65101.0 113984.0 -48883.5
2003 80455.0 64894.5 15560.5
2004 100145.0 80248.5 19896.5
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 99938.5 57132.5 142744.0
2006 99731.9 39195.2 160269.0
2007 99525.4 25383.4 173667.0
2008 99318.8 13707.0 184931.0
2009 99112.3 3395.35 194829.0
2010 98905.7 -5946.91 203758.0
2011 98699.2 -14554.6 211953.0
2012 98492.6 -22580.8 219566.0
2013 98286.1 -30131.6 226704.0
2014 98079.5 -37284.6 233444.0
2015 97873.0 -44098.1 239844.0
2016 97666.5 -50617.6 245950.0
2017 97459.9 -56879.0 251799.0
2018 97253.4 -62911.7 257418.0
2019 97046.8 -68739.8 262833.0
2020 96840.3 -74383.4 268064.0
150
2021 96633.7 -79859.6 273127.0
2022 96427.2 -85182.9 278037.0
2023 96220.6 -90366.0 282807.0
2024 96014.1 -95419.8 287448.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Magdalena.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Producción MagdalenaRandom walk with drift
Pro
ducció
n M
ag
dale
na
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
-1
0
1
2
3(X 100000)
Model Comparison
----------------
Data variable: Producción Magdalena
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 8.40566E6 + -4147.63 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.8517
(E) Brown's linear exp. smoothing with alpha = 0.0408
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 22906.1 18546.5 18.6634 -2.6458E-12 -2.74846
(B) 23146.8 17093.4 16.5028 7.76102E-10 -4.09636
(C) 25640.3 20419.3 21.4827 -8060.89 -12.4219
151
(D) 21593.8 16390.1 16.4428 -866.585 -3.60574
(E) 28026.4 22286.4 22.5218 -2534.14 -8.62457
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 22906.1 OK OK OK OK OK
(B) 23146.8 OK OK OK OK OK
(C) 25640.3 OK OK OK
(D) 21593.8 OK OK OK OK OK
(E) 28026.4 OK * * ** OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model D. The model with the smallest
mean absolute error (MAE) is model D. The model with the smallest
mean absolute percentage error (MAPE) is model D. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
152
Residual Plot for Producción MagdalenaRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-49
-29
-9
11
31(X 1000)
Residual Autocorrelations for Producción MagdalenaRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Norte Santander
Analysis Summary
Data variable: Producción Norte Santander
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
153
--------------------------------------------
RMSE 29542.8
MAE 20324.7
MAPE 19.1977
ME -1.3229E-12
MPE -4.5655
The StatAdvisor
---------------
This procedure will forecast future values of Producción Norte
Santander. The data cover 12 time periods. Currently, a random walk
model has been selected. This model assumes that the best forecast
for future data is given by the last available data value. You can
select a different forecasting model by pressing the alternate mouse
button and selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción Norte SantanderRandom walk with drift
Pro
ducció
n N
ort
e S
an
tande
r
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
-3
7
17
27
37
47
57(X 10000)
Forecast Table for Producción Norte Santander
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 87445.0
1994 73370.0 91868.7 -18498.7
1995 71834.0 77793.7 -5959.73
1996 68091.0 76257.7 -8166.73
1997 69426.0 72514.7 -3088.73
1998 55120.0 73849.7 -18729.7
1999 135282.0 59543.7 75738.3
154
2000 158736.0 139706.0 19030.3
2001 140334.0 163160.0 -22825.7
2002 113038.0 144758.0 -31719.7
2003 114665.0 117462.0 -2796.73
2004 136106.0 119089.0 17017.3
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 140530.0 85321.5 195738.0
2006 144953.0 66877.2 223030.0
2007 149377.0 53753.7 245001.0
2008 153801.0 43384.4 264217.0
2009 158225.0 34775.2 281674.0
2010 162648.0 27416.3 297880.0
2011 167072.0 21004.8 313139.0
2012 171496.0 15343.3 327648.0
2013 175920.0 10294.8 341544.0
2014 180343.0 5759.45 354927.0
2015 184767.0 1661.94 367872.0
2016 189191.0 -2056.27 380438.0
2017 193614.0 -5441.73 392671.0
2018 198038.0 -8532.18 404609.0
2019 202462.0 -11358.7 416283.0
2020 206886.0 -13947.4 427719.0
2021 211309.0 -16320.1 438939.0
2022 215733.0 -18495.7 449962.0
2023 220157.0 -20490.4 460804.0
2024 224581.0 -22318.3 471479.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Norte
Santander. During the period where actual data is available, it also
displays the predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
155
Forecast Plot for Producción Norte SantanderRandom walk with drift
Pro
ducció
n N
ort
e S
an
tande
ractual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
-3
7
17
27
37
47
57(X 10000)
Model Comparison
----------------
Data variable: Producción Norte Santander
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = -1.32074E7 + 6659.65 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0424
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 29542.8 20324.7 19.1977 -1.3229E-12 -4.5655
(B) 26925.0 20337.6 22.3464 0.0 -6.62637
(C) 37768.1 28980.3 23.9662 11148.1 3.79104
(D) 28513.4 17281.9 15.2637 4055.43 0.257752
(E) 37677.1 33133.3 34.8242 3703.27 -8.38789
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 29542.8 OK OK OK OK *
(B) 26925.0 * OK OK OK OK
(C) 37768.1 OK OK OK
(D) 28513.4 OK OK OK OK **
(E) 37677.1 OK ** OK *** *
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
156
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model D. The model with the smallest
mean absolute percentage error (MAPE) is model D. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 4 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Plot for Producción Norte SantanderRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-4
-2
0
2
4
6
8(X 10000)
157
Residual Autocorrelations for Producción Norte SantanderRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Santander
Analysis Summary
Data variable: Producción Santander
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 51397.8
MAE 38226.3
MAPE 19.9461
ME 0.0
MPE -2.17587
The StatAdvisor
---------------
This procedure will forecast future values of Producción Santander.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
158
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción SantanderRandom walk with drift
Pro
ducció
n S
an
tande
r
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
-19
1
21
41
61
81(X 10000)
Forecast Table for Producción Santander
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 112684.0
1994 178925.0 116840.0 62084.9
1995 214603.0 183081.0 31521.9
1996 291901.0 218759.0 73141.9
1997 184198.0 296057.0 -111859.0
1998 157608.0 188354.0 -30746.1
1999 148340.0 161764.0 -13424.1
2000 164664.0 152496.0 12167.9
2001 195901.0 168820.0 27080.9
2002 204304.0 200057.0 4246.91
2003 191657.0 208460.0 -16803.1
2004 158401.0 195813.0 -37412.1
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 162557.0 66507.1 258607.0
2006 166713.0 30878.0 302548.0
2007 170869.0 4505.8 337233.0
2008 175025.0 -17074.6 367125.0
2009 179181.0 -35592.9 393956.0
2010 183338.0 -51935.9 418611.0
2011 187494.0 -66630.8 441618.0
2012 191650.0 -80020.7 463320.0
2013 195806.0 -92344.2 483956.0
2014 199962.0 -103775.0 503699.0
2015 204118.0 -114444.0 522680.0
2016 208274.0 -124453.0 541001.0
2017 212430.0 -133883.0 558743.0
2018 216586.0 -142800.0 575972.0
2019 220742.0 -151258.0 592742.0
2020 224898.0 -159302.0 609098.0
159
2021 229055.0 -166970.0 625079.0
2022 233211.0 -174295.0 640716.0
2023 237367.0 -181306.0 656039.0
2024 241523.0 -188026.0 671071.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Santander.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Producción SantanderRandom walk with drift
Pro
ducció
n S
an
tande
r
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
-19
1
21
41
61
81(X 10000)
Model Comparison
----------------
Data variable: Producción Santander
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 200984.0 + -8.6993 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0332
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 51397.8 38226.3 19.9461 0.0 -2.17587
(B) 46150.7 30166.2 17.1457 -4.85064E-12 -5.06048
(C) 58319.7 46688.7 24.2988 -1908.22 -6.16062
160
(D) 49182.0 35389.3 18.275 3809.86 0.0759362
(E) 45918.7 31884.3 17.4446 5711.61 -1.86793
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 51397.8 OK OK OK OK **
(B) 46150.7 * OK OK OK OK
(C) 58319.7 OK OK OK
(D) 49182.0 OK OK OK OK *
(E) 45918.7 * OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model E. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 4 tests.
Residual Plot for Producción SantanderRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-12
-8
-4
0
4
8(X 10000)
161
Residual Autocorrelations for Producción SantanderRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Sucre
Analysis Summary
Data variable: Producción Sucre
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 33099.3
MAE 27437.2
MAPE 19.0426
ME 2.6458E-12
MPE -1.88567
The StatAdvisor
---------------
This procedure will forecast future values of Producción Sucre.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
162
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción SucreRandom walk with drift
Pro
ducció
n S
ucre actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
-18
-8
2
12
22
32
42(X 10000)
Forecast Table for Producción Sucre
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 214187.0
1994 188207.0 210443.0 -22235.9
1995 148349.0 184463.0 -36113.9
1996 130023.0 144605.0 -14581.9
1997 159300.0 126279.0 33021.1
1998 106366.0 155556.0 -49189.9
1999 163484.0 102622.0 60862.1
2000 150302.0 159740.0 -9437.91
2001 127213.0 146558.0 -19344.9
2002 131730.0 123469.0 8261.09
2003 150150.0 127986.0 22164.1
2004 173002.0 146406.0 26596.1
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 169258.0 107403.0 231112.0
2006 165514.0 78038.2 252989.0
2007 161770.0 54634.5 268905.0
2008 158026.0 34316.5 281735.0
2009 154282.0 15970.5 292593.0
2010 150537.0 -974.702 302050.0
2011 146793.0 -16858.5 310445.0
2012 143049.0 -31901.9 318000.0
2013 139305.0 -46258.6 324869.0
2014 135561.0 -60040.3 331162.0
2015 131817.0 -73331.4 336965.0
2016 128073.0 -86197.6 342343.0
2017 124329.0 -98691.0 347349.0
2018 120585.0 -110854.0 352023.0
2019 116841.0 -122721.0 356402.0
163
2020 113097.0 -134322.0 360515.0
2021 109352.0 -145681.0 364385.0
2022 105608.0 -156818.0 368035.0
2023 101864.0 -167754.0 371482.0
2024 98120.2 -178502.0 374742.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Sucre.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Producción SucreRandom walk with drift
Pro
ducció
n S
ucre actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
-18
-8
2
12
22
32
42(X 10000)
Model Comparison
----------------
Data variable: Producción Sucre
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 6.41321E6 + -3132.19 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.043
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 33099.3 27437.2 19.0426 2.6458E-12 -1.88567
(B) 28255.8 20919.3 14.318 7.76102E-11 -2.93877
164
(C) 28721.3 23797.3 17.4304 -3133.78 -4.79921
(D) 31779.3 25462.3 17.8059 -3432.4 -4.10273
(E) 30120.0 23082.5 16.0826 -5652.32 -7.13423
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 33099.3 OK OK OK OK OK
(B) 28255.8 OK OK OK OK OK
(C) 28721.3 OK OK OK
(D) 31779.3 OK OK OK OK OK
(E) 30120.0 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
165
Residual Plot for Producción SucreRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-5
-3
-1
1
3
5
7(X 10000)
Residual Autocorrelations for Producción SucreRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Bolívar
Analysis Summary
Data variable: Producción Bolívar
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
166
Statistic Period Period
--------------------------------------------
RMSE 55519.6
MAE 41737.8
MAPE 24.7092
ME -5.29161E-12
MPE -7.01772
The StatAdvisor
---------------
This procedure will forecast future values of Producción Bolívar.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción BolívarRandom walk with drift
Pro
ducció
n B
olíva
r
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
0
2
4
6
8
10(X 100000)
Forecast Table for Producción Bolívar
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 215437.0
1994 174183.0 224494.0 -50311.2
1995 180888.0 183240.0 -2352.18
1996 147400.0 189945.0 -42545.2
1997 85708.0 156457.0 -70749.2
1998 211299.0 94765.2 116534.0
167
1999 172115.0 220356.0 -48241.2
2000 235508.0 181172.0 54335.8
2001 249501.0 244565.0 4935.82
2002 264135.0 258558.0 5576.82
2003 321368.0 273192.0 48175.8
2004 315066.0 330425.0 -15359.2
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 324123.0 220371.0 427876.0
2006 333180.0 186452.0 479909.0
2007 342238.0 162533.0 521942.0
2008 351295.0 143789.0 558800.0
2009 360352.0 128354.0 592350.0
2010 369409.0 115268.0 623550.0
2011 378466.0 103963.0 652970.0
2012 387523.0 94066.7 680980.0
2013 396581.0 85322.8 707839.0
2014 405638.0 77543.2 733732.0
2015 414695.0 70586.5 758804.0
2016 423752.0 64342.5 783162.0
2017 432809.0 58723.9 806895.0
2018 441867.0 53659.8 830073.0
2019 450924.0 49091.5 852756.0
2020 459981.0 44970.4 874991.0
2021 469038.0 41255.0 896821.0
2022 478095.0 37910.2 918280.0
2023 487152.0 34905.2 939400.0
2024 496210.0 32213.8 960205.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Bolívar.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
168
Forecast Plot for Producción BolívarRandom walk with drift
Pro
ducció
n B
olíva
ractual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
0
2
4
6
8
10(X 100000)
Model Comparison
----------------
Data variable: Producción Bolívar
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = -2.72058E7 + 13720.4 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0477
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 55519.6 41737.8 24.7092 -5.29161E-12 -7.01772
(B) 49393.5 31651.3 21.4861 -9.31323E-10 -7.98692
(C) 58793.6 55293.0 30.5554 27614.9 2.90302
(D) 53703.1 38621.0 21.8468 8303.64 -2.01042
(E) 75163.3 61649.5 33.6941 11495.2 -7.58477
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 55519.6 OK OK OK OK OK
(B) 49393.5 OK OK OK OK OK
(C) 58793.6 OK OK OK
(D) 53703.1 OK OK OK OK OK
(E) 75163.3 OK OK OK ** OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
169
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Plot for Producción BolívarRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-8
-4
0
4
8
12(X 10000)
170
Residual Autocorrelations for Producción BolívarRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Producción Cesar
Analysis Summary
Data variable: Producción Cesar
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 20
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 30958.2
MAE 23600.1
MAPE 39.3899
ME 3.9687E-12
MPE -10.3375
The StatAdvisor
---------------
This procedure will forecast future values of Producción Cesar.
The data cover 12 time periods. Currently, a random walk model has
been selected. This model assumes that the best forecast for future
data is given by the last available data value. You can select a
different forecasting model by pressing the alternate mouse button and
selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
171
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Producción CesarRandom walk with drift
Pro
ducció
n C
esar
actual
forecast
95.0% lim its
1990 2000 2010 2020 2030
-29
-19
-9
1
11
21
31(X 10000)
Forecast Table for Producción Cesar
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 122730.0
1994 80374.0 117945.0 -37571.3
1995 87000.0 75589.3 11410.7
1996 97240.0 82215.3 15024.7
1997 34590.0 92455.3 -57865.3
1998 82050.0 29805.3 52244.7
1999 55010.0 77265.3 -22255.3
2000 77820.0 50225.3 27594.7
2001 62709.0 73035.3 -10326.3
2002 62783.0 57924.3 4858.73
2003 76665.0 57998.3 18666.7
2004 70098.0 71880.3 -1782.27
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 65313.3 7460.03 123167.0
2006 60528.5 -21288.3 142345.0
2007 55743.8 -44460.9 155949.0
2008 50959.1 -64747.4 166666.0
2009 46174.4 -83189.4 175538.0
2010 41389.6 -100321.0 183101.0
2011 36604.9 -116460.0 189670.0
2012 31820.2 -131814.0 195454.0
2013 27035.5 -146524.0 200595.0
2014 22250.7 -160697.0 205199.0
2015 17466.0 -174412.0 209344.0
2016 12681.3 -187728.0 213091.0
2017 7896.55 -200696.0 216489.0
2018 3111.82 -213355.0 219579.0
2019 -1672.91 -225738.0 222392.0
2020 -6457.64 -237871.0 224955.0
172
2021 -11242.4 -249777.0 227293.0
2022 -16027.1 -261478.0 229423.0
2023 -20811.8 -272988.0 231365.0
2024 -25596.5 -284324.0 233131.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Producción Cesar.
During the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Producción CesarRandom walk with drift
Pro
ducció
n C
esar
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020 2024
-29
-19
-9
1
11
21
31(X 10000)
Model Comparison
----------------
Data variable: Producción Cesar
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 6.02833E6 + -2978.52 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0169
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 30958.2 23600.1 39.3899 3.9687E-12 -10.3375
(B) 20217.6 13637.2 23.2812 -4.65661E-10 -8.52744
(C) 20599.7 13674.2 28.471 -4373.0 -16.56
173
(D) 29900.9 21233.1 36.6612 -4386.03 -16.076
(E) 22658.8 16073.4 24.9886 1641.94 -7.5253
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 30958.2 OK OK OK OK OK
(B) 20217.6 OK OK OK OK OK
(C) 20599.7 OK OK OK
(D) 29900.9 OK OK OK OK OK
(E) 22658.8 OK OK OK OK *
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
174
Residual Plot for Producción CesarRandom walk with drift
Resid
ua
l
1990 1993 1996 1999 2002 2005
-6
-4
-2
0
2
4
6(X 10000)
Residual Autocorrelations for Producción CesarRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
175
ANEXO 03 RESULTADOS SERIES DE TIEMPO SUPERFICIE COSECHADA CAÑA DE AZÚCAR.
Forecasting - Superficie Cosechada Caldas
Analysis Summary
Data variable: Superficie Cosechada Caldas
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 16
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 480.812
MAE 341.488
MAPE 12.9603
ME 2.06703E-13
MPE -1.62455
The StatAdvisor
---------------
This procedure will forecast future values of Superficie Cosechada
Caldas. The data cover 12 time periods. Currently, a random walk
model has been selected. This model assumes that the best forecast
for future data is given by the last available data value. You can
select a different forecasting model by pressing the alternate mouse
button and selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
176
Time Sequence Plot for Superficie Cosechada CaldasRandom walk with drift
1990 1995 2000 2005 2010 2015 2020
-2
0
2
4
6(X 1000)
Su
perf
icie
Cose
ch
ada
Ca
ldas
actual
forecast
95.0% lim its
Forecast Table for Superficie Cosechada Caldas
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 2820.0
1994 2820.0 2777.73 42.2727
1995 2961.0 2777.73 183.273
1996 2231.0 2918.73 -687.727
1997 2806.0 2188.73 617.273
1998 3280.0 2763.73 516.273
1999 3459.0 3237.73 221.273
2000 3479.0 3416.73 62.2727
2001 3479.0 3436.73 42.2727
2002 2420.0 3436.73 -1016.73
2003 2571.0 2377.73 193.273
2004 2355.0 2528.73 -173.727
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 2312.73 1414.21 3211.25
2006 2270.45 999.754 3541.15
2007 2228.18 671.898 3784.47
2008 2185.91 388.868 3982.95
2009 2143.64 134.483 4152.79
2010 2101.36 -99.5537 4302.28
2011 2059.09 -318.171 4436.35
2012 2016.82 -524.582 4558.22
2013 1974.55 -721.017 4670.11
2014 1932.27 -909.099 4773.64
2015 1890.0 -1090.06 4870.06
2016 1847.73 -1264.84 4960.29
2017 1805.45 -1434.21 5045.12
2018 1763.18 -1598.77 5125.14
2019 1720.91 -1759.05 5200.86
2020 1678.64 -1915.45 5272.72
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Superficie Cosechada
Caldas. During the period where actual data is available, it also
177
displays the predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Superficie Cosechada CaldasRandom walk with drift
2000 2004 2008 2012 2016 2020
-2
0
2
4
6(X 1000)
Su
perf
icie
Cose
ch
ada
Ca
ldas
actual
forecast
95.0% lim its
Model Comparison
----------------
Data variable: Superficie Cosechada Caldas
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 21792.0 + -9.45804 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.1292
(E) Brown's linear exp. smoothing with alpha = 0.0474
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 480.812 341.488 12.9603 2.06703E-13 -1.62455
(B) 471.378 368.719 13.0251 2.12215E-12 -2.26712
(C) 577.333 502.0 18.6117 -100.593 -6.603
(D) 477.111 392.197 13.8998 34.4856 -1.17042
(E) 476.993 391.088 13.928 21.1373 -1.65013
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 480.812 OK OK OK OK OK
(B) 471.378 OK OK OK OK OK
(C) 577.333 OK OK OK
(D) 477.111 OK OK OK OK OK
(E) 476.993 OK OK OK OK OK
178
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model A. The model with the smallest
mean absolute percentage error (MAPE) is model A. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for Superficie Cosechada CaldasRandom walk with drift
0 1 2 3 4
lag
-1
-0.6
-0.2
0.2
0.6
1
Au
tocorr
ela
tio
ns
Forecasting - Superficie Cosechada Cauca
Analysis Summary
Data variable: Superficie Cosechada Cauca
Number of observations = 12
179
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 16
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 4736.28
MAE 2859.42
MAPE 9.04013
ME -1.3229E-12
MPE -1.17425
The StatAdvisor
---------------
This procedure will forecast future values of Superficie Cosechada
Cauca. The data cover 12 time periods. Currently, a random walk
model has been selected. This model assumes that the best forecast
for future data is given by the last available data value. You can
select a different forecasting model by pressing the alternate mouse
button and selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Superficie Cosechada CaucaRandom walk with drift
Su
perf
icie
Cose
ch
ada
Ca
uca
actual
forecast
95.0% lim its
1990 1995 2000 2005 2010 2015 2020
0
2
4
6
8(X 10000)
Forecast Table for Superficie Cosechada Cauca
180
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 33000.0
1994 25000.0 33298.5 -8298.55
1995 25000.0 25298.5 -298.545
1996 25000.0 25298.5 -298.545
1997 26220.0 25298.5 921.455
1998 25099.0 26518.5 -1419.55
1999 36656.0 25397.5 11258.5
2000 36732.0 36954.5 -222.545
2001 35898.0 37030.5 -1132.55
2002 37080.0 36196.5 883.455
2003 40042.0 37378.5 2663.45
2004 36284.0 40340.5 -4056.55
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 36582.5 27731.6 45433.5
2006 36881.1 24364.0 49398.2
2007 37179.6 21849.3 52509.9
2008 37478.2 19776.3 55180.1
2009 37776.7 17985.4 57568.0
2010 38075.3 16395.0 59755.6
2011 38373.8 14956.4 61791.2
2012 38672.4 13638.1 63706.6
2013 38970.9 12418.1 65523.8
2014 39269.5 11280.3 67258.6
2015 39568.0 10212.7 68923.3
2016 39866.5 9205.96 70527.1
2017 40165.1 8252.54 72077.6
2018 40463.6 7346.42 73580.9
2019 40762.2 6482.61 75041.8
2020 41060.7 5656.93 76464.5
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Superficie Cosechada
Cauca. During the period where actual data is available, it also
displays the predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
181
Forecast Plot for Superficie Cosechada CaucaRandom walk with drift
Su
perf
icie
Cose
ch
ada
Ca
uca
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
0
2
4
6
8(X 10000)
Model Comparison
----------------
Data variable: Superficie Cosechada Cauca
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = -2.43935E6 + 1236.52 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.8463
(E) Brown's linear exp. smoothing with alpha = 0.0473
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 4736.28 2859.42 9.04013 -1.3229E-12 -1.17425
(B) 4220.84 3291.14 10.9121 0.0 -1.6323
(C) 4867.03 3488.81 10.0128 2519.11 6.51911
(D) 4491.9 2821.23 8.8546 493.965 0.339236
(E) 6379.99 5752.66 18.3395 1287.43 0.603992
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 4736.28 OK OK OK OK OK
(B) 4220.84 OK OK OK OK OK
(C) 4867.03 OK OK OK
(D) 4491.9 OK OK OK OK OK
(E) 6379.99 OK ** * *** OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
182
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model D. The model with the smallest
mean absolute percentage error (MAPE) is model D. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for Superficie Cosechada CaucaRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Superficie Cosechada Cesar
Analysis Summary
Data variable: Superficie Cosechada Cesar
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 16
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 51.502
183
MAE 43.438
MAPE 2.6264
ME 1.03352E-13
MPE 0.0646058
The StatAdvisor
---------------
This procedure will forecast future values of Superficie Cosechada
Cesar. The data cover 12 time periods. Currently, a random walk
model has been selected. This model assumes that the best forecast
for future data is given by the last available data value. You can
select a different forecasting model by pressing the alternate mouse
button and selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Superficie Cosechada CesarRandom walk with drift
Su
perf
icie
Cose
ch
ada
Ce
sa
r
actual
forecast
95.0% lim its
1990 1995 2000 2005 2010 2015 2020
1400
1700
2000
2300
2600
2900
Forecast Table for Superficie Cosechada Cesar
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 1400.0
1994 1525.0 1430.36 94.6364
1995 1630.0 1555.36 74.6364
1996 1630.0 1660.36 -30.3636
1997 1634.0 1660.36 -26.3636
1998 1634.0 1664.36 -30.3636
1999 1734.0 1664.36 69.6364
2000 1734.0 1764.36 -30.3636
2001 1734.0 1764.36 -30.3636
184
2002 1734.0 1764.36 -30.3636
2003 1734.0 1764.36 -30.3636
2004 1734.0 1764.36 -30.3636
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 1764.36 1668.12 1860.61
2006 1794.73 1658.62 1930.84
2007 1825.09 1658.39 1991.79
2008 1855.45 1662.97 2047.94
2009 1885.82 1670.61 2101.03
2010 1916.18 1680.43 2151.93
2011 1946.55 1691.91 2201.18
2012 1976.91 1704.69 2249.13
2013 2007.27 1718.54 2296.01
2014 2037.64 1733.28 2341.99
2015 2068.0 1748.79 2387.21
2016 2098.36 1764.96 2431.76
2017 2128.73 1781.71 2475.74
2018 2159.09 1798.98 2519.21
2019 2189.45 1816.7 2562.21
2020 2219.82 1834.84 2604.8
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Superficie Cosechada
Cesar. During the period where actual data is available, it also
displays the predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Superficie Cosechada CesarRandom walk with drift
Su
perf
icie
Cose
ch
ada
Ce
sa
r
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
1600
1800
2000
2200
2400
2600
2800
Model Comparison
185
----------------
Data variable: Superficie Cosechada Cesar
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = -48678.1 + 25.1853 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0471
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 51.502 43.438 2.6264 1.03352E-13 0.0646058
(B) 55.4954 40.5093 2.51882 -1.21266E-12 -0.110309
(C) 57.5631 39.4074 2.33462 39.4074 2.33462
(D) 57.7366 27.8372 1.7211 27.8351 1.72095
(E) 112.194 85.8472 5.33142 26.1581 1.16909
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 51.502 OK OK OK OK
(B) 55.4954 * OK OK OK OK
(C) 57.5631 OK OK OK
(D) 57.7366 OK OK OK OK OK
(E) 112.194 *** ** OK ** ***
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model A. The model with the smallest
mean absolute error (MAE) is model D. The model with the smallest
mean absolute percentage error (MAPE) is model D. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 4 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
186
Residual Autocorrelations for Superficie Cosechada CesarRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Superficie Cosechada Nte Sant
Analysis Summary
Data variable: Superficie Cosechada Nte Sant
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 16
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 160.038
MAE 100.215
MAPE 49.9456
ME 1.03352E-14
MPE -27.3501
The StatAdvisor
---------------
This procedure will forecast future values of Superficie Cosechada
Nte Sant. The data cover 12 time periods. Currently, a random walk
model has been selected. This model assumes that the best forecast
for future data is given by the last available data value. You can
select a different forecasting model by pressing the alternate mouse
button and selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
187
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Superficie Cosechada Nte SantRandom walk with drift
Su
perf
icie
Cose
ch
ada
Nte
Sa
nt
actual
forecast
95.0% lim its
1990 1995 2000 2005 2010 2015 2020
0
500
1000
1500
2000
2500
Forecast Table for Superficie Cosechada Nte Sant
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 411.0
1994 200.0 442.636 -242.636
1995 68.0 231.636 -163.636
1996 157.0 99.6364 57.3636
1997 201.0 188.636 12.3636
1998 180.0 232.636 -52.6364
1999 235.0 211.636 23.3636
2000 301.0 266.636 34.3636
2001 272.0 332.636 -60.6364
2002 272.0 303.636 -31.6364
2003 700.0 303.636 396.364
2004 759.0 731.636 27.3636
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 790.636 491.565 1089.71
2006 822.273 399.322 1245.22
2007 853.909 335.902 1371.92
2008 885.545 287.403 1483.69
2009 917.182 248.438 1585.93
2010 948.818 216.246 1681.39
2011 980.455 189.186 1771.72
2012 1012.09 166.189 1857.99
2013 1043.73 146.513 1940.94
2014 1075.36 129.617 2021.11
2015 1107.0 115.093 2098.91
2016 1138.64 102.623 2174.65
2017 1170.27 91.9557 2248.59
2018 1201.91 82.8866 2320.93
2019 1233.55 75.2472 2391.84
2020 1265.18 68.8965 2461.47
188
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Superficie Cosechada Nte
Sant. During the period where actual data is available, it also
displays the predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Superficie Cosechada Nte SantRandom walk with drift
Su
perf
icie
Cose
ch
ada
Nte
Sa
nt
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
0
500
1000
1500
2000
2500
Model Comparison
----------------
Data variable: Superficie Cosechada Nte Sant
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = -74358.2 + 37.3636 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0509
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 160.038 100.215 49.9456 1.03352E-14 -27.3501
(B) 171.933 136.333 53.323 0.0 -25.9288
(C) 187.59 124.074 29.8474 108.667 20.0337
(D) 155.838 94.5063 42.9006 29.0042 -10.7616
(E) 240.001 161.98 72.4915 35.7602 -38.8535
Model RMSE RUNS RUNM AUTO MEAN VAR
189
-----------------------------------------------
(A) 160.038 OK OK OK OK OK
(B) 171.933 OK OK OK OK OK
(C) 187.59 OK OK OK
(D) 155.838 OK OK OK OK OK
(E) 240.001 OK * OK * OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model D. The model with the smallest
mean absolute error (MAE) is model D. The model with the smallest
mean absolute percentage error (MAPE) is model C. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for Superficie Cosechada Nte SantRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
190
Forecasting - Superficie Cosechada Risaralda
Analysis Summary
Data variable: Superficie Cosechada Risaralda
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 16
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 211.819
MAE 171.983
MAPE 6.35314
ME -1.65363E-13
MPE -0.331968
The StatAdvisor
---------------
This procedure will forecast future values of Superficie Cosechada
Risaralda. The data cover 12 time periods. Currently, a random walk
model has been selected. This model assumes that the best forecast
for future data is given by the last available data value. You can
select a different forecasting model by pressing the alternate mouse
button and selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
191
Time Sequence Plot for Superficie Cosechada RisaraldaRandom walk with drift
Su
perf
icie
Cose
ch
ada
Ris
ara
lda
actual
forecast
95.0% lim its
1990 1995 2000 2005 2010 2015 2020
-100
900
1900
2900
3900
Forecast Table for Superficie Cosechada Risaralda
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 2851.0
1994 2566.0 2803.82 -237.818
1995 2890.0 2518.82 371.182
1996 3020.0 2842.82 177.182
1997 3084.0 2972.82 111.182
1998 2775.0 3036.82 -261.818
1999 2494.0 2727.82 -233.818
2000 2496.0 2446.82 49.1818
2001 2686.0 2448.82 237.182
2002 2474.0 2638.82 -164.818
2003 2417.0 2426.82 -9.81818
2004 2332.0 2369.82 -37.8182
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 2284.82 1888.98 2680.66
2006 2237.64 1677.84 2797.44
2007 2190.45 1504.84 2876.07
2008 2143.27 1351.6 2934.95
2009 2096.09 1210.97 2981.21
2010 2048.91 1079.31 3018.51
2011 2001.73 954.437 3049.02
2012 1954.55 834.946 3074.15
2013 1907.36 719.849 3094.88
2014 1860.18 608.431 3111.93
2015 1813.0 500.153 3125.85
2016 1765.82 394.594 3137.04
2017 1718.64 291.421 3145.85
2018 1671.45 190.363 3152.55
2019 1624.27 91.1974 3157.35
2020 1577.09 -6.26245 3160.44
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Superficie Cosechada
Risaralda. During the period where actual data is available, it also
192
displays the predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for Superficie Cosechada RisaraldaRandom walk with drift
Su
perf
icie
Cose
ch
ada
Ris
ara
lda
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-100
900
1900
2900
3900
Model Comparison
----------------
Data variable: Superficie Cosechada Risaralda
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = 98245.4 + -47.8217 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0505
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 211.819 171.983 6.35314 -1.65363E-13 -0.331968
(B) 186.515 137.205 5.03019 2.42532E-12 -0.385472
(C) 247.669 221.963 8.43406 -87.0 -3.91522
(D) 207.4 161.587 6.06899 -43.2512 -1.94479
(E) 271.937 234.73 8.91425 -51.6469 -2.76829
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 211.819 OK OK OK OK OK
(B) 186.515 OK OK OK OK OK
(C) 247.669 OK OK OK
(D) 207.4 OK OK OK OK OK
(E) 271.937 OK OK OK *** OK
193
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for Superficie Cosechada RisaraldaRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Superficie Cosechada Valle
Analysis Summary
Data variable: Superficie Cosechada Valle
Number of observations = 12
194
Start index = 1993
Sampling interval = 1.0 year(s)
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 16
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 13690.3
MAE 11429.8
MAPE 7.48919
ME 5.29161E-12
MPE -0.334422
The StatAdvisor
---------------
This procedure will forecast future values of Superficie Cosechada
Valle. The data cover 12 time periods. Currently, a random walk
model has been selected. This model assumes that the best forecast
for future data is given by the last available data value. You can
select a different forecasting model by pressing the alternate mouse
button and selecting Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for Superficie Cosechada ValleRandom walk with drift
Su
perf
icie
Cose
ch
ada
Va
lle
actual
forecast
95.0% lim its
1990 1995 2000 2005 2010 2015 2020
9
13
17
21
25
29
33(X 10000)
Forecast Table for Superficie Cosechada Valle
195
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
1993 135249.0
1994 122350.0 137492.0 -15141.8
1995 146657.0 124593.0 22064.2
1996 148353.0 148900.0 -546.818
1997 151047.0 150596.0 451.182
1998 141477.0 153290.0 -11812.8
1999 160466.0 143720.0 16746.2
2000 172828.0 162709.0 10119.2
2001 159000.0 175071.0 -16070.8
2002 174726.0 161243.0 13483.2
2003 165187.0 176969.0 -11781.8
2004 159920.0 167430.0 -7509.82
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2005 162163.0 136579.0 187747.0
2006 164406.0 128225.0 200587.0
2007 166648.0 122336.0 210961.0
2008 168891.0 117723.0 220059.0
2009 171134.0 113927.0 228341.0
2010 173377.0 110709.0 236044.0
2011 175620.0 107931.0 243308.0
2012 177863.0 105500.0 250225.0
2013 180105.0 103354.0 256857.0
2014 182348.0 101445.0 263252.0
2015 184591.0 99738.7 269443.0
2016 186834.0 98208.5 275459.0
2017 189077.0 96832.5 281321.0
2018 191319.0 95593.2 287046.0
2019 193562.0 94476.2 292648.0
2020 195805.0 93469.4 298141.0
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Superficie Cosechada
Valle. During the period where actual data is available, it also
displays the predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
196
Forecast Plot for Superficie Cosechada ValleRandom walk with drift
Su
perf
icie
Cose
ch
ada
Va
lleactual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
9
13
17
21
25
29
33(X 10000)
Model Comparison
----------------
Data variable: Superficie Cosechada Valle
Number of observations = 12
Start index = 1993
Sampling interval = 1.0 year(s)
Models
------
(A) Random walk with drift
(B) Linear trend = -6.77152E6 + 3464.91 t
(C) Simple moving average of 3 terms
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0503
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 13690.3 11429.8 7.48919 5.29161E-12 -0.334422
(B) 9430.43 7262.97 4.8107 0.0 -0.340623
(C) 11575.6 9943.85 6.21879 6108.89 3.7064
(D) 13244.0 10573.1 6.88 2056.27 1.03487
(E) 16192.3 12525.4 8.25297 4355.11 1.88389
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 13690.3 OK OK OK OK OK
(B) 9430.43 OK OK OK OK OK
(C) 11575.6 OK OK OK
(D) 13244.0 OK OK OK OK OK
(E) 16192.3 OK ** OK ** OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
197
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for Superficie Cosechada ValleRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 1 2 3 4
-1
-0.6
-0.2
0.2
0.6
1
198
ANEXO 04 ESTUDIO REALIZADO POR LA EMPRESA CORPODIB
1.6 . ASPECTOS GENERALES DE LOS CRITERIOS DE SELECCIÓN
Fuente: DANE – Censo – 1993 Gráfica 7. Incidencia de los criterios de selección en las zonas
En la gráfica anterior se puede observar que las zonas que reúnen la mayoría de
criterios de selección para la implementación del programa de alcohol en lo que
respecta a aspectos de tipo social desde el punto de vista de los índices de
pobreza y de necesidades básicas insatisfechas son: Noroccidente y Nororiente,
en estas zonas el proyecto tendría un mayor impacto debido a la generación de
empleo y mejoramiento de la calidad de vida.
Al respecto de los aspectos relacionados con el medio natural se encuentra que
las zonas en términos generales cuentan con las características ambientales
necesarias para el cultivo de la caña.
NOROCCIDENTE NORORIENTE CENTRO SUROCCIDENTE SURORIENTE
ZONAS ANALIZADAS
CRITERIOS DE SELECCIÓN POR ZONAS
NBI INGRESO LABORAL OCUPACIÓN POBLACIONAL
PIB ACTIVIDADES ECONÓMICAS CONSUMO DE GASOLINA
PRECI PITACIÓN LUMINOSIDAD TEMPERATURA
199
Respecto de los índices de análisis económico de las zonas (aporte al PIB
nacional, el ingreso laboral, actividades económicas principales y el consumo de
gasolina) se observa que en la zona Suroccidente es en la que más tienen
influencia estos índices.
En el siguiente capítulo se analizarán las zonas un poco más en detalle respecto
de los departamentos que las conforman, para así lograr una mejor
aproximación de la ubicación del programa nacional de producción de etanol.
2. ANALISIS DE LOS CRITERIOS PARA LA SELECCION DE LOS
DEPARTAMENTOS MÁS APTOS PARA EL DESARROLLO DEL
PROGRAMA DE ALCOHOL EN EL PAIS
2.1 INTRODUCCION
A continuación se analizan los requerimientos necesarios básicos para
seleccionar las zonas aptas para el cultivo de la caña, algunos de los criterios se
evaluaron en capítulos anteriores, esta selección se efectúa puesto que la caña
como producto agrícola no es indiferente al medio donde se produce, esto es, se
requiere de cierto tipo de condiciones agronómicas, climáticas, etc., por
consiguiente, no toda la superficie de una región es apta o hay lugares más
propicios que otros.
La localización y el área son indispensables para determinar que elementos del
medio natural (físico o socioeconómico) existentes en las diversas zonas o
regiones del país se podrían ver afectados por el desarrollo del estudio, por
ejemplo el uso de una vía podría generar impactos inducidos como lo es el
mayor poblamiento en la zona.
200
De lo anterior se ve la necesidad de seleccionar unos departamentos que si bien
no constituyen una selección definitiva, permiten llevar a cabo de una manera
más precisa la evaluación de los efectos de la implementación del programa.
2.2 CRITERIOS DE SELECCION
2.2.1 Aspectos Geomorfológicos
Dentro de los criterios básicos para la selección de las zonas se debe considerar
la que tiene que ver con el carácter geomorfológico de los suelos. Este criterio
presenta varias ventajas, ya que comprende tres factores muy importantes para
determinar la aptitud del suelo para el cultivo: materiales parentelas, fisiografia y
clima, además, es una clasificación que cubre todo el país ( mientras que otras
clasificaciones, por ejemplo, por capacidad de uso o agrologica existe solamente
para algunas regiones).
Según los análisis geomorfológicos los suelos que se consideran aptos
pertenecen a dos medios o unidades:
Suelos de las formas aluviales y/o lacustres
Suelos de la planicie aluvial de piedemonte
Estos suelos cumplen con los requerimientos básicos del cultivo de caña de
azúcar es decir suelos de cierta profundidad, un pH entre 4.0 y 9.0, drenaje
natural, de origen volcánico o aluvional reciente, de 0 a algo más de 1000 msnm
de altura, con precipitaciones de 1000 a 3000 mm y mínimo 20º C de
temperatura.
Suelos de las formas aluviales y/o lacustres
201
Se encuentran principalmente en las planicies aluviales de los grandes ríos y en
las áreas de origen lacustre. Son abundantes en la Zona Noroccidente,
Suroriente y en los valles del Magdalena y Cauca, entre otros. Estos suelos se
pueden clasificar en dos clases :
Suelos Ae
Estos suelos se caracterizan básicamente por ser siempre profundos, bien
drenados, y que se presentan en climas secos. La superficie total en el país que
presenta este tipo de suelo es de aproximadamente 2´476,575 hectáreas.
Suelos Af
Al igual que los suelos Ae estos se caracterizan por ser profundos y bien
drenados, presentándose principalmente en climas húmedos. La superficie en el
país que presenta este tipo de suelos es de aproximadamente 2´118,550
hectáreas.
Suelos de la planicie aluvial de piedemonte
Estos suelos se denominan suelos Pb y se presentan en clima cálido y templado
seco, bien drenados. En el país hay aproximadamente 744,274 hectáreas de
estos suelos.
Como se puede observar en el siguiente mapa por geomorfología la mayor parte
de la zona Nororiental y Noroccidental cuentan con suelos aptos para el cultivo
de la caña y en menor proporción en las zonas Suroriental, Central y
Suroccidental.
202
Dentro de estas zonas en los departamentos de Cesar, bolívar, Sucre, Córdoba,
Santander, Cauca, Casanare, Meta, Nariño y Valle, se concentran la mayoría de
los suelos tipo Ae y Pb y Af.
Mapa 6. Zonas aptas por tipo de suelo para el cultivo de la caña en el país.
Fuente : Consultor
Suelos aluviales en clima seco
Suelos aluviales en clima húmedo
Ae Af
Pb Suelos de piedemonte en climas secos, cálidos o templados
203
2.2.2. Aspectos climáticos
La caña de azúcar es una planta que tolera climas relativamente variados. Tiene
unas exigencias climáticas notablemente diferentes en el curso de las dos fases
principales de su ciclo: crecimiento y maduración. El crecimiento puede ser
retardado o incluso suspendido por factores climáticos como el frío y la sequía.
La madurez se consigue o no por el exceso de lluvias o por las altas
temperaturas nocturnas.
El área natural de la caña de azúcar corresponde a las regiones relativamente
lluviosas de las zonas intersubtropicales situadas por debajo de ciertas alturas.
Dentro de los factores climáticos que se deben tener en cuenta en el cultivo de
la caña son:
Precipitación
Temperatura ( del aire y del suelo) y cantidad de calor
Luz (luminosidad)
La altura y latitud actúan sobre todo a través de las modificaciones de los
factores climáticos a lo largo del año. La caña de azúcar es una planta para la
que la luz es esencial, que exige calor y humedad para su crecimiento pero que
también necesita los fríos nocturnos y que como ultima condición para dar
óptimos frutos, exige ser privada del agua poco a poco.
Precipitación
El volumen de transpiración (es decir, más o menos el volumen de absorción)
puede aumentar considerablemente si el aire es seco o si el suelo está
empapado en agua. La caña se adapta muy bien a diferentes climas, y esto
204
depende de la relación entre la superficie de transpiración de las hojas y la
superficie de absorción de las raíces.
Dentro de los beneficios que trae el agua en el crecimiento de la planta de caña
(y en general de todas las plantas) se tienen:
La absorción de los abonos: la cual depende del agua, puesto que las raíces
no absorben más que las soluciones. No obstante ciertos abonos muy
solubles pueden ser arrastrados fuera del alcance de las raíces.
La respiración solo se efectúa gracias al agua: ciertas variedades resistentes
a la sequía poseen, la facultad de mantener por más tiempo su respiración
cuando se presentan las condiciones adversas y se caracterizan por una
concentración clorofilica más elevada. Por el contrario un exceso de agua en
las raíces es en general asfixiante y detiene la respiración.
La precipitación requerida para el cultivo de la caña se encuentra entre los
1000 a 3000 mm. Según el Mapa 3, los departamentos que se encuentran en
este rango son: Guajira, Magdalena, Cesar, Sucre, Córdoba, Bolívar, Norte
de Santander, parte de Santander, Boyaca, Cundinamarca, Tolima, Valle,
Antioquía, Huíla y Parte de Nariño
Temperatura
Las partes más jóvenes y las menos protegidas por la caña (hojas jóvenes,
yema terminal y yemas jóvenes) se hielan cuando la temperatura desciende por
debajo de 0oC y la magnitud de los daños es proporcional a los fríos31. Por otra
parte el crecimiento de la caña es nulo a temperaturas de 15 oC y solo es normal
por encima de los 20 oC, entre los 30oC y 32oC alcanza su punto culminante, se
31
La caña de azúcar R. Fauconnier – D. Bassereau. España – 1975.
205
cree que por encima de 35oC el crecimiento es en realidad muy lento, para
anularce prácticamente hacia los 38oC.
Como se puede observar en el mapa de distribución de temperatura en el país,
en la mayor parte del territorio nacional se presentan temperaturas de 20º C a
30º C.
Luminosidad
La absorción del agua esta sensiblemente relacionada con la luminosidad con
la que cuenta la planta de caña, el paso de una nube, o un eclipse de sol
producen un efecto depresivo en la absorción del agua por parte de la planta.
Cañas cultivadas con buenas exposiciones de luz tienen los tallos más gruesos y
más recios, las hojas más anchas y más gruesas y más verdes, las raíces más
desarrolladas, una materia seca más importante ( azúcar, fibra, peso por unidad)
y menos agua en su constitución.
El rango promedio de optimo de luminosidad se encuentra entre 300 a 450
cal/cm2/dia, dentro de este rango se encuentran la parte media del valle
geográfico del río Cauca, el valle del río Magdalena hasta la costa atlántica, los
departamentos de Sucre, Bolívar, Córdoba, Parte de Santander, Antioquia,
Caldas, Quindio, Risaralda Choco, Cauca, Nariño, Huila, Putumayo, y los
departamentos de la zona Suroriental del país.
2.2.3 Aspectos Sociales
La implementación del proyecto, tendrá efectos sobre las condiciones sociales
de las zonas en las cuales se determine su ejecución. Dichas condiciones
hacen referencia principalmente a variables tales como generación de empleo,
niveles de pobreza, niveles de educación, servicios de salud, y dotación de
servicios públicos entre otros.
206
Como se observo en capítulos anteriores las zonas que presentan un mayor
índice de necesidades básicas insatisfechas y de miseria son las zonas
Noroccidental y Nororiental.
Por medio del indicador ampliamente conocido denominado Indicador de
Necesidades Básicas Insatisfechas (NBI), se obtiene una idea global sobre el
nivel relativo de pobreza de las personas que habitan las diferentes zonas. Este
indicador cubre un rango amplio de causales de pobreza, entre los cuales hay
aspectos de educación, servicios públicos y calidad física de vida.
Vivienda y servicios inadecuados
Según los indicadores del DANE respecto de la vivienda insatisfecha y servicios
inadecuados, las zonas que presentan un mayor incremento de estos índices
son la zona Noroccidente y la zona Nororiente .
Fuente : DANE –Censo – 1993 Gráfica 8. % de hogares con vivienda y servicios inadecuados – Zona Noroccidente.
207
Fuente :DANE – 1993 Gráfica 9. & de hogares con vivienda y servicios inadecuados – Zona Nororiente
Respecto de la vivienda y servicios inadecuados se puede observar que los
departamentos que se ven más afectados por estos índices son las zonas
Nororiente y Noroccidente son: Sucre, Bolívar, Córdoba, Cesas y Norte de
Santander.
Educación
Uno de los más importantes indicadores sociales, lo constituye la Tasa de
Analfabetismo, en las gráficas 10 y 11 se puede observar el porcentaje de tasa
de analfabetismo en las zonas Noroccidental y Nororiental.
Fuente: DANE censo 1993 Gráfica 10 % de tasa de analfabetismo zona Noroccidental
0%
5%
10%
15%
20%
25%
Por
cen
taje
Guajira Atlantico Magdalena Sucre Bolivar Cordoba
Departamentos
Tasa de Analfabetismo
Zona Noroccidente
208
Fuente: DANE censo de 1993 Gráfica 11 % tasa de analfabetismo zona nororiental
Se observa que la tasa de analfabetismo más alta en la zona noroccidental se
presenta en los departamentos de Sucre y Córdoba y las más bajas en Atlántico
y Bolívar, los demás departamentos de la zona presentan tasas intermedias
entre estos dos extremos. En la zona Nororiental las tasas más altas se
encuentran en los departamentos de Cesar y Norte de Santander.
Fuente : DANE censo -1993 Gráfica 12 Centros de educación primaria y secundaria zona Noroccidental
0%
5%
10%
15%
20%
Por
cen
taje
Boyaca Cesar Norte de
Santander
Santander
Departamento
Tasa de Analfabetismo
Zona Nororiental
209
Fuente : DANE censo - 1993 Gráfica 13. Centros de educación primaria y secundaria Zona Nororiental
La mejor cobertura educativa medida por el número de establecimientos de
educación primaria y secundaria la tienen los departamentos de Atlántico,
Bolívar y Santander. La cobertura más deficiente se presenta en los
departamentos de Córdoba, Sucre, Cesar y Norte de Santander. Si se observan
estos indicadores (Tasa de Analfabetismo y número de establecimientos
educativos), se puede determinar que los departamentos con cobertura
deficiente, presentan las más altas tasas de analfabetismo, como en el caso de
Sucre, Córdoba, Cesar y Norte de Santander. Los departamentos con mejor
cobertura educativa son Atlántico y Santander.
Servicios de Salud
De manera similar a la establecida para la medición de la cobertura de servicios
de educación, los servicios de salud se analizan a través de la cobertura de los
hospitales y centros de salud que prestan sus servicios a la población en las
diferentes zonas.
210
Fuente : DANE censo - 1993 Gráfica 14. Centros de salud y hospitales zona Noroccidente
Como se puede observar la cobertura de establecimientos de salud más
deficiente en la Zona Noroccidental, se presenta en los departamentos de la
Guajira y Sucre siendo el departamento de Sucre el de menor número de
hospitales y los de mejor cobertura los departamentos de Bolívar y Atlántico.
Fuente : DANE censo de 1993 Gráfica 15. Hospitales y centros de salud zona Nororiental.
De la anterior información se puede observar que en la zona Nororiental los
departamentos de Cesar y Norte de Santander son los que tienen un menor
0
10
2030
40
5060
70
Num
ero
Boyaca Cesar Norte de
Santander
Santander
Departamento
Centros de salud y Hospitales
Zona Nororiente
Hospitales Centros de salud
211
cubrimiento en servicios de hospitales y el departamento de Cesar el de menor
cubrimiento en centros de salud.
Servicios públicos
A continuación se presenta un análisis comparativo del porcentaje de viviendas
que en las Zonas Noroccidental y Nororiental tienen dotación de servicios de
acueducto, alcantarillado y energía.
Fuente : DANE censo de 1993 Gráfica 16. Servicios Públicos de Acueducto, Alcantarillado y Energía – Zona Noroccidental.
En lo que respecta a los hogares con servicio de alcantarillado se observa de la
gráfica anterior que los departamentos en promedio con mayor cobertura son
Atlántico y Córdoba y los de menor son Magdalena y Sucre.
Fuente : DANE censo de 1993. Gráfica 17. Servicios Públicos de Acueducto, Alcantarillado y Energía – Zona Nororidental
212
En la Zona Nororiental se observa un comportamiento promedio similar en todos
los departamentos en lo que respecta a los servicios de acueducto y energía, lo
que no ocurre con el servicio de alcantarillado en donde el departamento de
Santander muestra el, mas bajo nivel respecto de los demás departamentos.
Ingreso Laboral y ocupación de la población
De acuerdo a la gráfica 2 y 3 se observa que dentro de las zonas que reciben
menos de un salario mínimo y una mayor dedicación al área agrícola se
encuentran: Zona Nororiente y Zona Suroccidente.
Estas zonas representan el mayor potencial para mejorar la calidad de vida en
función de su actividad y vocación agrícola.
2.2.4 Aspectos económicos
Dentro de los aspectos económicos a analizar se tendrán en cuenta la actividad
económica, el producto interno bruto y el consumo de gasolina.
Actividad económica
Se tiene en cuenta el desarrollo agroindustrial en la producción de caña de
azúcar analizando las hectáreas cultivadas por departamento en las zonas que
actualmente siembran caña.
Como se pudo observar en la gráfica 5, las zonas que están produciendo caña
de azúcar y que por lo tanto cuentan con una infraestructura agrícola para el
procesamiento de este cultivo son: Zona Centro, Zona Suroccidente y Zona
213
Suroriente. Estas zonas se analizaran un poco más en detalle respecto de los
departamentos que las componen.
Fuente: DANE censo de 1993 Gráfica 18. Hectáreas cultivadas de caña de azúcar y Caña panelera Zona Centro.
Fuente : DANE censo - 1993 Gráfica 19. Hectáreas cultivadas de Caña azúcar y Caña panelera Zona Suroccidente
0
1 0 0 0 0
2 0 0 0 0
3 0 0 0 0
4 0 0 0 0
5 0 0 0 0
6 0 0 0 0
He
ctá
rea
s
A nt io q uia Cald as Cund inamarca R isarald a
D ep artam en to s
C u ltivo d e cañ a d e az ú car y p an e le ra .
Zo n a C en tro
caña pane le ra caña de azúca r
214
Fuente : DANE censo 1993 Gráfica 20. Hectáreas cultivadas de caña de azúcar y caña panelera zona Suroriente
Dentro de los departamentos que cuentan con una mayor proporción de
hectáreas cultivadas en las zonas de análisis se encuentran: Antioquía,
Cundinamarca, Valle y Caqueta.
Porcentaje de aporte al producto interno bruto del país
Fuente : DANE censo 1993 Gráfica 21. % de aporte por departamento al PIB nacional zona Noroccidente.
0
500
1000
1500
2000
2500
3000
Hectárea
s
Arauca Caqueta Guaviare
Departamentos
Cultivo de caña de azúcar y panelera.
Zona Suroriente
caña panelera caña azúcar
0
1
2
3
4
5
%
A t lánt ico B o livar Co rd o b a La Guajira M ag d alena Sucre
D E P AR TAM E N TO S
AP O R T E AL P IB .
ZO N A N O R O C C ID E N T E
215
Fuente: DANE censo 1993 Gráfica 22. % de aporte por departamento al PIB nacional zona Nororiente.
Fuente : DANE censo 1993 Gráfica 23. % de aporte por departamento al PIB nacional zona Suroccidente.
Los departamentos que aportan en menor proporción al PIB nacional y que en
términos económicos presentan un mayor potencial de implementar el programa
de alcohol en las zonas Nororiente y Suroccidente son: Cesar, Sucre, Bolívar,
Córdoba, Magdalena, Norte de Santander, Huila, Nariño, Caldas, Chocó y
Cauca.
Consumo de gasolina
Las siguientes figuras presentan los consumos de gasolina detallados por
departamento.
0
2
4
6
8
10
12
%
C a u c a C h o c ó H u ila N a riñ o V a lle
Departam entos
AP ORTE AL P IB . ZONA S UROCCIDE NTE
216
Fuente : ECOPETROL Gráfica 24 Consumo de gasolina Zona Noroccidente
Fuente : ECOPETROL Gráfica 25. Consumo de gasolina Zona Nororiente
Fuente: ECOPETROL Gráfica 26. Consumo de gasolina Zona Centro
217
Fuente: ECOPETROL Gráfica 27. Consumo de gasolina Zona Suroccidente.
Fuente: ECOPETROL Gráfica 28. Consumo de gasolina Zona Suroriente
Los departamentos con mayor consumo de gasolina dentro de las diferentes
zonas estudiadas, y que por lo tanto tienen un mayor potencial para el
desarrollo del proyecto por la demanda alcohol como aditivo oxigenante son:
Antioquia, Cundinamarca, Valle, Atlántico, Bolívar, Santander, Boyacá, Tolima,
Nariño y Meta.
218
En la tabla 2. se efectúa un análisis con respecto a cada uno de los criterios de
selección estimados para la selección de para cada uno de los departamentos
de mayor potencial de ubicación del programa de alcohol carburante en el país.
219
Tab
la 2
. A
NA
LIS
IS D
E L
OS
DE
PA
RT
AM
EN
TO
S R
ES
PE
CT
O D
E L
OS
CR
ITE
RIO
S D
E S
EL
EC
CIO
N
Cri
teri
od
e
sele
ccio
n/Z
on
aA
SP
EC
TO
S
AS
PE
CT
OS
N
BI
PIB
AC
TIV
IDA
DE
S
CO
NS
UM
O
GE
OM
OR
FO
LÓ
GIC
OS
CL
IMÁ
TIC
OS
EC
ON
ÓM
ICA
SD
E G
AS
OL
INA
ZO
NA
NO
RO
CC
IDE
NT
E
Guajira
Atlántico
Magdale
na
Sucre
Bolivar
Córd
oba
ZO
NA
NO
RO
RIE
NT
E
Cesar
Nort
e d
e S
anta
nder
Santa
nder
Boyacá
ZO
NA
CE
NT
RO
Antioquia
Cald
as
Cundin
am
arc
a
Ris
ara
lda
Quin
dío
Tolim
a
ZO
NA
SU
RO
RIE
NT
E
Casanare
Meta
Caqueta
ZO
NA
SU
RO
CC
IDE
NT
E
Valle
Chocó
Cauca
Huila
Nari
ño
Putu
mayo
Tabla 2.
220
3. ANALISIS DEL IMPACTO DE LA IMPLEMETACION
Para determinar el impacto socioeconómico del proyecto se trabajo con la matriz
de demanda se tomo como base la generada por el Departamento Nacional de
Estadística DANE. Se identificaron las actividades económicas afectadas por el
proyecto, generándose una matriz de referencia la cual indica las actividades y
valores tomados directamente de la matriz nacional generada por el DANE,
calculándose los efectos de la implementación del programa por actividad, hasta
generar una nueva matriz en la cual se muestra la incidencia de la
implementación del proyecto.
A continuación se presentan algunos de los aspectos más relevantes que se ven
afectados en la por la implementación del programa de alcohol:
Aumento de hasta 14 veces la demanda de la caña de azúcar como materia
prima por parte del sector productor de insumos químicos lo cual implica un
aumento del 1,4% de la oferta total de productos agrícolas.
Se genera una disminución en la importación de gasolina la cual es
sustituida por la producción de alcohol considerada en la producción de
productos químicos no se afecta las cantidades de oferta ni de demanda. El
gran efecto de esta situación puede verse en la balanza de pagos pues
existe una reducción de las importaciones sustituida por la producción del
alcohol nacional.
Los requerimientos de transporte tanto de la caña de azúcar como del
alcohol aumentaran la oferta total en 1.4% de los servicios de transporte y
serán demandados por la línea 30 la cual representa los productos
químicos, cifra que aumentara en 3,2 veces.
Para la producción de los 2,510 millones de litros por día requeridos para el
proyecto se genera un aumento en la demanda de los productos químicos
en 0.11 %.
221
Como el proyecto generara más de la electricidad necesaria para su
funcionamiento se aumentara en un 0.11% la oferta total de esta energía.
Se incentivara de manera importante el sector de la construcción y/o
consecución de maquinaria para usos generales o especiales, representada
en la línea 36. El aumento de la demanda total será del 11% por año en los
dos primeros años (asumiendo la construcción de las 12 plantas en dos
años).
De igual forma se incentivara de manera importante los trabajos y obras de
infraestructura debido a las necesidades de diseño y construcción de
plantas. El aumento de la demanda será del 12% del total de demanda
nacional cada año por los primeros dos años (asumiendo que la
construcción de las 12 plantas se hace en dos años).
Finalmente la demanda total de los servicios de intermediacion financiera se
aumentarían en no menos del 0.5%.
Otros ítems de la matriz se ven afectados positivamente en menores
cantidades como entre otros un aumento en la demanda de servicios
públicos principalmente agua, así como también la demanda de carbón
básicamente para las plantas que utilizan melaza como materia prima.
Este proyecto genera un aumento en la producción total nacional,
considerando todas las actividades, de 0,2 % y aumento de la demanda total
nacional de cerca del 1%. Así como un impacto importante en la balanza de
pagos por la sustitución de gasolina importada por alcohol de producción
nacional. El sector de mayor beneficio es el de productos químicos básicos y
elaborados, analizados en la línea 30 en donde se ubica la producción de
alcohol en este proyecto a ser utilizado como aditivo oxigenante de la
gasolina; la producción total en el país en esta línea se aumentaría en un 7%.
En la Tabla No 3 se puede observar el análisis de la matriz socioeconómica
del programa.
222
Tabla 3.
No
.M
AT
RIZ
IN
ICIA
L S
OC
IOE
CO
NO
MIC
A D
E R
EF
ER
EN
CIA
PR
OD
UC
TO
ST
ota
l o
fert
a2
610
29
30
36
2O
tros
pro
du
ctos
ag
rico
las
7.6
38.8
31
113.6
50
-
00
8.1
22
0
6H
ull
a y
lig
nit
o;
turb
a798.4
34
-
-
44067
1065
1.5
84
177
10
Ele
ctri
cid
ad
y g
as
de
ciu
dad
3.7
08.1
35
11.5
10
12.2
58
1.0
47.5
01
74.3
37
124.0
05
18.5
73
29
Pro
du
ctos
de
pet
role
o r
efin
ad
o;
com
bu
stib
les
nu
clea
res
y p
rod
uct
os
de
horn
o d
e co
qu
e.2.6
27.4
37
26.2
91
1.6
25
4.3
91
30.7
89
24.7
80
7.3
91
30
Pro
du
ctos
qu
imic
os
bási
cos
y e
labora
dos
(ex
cep
to p
rod
uct
os
de
pla
stic
o y
cau
cho)
7.5
63.9
43
461.2
13
16.1
59
4.1
96
21.0
01
1.3
64.0
81
38.1
65
36
Maq
uin
ari
a p
ara
uso
s g
ener
ale
s y e
spec
ific
os
3.2
54.9
16
15.5
86
45.3
06
13.5
65
42.1
65
15.3
75
54.6
56
40
Tra
bajo
s y o
bra
s d
e in
gen
ieri
a4.3
69.5
04
-
-
40.9
71
00
0
44
Ser
vic
os
de
tran
sport
e te
rres
tre
4.6
17.6
18
23.7
40
3.3
50
14.2
21
8.7
98
29.4
04
5.5
44
49
Ser
vic
os
de
inte
rmed
iaci
ón
fin
an
cier
a y
ser
vic
ios
con
exos
7.6
19.6
14
44.4
01
7.4
28
44.1
64
13.1
46
36.2
41
7.7
35
56
Ser
vic
ios
de
ad
min
istr
aci
ón
pu
bli
ca y
otr
os
serv
. P
ara
la c
om
un
idad
en
gen
eral
9.3
39.6
29
-
-
0
00
0
TO
TA
L147.0
37.7
20
998.5
14
185.5
25
1.7
02.7
74
950.4
21
2.3
96.4
95
446.4
32
Tota
l p
rod
ucc
ión
5.7
27.4
83
763.9
42
3.5
63.1
42
1.5
96.6
00
3.8
46.1
92
725.3
16
Valo
r ag
reg
ad
o4.7
29.1
22
578.4
17
1.8
60.3
68
646.1
79
1.4
49.6
97
278.8
84
No
.M
AT
RIZ
SO
CIO
EC
ON
OM
ICA
CO
N E
L P
RO
YE
CT
O D
E A
LC
OH
OL
PR
OD
UC
TO
ST
ota
l o
fert
a2
610
29
30
36
2O
tros
pro
du
ctos
ag
rico
las
7.7
45.1
09
113.6
50
00
0114.4
00
0
6H
ull
a y
lig
nit
o;
turb
a798.5
96
-
-
44067
1065
1.7
46
177
10
Ele
ctri
cid
ad
y g
as
de
ciu
dad
3.7
12.3
85
11.5
10
12.2
58
1.0
47.5
01
74.3
37
124.0
05
18.5
73
29
Pro
du
ctos
de
pet
role
o r
efin
ad
o;
com
bu
stib
les
nu
clea
res
y p
rod
uct
os
de
horn
o d
e co
qu
e.2.6
27.4
37
26.2
91
1.6
25
4.3
91
-87.5
42
143.1
11
7.3
91
30
Pro
du
ctos
qu
imic
os
bási
cos
y e
labora
dos
(ex
cep
to p
rod
uct
os
de
pla
stic
o y
cau
cho)
7.5
68.2
97
461.2
13
16.1
59
4.1
96
21.0
01
1.3
65.5
36
38.1
65
36
Maq
uin
ari
a p
ara
uso
s g
ener
ale
s y e
spec
ific
os
3.4
59.6
85
15.5
86
45.3
06
13.5
65
42.1
65
220.1
44
54.6
56
40
Tra
bajo
s y o
bra
s d
e in
gen
ieri
a4.4
79.7
64
-
-
40.9
71
0110.2
60
0
44
Ser
vic
os
de
tran
sport
e te
rres
tre
4.6
82.3
47
23.7
40
3.3
50
14.2
21
8.7
98
94.1
33
5.5
44
49
Ser
vic
os
de
inte
rmed
iaci
ón
fin
an
cier
a y
ser
vic
ios
con
exos
7.6
50.7
26
44.4
01
7.4
28
44.1
64
13.1
46
67.3
53
7.7
35
56
Ser
vic
ios
de
ad
min
istr
aci
ón
pu
bli
ca y
otr
os
serv
. P
ara
la c
om
un
idad
en
gen
eral
9.3
40.0
01
-
-
0
0372
0
TO
TA
L147.5
64.0
06
998.5
14
185.5
25
1.7
02.7
74
832.0
90
3.0
33.9
64
446.4
32
Tota
l p
rod
ucc
ión
5.7
27.4
83
763.9
42
3.5
63.1
42
1.5
96.6
00
4.1
07.2
28
725.3
16
Valo
r ag
reg
ad
o4.7
29.1
22
578.4
17
1.8
60.3
68
646.1
79
1.0
73.2
65
278.8
84
TA
BL
A 3
. A
NA
LIS
IS D
E L
A M
AT
RIZ
SO
CIO
EC
ON
OM
ICA
CO
N L
A I
MP
LE
ME
NT
AC
ION
DE
L P
RO
YE
CT
O D
E A
LC
OH
OL
CO
MO
AD
ITIV
O D
E L
AS
GA
SO
LIN
AS
)
(mil
lon
es
de p
eso
s co
nst
an
tes
de 1
99
4)
223
4. UTILIZACION DE LOS SUBPRODUCTOS Y RESIDUOS DE LA
PRODUCCION DE ALCOHOL COMO MEDIDA DE CONTROL DEL
IMPACTO AMBIENTAL
4.1 LA VINAZA
La vinaza es un subproducto que se genera al separar las flemas alcohólicas de
la materia sólida y el agua del vino producido en la fermentación. Sale a
temperaturas superiores a los 75º C con pH ácido, una demanda química de
oxígeno (DQO) entre 20,000 ppm y 30,000 ppm, condiciones que la hacen
altamente contaminante. La vinaza tiene muchos usos pero los costos de
tratamiento son bastante altos en la mayoría de los casos, así que la forma de
tratar este subproducto depende del modelo integral de desarrollo planeado para
la zona donde esté ubicada la planta de alcohol.
Dentro de los usos de la vinaza se tienen el riego que es el más sencillo para
disponer de la vinaza en Brasil. Es necesario tener en cuenta la calidad del suelo
donde es aplicada y el nivel de lluvias de la zona donde se planta la caña,
puesto que un mal uso puede producir atrasos en su maduración, disminución
de los contenidos de sacarosa y aumento en el contenido de almidón.
La vinaza que sale de la destilería se puede concentrar para posteriormente ser
usada como abono en las misma plantaciones de caña, o ser quemada en un
incinerador para producir energía; los costos de inversión son altos, ya que se
necesitan evaporadores de múltiple efecto para su concentración o en otros
casos biorreactores para la obtención de biogas, así mismo cuando los
consumos de vapor son altos se ven favorecidos con la implementación de estas
tecnologías de cogeneración que permiten a su vez comercializar los excedentes
de energía.
224
Según la normatividad existente para los vertimientos de aguas industriales
(DBO, DQO, PH, SST, Temperatura), la vinaza obtenida puede ser utilizada
como riego; sin embargo energéticamente resulta más eficiente la obtención de
biogas que puede ser utilizado como combustible para los requerimientos de la
planta.
4.2 EL BARBOJO
El barbojo posee un alto poder energético (4200 Kcal/kg), y es un desecho de
gran importancia en el futuro por su diversidad de usos incluida la posibilidad de
generar energía eléctrica, no obstante hay que organizar a los cultivadores de
caña así como diseñar equipos que faciliten la recolección eficiente y rentable de
este desecho.
Muy heterogéneas son las características de los residuos de caña de azúcar,
situación que hace que la mayoría de los países productores de caña no
dispongan de la infraestructura técnica y material para su recolección. Los
resultados de su desempeño indican que su utilización es viable, debido a que
su balance energético es positivo en cuanto al consumo de combustible y
eficiencia del proceso.
4.3. EL BAGAZO
Es el residuo lignocelulósico que se obtiene de la molienda de la caña; la mitad
es fibra y la otra es agua y sólidos solubles e insolubles. La fibra es fracción
portadora de elementos estructurales que permiten el uso del bagazo en la
industria.
El bagazo está compuesto de celulosa, hemicelulosa, y lignina como principales
polímeros naturales y su poder calorífico es aproximadamente de 4600 Kcal/kg.
225
Dentro de los usos que tiene el bagazo como materia prima se tiene: Como
combustible, producción de alcohol, resinas, papel, tableros, carbón activado etc.
5. CONCLUSIONES Y RECOMENDACIONES
Respecto de los tipos de suelos aptos para el cultivo de caña en el país (suelos
aluviales en clima seco (Ae) y húmedo (Af) y suelos de piedemonte en climas
secos, cálidos o templados (Pb) se puede concluir que todas las zonas disponen
de estos terrenos en poca o gran concentración, de las zonas que más se
destacan por tener suelos tipo Ae y Af se tienen la noroccidente (departamentos
de Córdoba, Bolívar, Sucre, Atlántico y Magdalena suelos Ae, Af y Pb) y
Nororiente (Santander y Cesar, suelos Ae y Af), la zona suroriente en los
departamentos de Arauca, Casanare y Meta cuenta con suelos tipo Af y Pb, la
zona centro en parte de los departamentos de Caldas, Antioquía y
Cundinamarca cuenta con suelos tipo Ae y Af, la zona suroccidente en sus
departamentos de Valle y Nariño cuenta con suelos Af y Pb.
Según el indicador social de necesidades básicas insatisfechas NBI que incluye
los aspectos relacionados con educación, servicios de salud y servicios públicos,
y aporte al PIB nacional, las zonas con más bajo índice de desarrollo social son
la Noroccidente y Nororiente, dentro de estas los departamentos de Atlántico,
Magdalena, Sucre, Bolívar, Córdoba, Cesar, Norte de Santander y Santander
presentan el más bajo NBI.
La economía predominante en casi todas las zonas es de carácter agropecuario
algunas de ellas se encuentran con cierto desarrollo agroindustrial. Dentro de las
zonas que presentan una mayor actividad agrícola se encuentran la Centro en
los departamentos de Antioquía, Caldas, Cundinamarca y Risaralda, zona
Suroriente en el departamento de Meta y Suroccidente en los departamentos de
Valle, Cauca, Huila y Nariño.
226
En relación con la demanda de combustible (gasolina) en el país se tiene que
los departamentos que presentan un mayor índice de consumo son: Atlántico,
Bolívar, Córdoba, Cesar, Boyaca, Antioquia, Cundinamarca, Tolima, Meta, Valle
y Nariño.
En relación con los impactos ambientales de la producción de etanol por
fermentación de la biomasa, la utilización de los combustibles renovables como
el bagazo y biogas generado por la degradación de los residuos líquidos de la
planta de etanol, reduce considerablemente el impacto ambiental por la
descarga de residuos sólidos y líquidos y la disminución en el consumo de
combustibles fósiles no renovables.
En términos generales los departamentos que presentan un mayor potencial
para la implementaron del programa de etanol , por sus características sociales y
de desarrollo económico y así como por sus características geomorfológicas
son: Bolívar, Valle, Nariño, Meta, Caldas, Huila, Cundinamarca, Santander y
Antioquia.
El desarrollo del Programa Nacional de Alcohol con miras a ser mezclado con
las gasolinas Colombianas reviste un carácter de tipo urgente y merece la
debida atención dentro del marcado de la política energética nacional. La
escasez y alza continuada en los precios de los combustibles trae como
consecuencia el debilitamiento económico, social y político del sector energético
nacional. El programa de alcohol carburante permitirá reducir las importaciones
de petróleo y beneficiar la balanza de pagos, además de favorecer el desarrollo
económico tanto en el sector agrícola como industrial.
La implementación del programa de alcohol permitirá el aprovechamiento de las
tierras que actualmente se encuentran en recesión, debido a la inversión que es
necesaria hacer en la infraestructura industrial necesaria para la producción de
etanol.
227
La tecnología de punta utilizada en el programa le da un mejor uso a los
residuos como el bagazo y la vinaza, aprovechándolos para la generación de
energía eléctrica por cogeneración y la producción de abono y agua de riego
para los cultivos de caña.
228
ANEXO 05
NOMBRE PLANTAS PRODUCTOS
AREDA MARINE FUEL OIL C.I.
LTDA
1. Artefacto Naval Doña Ylba Diesel Marino
Gasolina corriente, extra, ACPM y
ACPM Ecológico.
CARBONES DEL CERREJON
LLC
1.Pto. Bolívar – Uribia - Guajira DIESEL
1.Jaidis - Maicao
2.Oriana - Maicao
GREEN OIL LTDA 1. Fontibón - Bogotá Gasolina corriente y ACPM Ecológico
1.Medellín
2.Bucaramanga
3.Neiva
4.Puente Aranda
5.Mancilla – Facatativá (ExxonMobil Texaco
- Terpel de la Sabana)
6.Mamonal–Cartagena (ExxonMobil – Terpel
Norte)
7.Galapa (ExxonMobil – Texaco)
8.Yumbo (ExxonMobil – Texaco)
9.Gualanday (ExxonMobil- Texaco)
10.Buenaventura(ExxonMobil Texaco)
11.Cartago (ExxonMobil – Texaco)
1.Palermo- municipio de Sitio Nuevo -
Magdalena
Gasolina corriente, extra y ACPM
2.Artefacto naval Atlantis 1 - Buenaventura Diesel Marino
3.Artefacto naval Sermar III – Barranquilla
Gasolina corriente, Extra, ACPM
ACPM Ecológico.
1.Mamonal – Cartagena
2.Puente Aranda – Bogotá
3.El Pedregal - Medellín
4.El Arenal - San Andrés Islas
5.Puerto Niño-Puerto Boyacá
1.Aguaclara - Casanare
2.Aguazul- Casanare
3.Arauca - Arauca
4.Ayacucho - Cesar
5.Chimitá – Bucaramanga
6.La Fortuna – Santander
7.Aeropuerto Camilo Daza – Cúcuta
8.Aeropuerto-Yariguies– Barrancabermeja
9.Baranoa - Atlántico
10.Aeropuerto Ernesto Cortizo–
Barranquilla
11.Aeropuerto Valledupar
12.Leticia
13.Puerto Carreño
14.San José del Guaviare
15. Yumbo
16.Florencia
17.Neiva
18.Gualanday
19.Puerto Olaya (Sebastopol) Santander
20.La Pintada - Antioquia
21.Medellín - Antioquia
22.Rionegro – Antioquia
23.Manizales
24.Pereira
25.Buga
26.Mariquita
Fuente: Ministerio de Minas y Energía. División de Hidrocarburos
1. Mansilla – Facatativá
1. Puente Aranda – BogotáSHELL COLOMBIA S.A.
PETROCOMERCIAL C.I. S.A.
Gasolina corriente y ACPM
TEXAS PETROLEUM CO. Gasolina Corriente, Extra, ACPM, Diesel Marino y JP
(Gasolina de Aviación), ACPM Ecológico
PETROLEOS DEL MILENIO C.I.
LTDA
1. Promin- Barranquilla Gasolina corriente, ACPM y Diesel Marino.
BRIO DE COLOMBIA S.A.
PLANTAS Y UBICACION DE LAS PLANTAS DE ALMACENAMIENTO
DE COMBUSTIBLES LIQUIDOS POR DISTRIBUIDOR MAYORISTA
CONSORCIO GUAJIRA
EXXONMOBIL DE COLOMBIA
S.A.
Gasolina corriente, extra, ACPM, ACPM Ecológico y JP
(gasolina de aviación) kerosene, IFO, Diesel Marino.
TERPEL gasolina corriente, extra, ACPM y kerosene, JP y Avigas,
229
ANEXO 06
TRANSPORTE DE LIQUIDOS
En la definición del precio de la prestación del servicio para el transporte de
líquidos, es importante tener en cuenta que este es un caso particular del
transporte de mercancías.
Las variables particulares son:
La capacidad del vehículo se mide en galones, litros, teniendo en cuenta la
capacidad volumétrica del tanque recipiente en la cual se efectúa la movilización.
La operación del vehículo traducida en el número de recorridos que
efectivamente puede realizar en una unidad de tiempo determinada.
De acuerdo a la estructura de costos de operación vehicular para transporte de
carga, es indispensable analizar inicialmente los indicadores de costo, de
acuerdo a la configuración del vehículo y realizar una aplicación de estos
teniendo en cuenta los parámetros propios de la movilización de estos líquidos y
en las condiciones establecidas por la práctica.
Las variables que se pueden tener en cuenta son:
Indicador de costo variable por Km de acuerdo a la configuración (ICV)
Indicador de costo fijo de acuerdo a la configuración (ICF)
Longitud de la ruta (Km) (LR)
Valor total de los peajes en cada ruta por recorrido (VP)
Número de viajes en el mes que efectúa normalmente un carrotanque para
prestar el servicio en cada ruta (NV)
230
SECUENCIA DE CÁLCULOS
Conservando integralmente la metodología de costos de operación, se debe
efectuar los siguientes cálculos, con el fin de obtener un valor de costo total por
unidad de carga ya sea para este caso galones, litros, etc.
CÁLCULO COSTO VARIABLE
Inicialmente se obtienen el costo variable para la ruta de acuerdo a la siguiente
formula:
CV. Ruta = (Long. Ruta *I.C.V.) + VP
CV / Ruta
CV/Galón = --------------------------------------------
Capacidad vehículo en galones
Posteriormente se calcula el costo fijo por ruta y unidad de carga.
Costo Fijo / mes (ICF)
CF Ruta = -------------------------------------------
Capacidad galones
Costo total por galones = (CV/Galón+Capacidad Galón)/ (1-0.133) * 1.05
El factor 1/(1-0.133) es parte integral de la metodología propuesta.
1.05 factor que corresponde al 5% de los costos de administración del vehículo.
231
EJEMPLO DE APLICACIÓN
Con el fin de que los usuarios de la metodología tengan una mayor ilustración,
se presenta en esta sección un caso hipotético de análisis el cual puede servir
como guía de aplicación teniendo en cuenta las variables propias de su caso
particular.
Se toma como caso de análisis la Ruta Bogotá – Medellín y se aplicara la
metodología para calcular la movilización de un liquido en carrotanque,
materiales en vehículos tipo volco y de carga liviana. En el análisis se parte de
principio que el transporte se realiza en un tractocamión es importante aclarar
que la metodología descrita es valida para las tres (3) configuraciones básicas
(C2, C3 y CS) que componen la estructura de costos.
En el siguiente cuadro se muestra los datos básicos que describen la ruta y que
están directamente relacionados con la estructura de costos.
Indicador de Costo Variable 1.644,43 $/Km.
Indicador de Costo Fijo 5’706.713,85 $/mes.
ITEM VARIABLE VALOR
RUTA
Longitud
Indicador Costo Variable
Indicador Costo Fijo
Valor de Peajes
No. De recorridos
BOGOTA-MEDELLIN
LR
ICV
ICF
VP
NR
409 Km
1.588 $/Km
5.263.254 $/mes
$/Ruta
8 Rec. /mes
Transporte de Líquidos
232
En este caso se analiza un tractocamión cuyo tanque tiene 11.000 galones de
capacidad.
Inicialmente se determina el valor del costo variable para la ruta Bogot-Medellín
CV Ruta = (Long. Ruta * ICV ) + VP
CV Ruta = (409 Km/ruta * 1.558 $/Km) + 104.200 $/Peaje Ruta
CV /Ruta
CV / Galón = -------------------------------------------
Capacidad vehículos en galones
CV/ Galón = 741.422 $/km / 11.000 galones
CV Galón = 67.40 $/galón
Ahora se determina el valor del costo fijo para la misma ruta
ICF 5.263.254 $/km
CF Ruta = ------------ = ---------------------------
NR 8 Rec/mes
CFR = 657.907 $/Rec
CFRuta 657.907 $/Rec
CF/ Galón = ----------- = ----------------------
Capacidad Galones 11.000 galones
CF/Galón = 59.81 $/galón
Costo Total/ = (CV/Galón+ CF/galón) / (1-0.133) * 1.05
233
Galón
Costo Total/ = (67.40 + 59.81) / (1-0.133) * 1.05
Galón
Costo total/ = 154.06 $/Galón
Galón
En este caso se puede afirmar que transportar un galón de sustancias liquidas
en un tractocamión con capacidad de 11.000 galones en la ruta Bogotá –
Medellín cuesta $154.06.
234
ANEXO 07 RESULTADOS SERIES DE TIEMPO CONSUMO GASOLINA (CORRIENTE +
EXTRA) PROMEDIO EN GALONES AL MES.
Forecasting - Bogotá
Analysis Summary
Data variable: Bogotá
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: ARIMA(1,0,0) with constant
Number of forecasts generated: 15
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 2.531E6
MAE 1.8927E6
MAPE 7.06841
ME -662240.0
MPE -2.61963
ARIMA Model Summary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) 0.958207 0.232862 4.11492 0.014673
Mean 1.5759E7 6.48921E7 0.242849 0.820067
Constant 658620.0
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 6.85958E12 with 4 degrees of freedom
Estimated white noise standard deviation = 2.61908E6
Number of iterations: 7
The StatAdvisor
---------------
This procedure will forecast future values of Bogotá. The data
cover 6 time periods. Currently, an autoregressive integrated moving
average (ARIMA) model has been selected. This model assumes that the
best forecast for future data is given by a parametric model relating
the most recent data value to previous data values and previous noise.
You can select a different forecasting model by pressing the alternate
mouse button and selecting Analysis Options.
The output summarizes the statistical significance of the terms in
the forecasting model. Terms with P-values less than 0.05 are
statistically significantly different from zero at the 95% confidence
level. The P-value for the AR(1) term is less than 0.05, so it is
significantly different from 0.0. The P-value for the constant term
is greater than or equal to 0.05, so it is not statistically
significant. You should therefore consider removing the constant term
from the model. The estimated standard deviation of the input white
noise equals 2.61908E6.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
235
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for BogotáARIMA(1,0,0) w ith constant
Bo
gotá
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-1
9
19
29
39
49(X 1.E6)
Forecast Table for Bogotá
Model: ARIMA(1,0,0) with constant
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 3.29364E7 3.15306E7 1.40581E6
2001.0 2.94694E7 3.22185E7 -2.74908E6
2002.0 2.64018E7 2.88964E7 -2.49463E6
2003.0 2.35359E7 2.5957E7 -2.4211E6
2004.0 2.51883E7 2.32109E7 1.97741E6
2005.0 2.51024E7 2.47942E7 308158.0
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2006.0 2.47119E7 1.74401E7 3.19836E7
2007.0 2.43377E7 1.42665E7 3.44089E7
2008.0 2.39792E7 1.18958E7 3.60625E7
2009.0 2.36356E7 9.96317E6 3.73081E7
2010.0 2.33064E7 8.32259E6 3.82903E7
2011.0 2.2991E7 6.89691E6 3.90851E7
2012.0 2.26887E7 5.63882E6 3.97387E7
2013.0 2.23991E7 4.51653E6 4.02817E7
2014.0 2.21216E7 3.50725E6 4.0736E7
2015.0 2.18557E7 2.59393E6 4.11174E7
2016.0 2.16009E7 1.7633E6 4.14385E7
2017.0 2.13567E7 1.00478E6 4.17087E7
2018.0 2.11228E7 309760.0 4.19358E7
2019.0 2.08986E7 -328934.0 4.21261E7
2020.0 2.06838E7 -917332.0 4.22849E7
------------------------------------------------------------------------------
236
The StatAdvisor
---------------
This table shows the forecasted values for Bogotá. During the
period where actual data is available, it also displays the predicted
values from the fitted model and the residuals (data-forecast). For
time periods beyond the end of the series, it shows 95.0% prediction
limits for the forecasts. These limits show where the true data value
at a selected future time is likely to be with 95.0% confidence,
assuming the fitted model is appropriate for the data. You can plot
the forecasts by selecting Forecast Plot from the list of graphical
options. You can change the confidence level while viewing the plot
if you press the alternate mouse button and select Pane Options. To
test whether the model fits the data adequately, select Model
Comparisons from the list of Tabular Options.
Forecast Plot for BogotáARIMA(1,0,0) w ith constant
2000 2004 2008 2012 2016 2020
-1
9
19
29
39
49(X 1.E6)
Bo
gotá
actual
forecast
95.0% lim its
Model Comparison
----------------
Data variable: Bogotá
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
(B) Linear trend = 3.16701E9 + -1.56799E6 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0545
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 2.24204E6 1.88003E6 7.2664 0.0 0.205567
(B) 2.09093E6 1.42457E6 5.44562 2.38419E-7 -0.378373
(C) 2.531E6 1.8927E6 7.06841 -662240.0 -2.61963
(D) 2.54497E6 1.85656E6 7.07746 -1.30575E6 -4.89078
(E) 3.76373E6 2.89941E6 10.4187 61361.0 -1.15152
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 2.24204E6 OK OK OK
(B) 2.09093E6 OK OK OK OK OK
237
(C) 2.531E6 OK OK OK OK OK
(D) 2.54497E6 OK OK OK OK OK
(E) 3.76373E6 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model C,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for BogotáARIMA(1,0,0) w ith constant
lag
Au
tocorr
ela
tio
ns
0 0.5 1 1.5 2 2.5 3
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Medellín
Analysis Summary
238
Data variable: Medellín
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: ARIMA(1,0,0) with constant
Number of forecasts generated: 15
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 369479.0
MAE 224887.0
MAPE 2.88946
ME -92031.7
MPE -1.26615
ARIMA Model Summary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) 0.862489 0.346735 2.48746 0.067667
Mean 7.50189E6 1.36981E6 5.47659 0.005411
Constant 1.03159E6
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 1.47799E11 with 4 degrees of freedom
Estimated white noise standard deviation = 384446.0
Number of iterations: 20
The StatAdvisor
---------------
This procedure will forecast future values of Medellín. The data
cover 6 time periods. Currently, an autoregressive integrated moving
average (ARIMA) model has been selected. This model assumes that the
best forecast for future data is given by a parametric model relating
the most recent data value to previous data values and previous noise.
You can select a different forecasting model by pressing the alternate
mouse button and selecting Analysis Options.
The output summarizes the statistical significance of the terms in
the forecasting model. Terms with P-values less than 0.05 are
statistically significantly different from zero at the 95% confidence
level. The P-value for the AR(1) term is greater than or equal to
0.05, so it is not statistically significant. You should therefore
consider reducing the order of the AR term to 0. The P-value for the
constant term is less than 0.05, so it is significantly different from
0.0. The estimated standard deviation of the input white noise equals
384446.0.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
239
Time Sequence Plot for MedellínARIMA(1,0,0) w ith constant
Med
ellín
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
53
63
73
83
93
103(X 100000)
Forecast Table for Medellín
Model: ARIMA(1,0,0) with constant
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 8.46366E6 8.21734E6 246322.0
2001.0 7.69274E6 8.33141E6 -638672.0
2002.0 7.70435E6 7.66649E6 37858.8
2003.0 7.7909E6 7.67651E6 114386.0
2004.0 7.51065E6 7.75116E6 -240505.0
2005.0 7.43787E6 7.50945E6 -71580.1
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2006.0 7.44667E6 6.37927E6 8.51407E6
2007.0 7.45426E6 6.0447E6 8.86383E6
2008.0 7.46081E6 5.84299E6 9.07863E6
2009.0 7.46646E6 5.70966E6 9.22326E6
2010.0 7.47133E6 5.61789E6 9.32477E6
2011.0 7.47553E6 5.55336E6 9.39771E6
2012.0 7.47916E6 5.5074E6 9.45091E6
2013.0 7.48228E6 5.47444E6 9.49013E6
2014.0 7.48498E6 5.4507E6 9.51925E6
2015.0 7.4873E6 5.43359E6 9.54102E6
2016.0 7.48931E6 5.42125E6 9.55737E6
2017.0 7.49104E6 5.41237E6 9.5697E6
2018.0 7.49253E6 5.40601E6 9.57905E6
2019.0 7.49382E6 5.40148E6 9.58616E6
2020.0 7.49493E6 5.39826E6 9.59159E6
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Medellín. During the
period where actual data is available, it also displays the predicted
values from the fitted model and the residuals (data-forecast). For
time periods beyond the end of the series, it shows 95.0% prediction
limits for the forecasts. These limits show where the true data value
at a selected future time is likely to be with 95.0% confidence,
assuming the fitted model is appropriate for the data. You can plot
the forecasts by selecting Forecast Plot from the list of graphical
options. You can change the confidence level while viewing the plot
240
if you press the alternate mouse button and select Pane Options. To
test whether the model fits the data adequately, select Model
Comparisons from the list of Tabular Options.
Forecast Plot for MedellínARIMA(1,0,0) w ith constant
Med
ellín
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
53
63
73
83
93
103(X 100000)
Model Comparison
----------------
Data variable: Medellín
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
(B) Linear trend = 3.27521E8 + -159677.0 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0668
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 344723.0 256342.0 3.33837 -3.72529E-10 -0.00334455
(B) 236220.0 157394.0 1.99003 9.93411E-9 -0.0567839
(C) 369479.0 224887.0 2.88946 -92031.7 -1.26615
(D) 370347.0 203690.0 2.66553 -170969.0 -2.24502
(E) 407390.0 264751.0 3.32516 -220.584 -0.198039
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 344723.0 OK OK OK
(B) 236220.0 OK OK OK OK OK
(C) 369479.0 OK OK OK OK OK
(D) 370347.0 OK OK OK OK OK
(E) 407390.0 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
241
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model C,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for MedellínARIMA(1,0,0) w ith constant
lag
Au
tocorr
ela
tio
ns
0 0.5 1 1.5 2 2.5 3
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Cali
Analysis Summary
Data variable: Cali
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: ARIMA(1,0,0) with constant
Number of forecasts generated: 15
242
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 531711.0
MAE 397496.0
MAPE 5.52918
ME -207415.0
MPE -3.23783
ARIMA Model Summary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) 0.994847 0.219416 4.53406 0.010545
Mean -2.89679E7 1.58747E9 -0.0182478 0.986315
Constant -149276.0
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 3.19694E11 with 4 degrees of freedom
Estimated white noise standard deviation = 565415.0
Number of iterations: 10
The StatAdvisor
---------------
This procedure will forecast future values of Cali. The data cover
6 time periods. Currently, an autoregressive integrated moving
average (ARIMA) model has been selected. This model assumes that the
best forecast for future data is given by a parametric model relating
the most recent data value to previous data values and previous noise.
You can select a different forecasting model by pressing the alternate
mouse button and selecting Analysis Options.
The output summarizes the statistical significance of the terms in
the forecasting model. Terms with P-values less than 0.05 are
statistically significantly different from zero at the 95% confidence
level. The P-value for the AR(1) term is less than 0.05, so it is
significantly different from 0.0. The P-value for the constant term
is greater than or equal to 0.05, so it is not statistically
significant. You should therefore consider removing the constant term
from the model. The estimated standard deviation of the input white
noise equals 565415.0.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
243
Time Sequence Plot for CaliARIMA(1,0,0) w ith constant
Cali
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-3
0
3
6
9
12(X 1.E6)
Forecast Table for Cali
Model: ARIMA(1,0,0) with constant
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 8.5841E6 8.19807E6 386025.0
2001.0 7.75479E6 8.39059E6 -635799.0
2002.0 7.74977E6 7.56555E6 184217.0
2003.0 7.32063E6 7.56056E6 -239930.0
2004.0 6.51372E6 7.13363E6 -619911.0
2005.0 6.01178E6 6.33087E6 -319092.0
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2006.0 5.83153E6 4.26168E6 7.40137E6
2007.0 5.6522E6 3.43781E6 7.86659E6
2008.0 5.4738E6 2.7687E6 8.17889E6
2009.0 5.29631E6 2.18075E6 8.41188E6
2010.0 5.11974E6 1.64535E6 8.59413E6
2011.0 4.94409E6 1.14781E6 8.74036E6
2012.0 4.76933E6 679344.0 8.85932E6
2013.0 4.59548E6 234232.0 8.95673E6
2014.0 4.42252E6 -191519.0 9.03656E6
2015.0 4.25046E6 -600827.0 9.10174E6
2016.0 4.07928E6 -995903.0 9.15446E6
2017.0 3.90898E6 -1.37847E6 9.19643E6
2018.0 3.73956E6 -1.7499E6 9.22902E6
2019.0 3.57101E6 -2.11131E6 9.25333E6
2020.0 3.40334E6 -2.46363E6 9.2703E6
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Cali. During the period
where actual data is available, it also displays the predicted values
from the fitted model and the residuals (data-forecast). For time
periods beyond the end of the series, it shows 95.0% prediction limits
for the forecasts. These limits show where the true data value at a
selected future time is likely to be with 95.0% confidence, assuming
the fitted model is appropriate for the data. You can plot the
forecasts by selecting Forecast Plot from the list of graphical
options. You can change the confidence level while viewing the plot
244
if you press the alternate mouse button and select Pane Options. To
test whether the model fits the data adequately, select Model
Comparisons from the list of Tabular Options.
Forecast Plot for CaliARIMA(1,0,0) w ith constant
Cali
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-3
0
3
6
9
12(X 1.E6)
Model Comparison
----------------
Data variable: Cali
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
(B) Linear trend = 9.80764E8 + -486113.0 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0798
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 336014.0 242918.0 3.29946 -3.72529E-10 -0.120436
(B) 222392.0 157274.0 2.1415 5.96046E-8 -0.0706544
(C) 531711.0 397496.0 5.52918 -207415.0 -3.23783
(D) 595842.0 428768.0 6.22702 -428740.0 -6.2267
(E) 1.07919E6 825920.0 11.7061 -92567.8 -2.87697
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 336014.0 OK OK OK
(B) 222392.0 OK OK OK OK OK
(C) 531711.0 OK OK OK OK OK
(D) 595842.0 OK OK OK OK OK
(E) 1.07919E6 * OK OK * OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
245
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model C,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for CaliARIMA(1,0,0) w ith constant
lag
Au
tocorr
ela
tio
ns
0 0.5 1 1.5 2 2.5 3
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Barranquilla
Analysis Summary
Data variable: Barranquilla
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: ARIMA(1,0,0) with constant
Number of forecasts generated: 15
246
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 307669.0
MAE 232063.0
MAPE 9.9351
ME -127894.0
MPE -6.06023
ARIMA Model Summary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) 0.993333 0.171304 5.79865 0.004398
Mean -1.42741E7 4.45064E8 -0.0320719 0.975951
Constant -95162.2
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 1.08183E11 with 4 degrees of freedom
Estimated white noise standard deviation = 328911.0
Number of iterations: 7
The StatAdvisor
---------------
This procedure will forecast future values of Barranquilla. The
data cover 6 time periods. Currently, an autoregressive integrated
moving average (ARIMA) model has been selected. This model assumes
that the best forecast for future data is given by a parametric model
relating the most recent data value to previous data values and
previous noise. You can select a different forecasting model by
pressing the alternate mouse button and selecting Analysis Options.
The output summarizes the statistical significance of the terms in
the forecasting model. Terms with P-values less than 0.05 are
statistically significantly different from zero at the 95% confidence
level. The P-value for the AR(1) term is less than 0.05, so it is
significantly different from 0.0. The P-value for the constant term
is greater than or equal to 0.05, so it is not statistically
significant. You should therefore consider removing the constant term
from the model. The estimated standard deviation of the input white
noise equals 328911.0.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
247
Time Sequence Plot for BarranquillaARIMA(1,0,0) w ith constant
Ba
rran
quilla
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-32
-12
8
28
48(X 100000)
Forecast Table for Barranquilla
Model: ARIMA(1,0,0) with constant
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 3.29877E6 3.06524E6 233528.0
2001.0 3.00061E6 3.18161E6 -181005.0
2002.0 2.53693E6 2.88544E6 -348509.0
2003.0 2.07158E6 2.42486E6 -353278.0
2004.0 1.76553E6 1.96261E6 -197081.0
2005.0 1.73757E6 1.65859E6 78978.6
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2006.0 1.63082E6 717617.0 2.54403E6
2007.0 1.52479E6 237618.0 2.81196E6
2008.0 1.41946E6 -151761.0 2.99069E6
2009.0 1.31484E6 -493445.0 3.12312E6
2010.0 1.21091E6 -804129.0 3.22595E6
2011.0 1.10767E6 -1.09241E6 3.30776E6
2012.0 1.00513E6 -1.36341E6 3.37367E6
2013.0 903264.0 -1.6205E6 3.42703E6
2014.0 802080.0 -1.86601E6 3.47017E6
2015.0 701570.0 -2.10165E6 3.50479E6
2016.0 601731.0 -2.32872E6 3.53218E6
2017.0 502557.0 -2.54824E6 3.55336E6
2018.0 404044.0 -2.76102E6 3.56911E6
2019.0 306188.0 -2.96772E6 3.5801E6
2020.0 208985.0 -3.16888E6 3.58685E6
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Barranquilla. During
the period where actual data is available, it also displays the
predicted values from the fitted model and the residuals
(data-forecast). For time periods beyond the end of the series, it
shows 95.0% prediction limits for the forecasts. These limits show
where the true data value at a selected future time is likely to be
with 95.0% confidence, assuming the fitted model is appropriate for
the data. You can plot the forecasts by selecting Forecast Plot from
the list of graphical options. You can change the confidence level
248
while viewing the plot if you press the alternate mouse button and
select Pane Options. To test whether the model fits the data
adequately, select Model Comparisons from the list of Tabular Options.
Forecast Plot for BarranquillaARIMA(1,0,0) w ith constant
Ba
rran
quilla
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-32
-12
8
28
48(X 100000)
Model Comparison
----------------
Data variable: Barranquilla
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
(B) Linear trend = 6.87633E8 + -342188.0 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0754
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 178488.0 121820.0 6.10822 9.31323E-11 0.764039
(B) 147777.0 106058.0 5.19675 1.98682E-8 -0.15982
(C) 307669.0 232063.0 9.9351 -127894.0 -6.06023
(D) 350713.0 260230.0 11.605 -260220.0 -11.6047
(E) 735318.0 596782.0 26.4976 -71037.0 -10.0051
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 178488.0 OK OK OK
(B) 147777.0 OK OK OK OK OK
(C) 307669.0 OK OK OK OK OK
(D) 350713.0 OK OK OK OK OK
(E) 735318.0 OK OK OK * OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
249
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model C,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for BarranquillaARIMA(1,0,0) w ith constant
lag
Au
tocorr
ela
tio
ns
0 0.5 1 1.5 2 2.5 3
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Bucaramanga
Analysis Summary
Data variable: Bucaramanga
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: ARIMA(1,0,0) with constant
Number of forecasts generated: 15
250
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 308556.0
MAE 228970.0
MAPE 12.7048
ME -75800.0
MPE -4.98112
ARIMA Model Summary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) 0.870344 0.256956 3.38713 0.027603
Mean 1.6532E6 1.08525E6 1.52334 0.202344
Constant 214348.0
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 1.02799E11 with 4 degrees of freedom
Estimated white noise standard deviation = 320622.0
Number of iterations: 7
The StatAdvisor
---------------
This procedure will forecast future values of Bucaramanga. The
data cover 6 time periods. Currently, an autoregressive integrated
moving average (ARIMA) model has been selected. This model assumes
that the best forecast for future data is given by a parametric model
relating the most recent data value to previous data values and
previous noise. You can select a different forecasting model by
pressing the alternate mouse button and selecting Analysis Options.
The output summarizes the statistical significance of the terms in
the forecasting model. Terms with P-values less than 0.05 are
statistically significantly different from zero at the 95% confidence
level. The P-value for the AR(1) term is less than 0.05, so it is
significantly different from 0.0. The P-value for the constant term
is greater than or equal to 0.05, so it is not statistically
significant. You should therefore consider removing the constant term
from the model. The estimated standard deviation of the input white
noise equals 320622.0.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
251
Time Sequence Plot for BucaramangaARIMA(1,0,0) w ith constant
Bu
cara
ma
nga actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-2
8
18
28
38(X 100000)
Forecast Table for Bucaramanga
Model: ARIMA(1,0,0) with constant
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 2.47885E6 2.27863E6 200220.0
2001.0 1.94069E6 2.3718E6 -431109.0
2002.0 1.66701E6 1.90341E6 -236407.0
2003.0 1.56743E6 1.66522E6 -97784.5
2004.0 1.42954E6 1.57855E6 -149009.0
2005.0 1.71783E6 1.45854E6 259290.0
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2006.0 1.70945E6 819259.0 2.59965E6
2007.0 1.70216E6 522025.0 2.88229E6
2008.0 1.69581E6 336612.0 3.05501E6
2009.0 1.69029E6 209793.0 3.17078E6
2010.0 1.68548E6 119345.0 3.25161E6
2011.0 1.68129E6 53284.3 3.3093E6
2012.0 1.67765E6 4293.52 3.35101E6
2013.0 1.67448E6 -32426.1 3.38139E6
2014.0 1.67172E6 -60166.3 3.40361E6
2015.0 1.66932E6 -81253.5 3.4199E6
2016.0 1.66723E6 -97366.2 3.43183E6
2017.0 1.66541E6 -109734.0 3.44056E6
2018.0 1.66383E6 -119266.0 3.44693E6
2019.0 1.66245E6 -126641.0 3.45155E6
2020.0 1.66125E6 -132371.0 3.45488E6
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Bucaramanga. During the
period where actual data is available, it also displays the predicted
values from the fitted model and the residuals (data-forecast). For
time periods beyond the end of the series, it shows 95.0% prediction
limits for the forecasts. These limits show where the true data value
at a selected future time is likely to be with 95.0% confidence,
assuming the fitted model is appropriate for the data. You can plot
the forecasts by selecting Forecast Plot from the list of graphical
options. You can change the confidence level while viewing the plot
252
if you press the alternate mouse button and select Pane Options. To
test whether the model fits the data adequately, select Model
Comparisons from the list of Tabular Options.
Forecast Plot for BucaramangaARIMA(1,0,0) w ith constant
Bu
cara
ma
nga actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-2
8
18
28
38(X 100000)
Model Comparison
----------------
Data variable: Bucaramanga
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
(B) Linear trend = 3.12935E8 + -155373.0 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0062
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 300303.0 202974.0 11.4352 9.31323E-11 0.565284
(B) 261688.0 198743.0 11.078 -3.97364E-8 -1.23724
(C) 308556.0 228970.0 12.7048 -75800.0 -4.98112
(D) 308734.0 222954.0 12.8226 -126844.0 -7.22805
(E) 384158.0 252402.0 12.9853 68228.6 0.721903
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 300303.0 OK OK OK
(B) 261688.0 OK OK OK OK OK
(C) 308556.0 OK OK OK OK OK
(D) 308734.0 OK OK OK OK OK
(E) 384158.0 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
253
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model C,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for BucaramangaARIMA(1,0,0) w ith constant
lag
Au
tocorr
ela
tio
ns
0 0.5 1 1.5 2 2.5 3
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Cartagena
Analysis Summary
Data variable: Cartagena
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: Random walk with drift
Number of forecasts generated: 15
254
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 376980.0
MAE 292513.0
MAPE 13.2725
ME 1.39698E-10
MPE -1.10409
The StatAdvisor
---------------
This procedure will forecast future values of Cartagena. The data
cover 6 time periods. Currently, a random walk model has been
selected. This model assumes that the best forecast for future data
is given by the last available data value. You can select a different
forecasting model by pressing the alternate mouse button and selecting
Analysis Options.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for CartagenaRandom walk with drift
Cart
ag
ena
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-4
6
16
26
36
46
56(X 100000)
Forecast Table for Cartagena
Model: Random walk with drift
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 2.53777E6
2001.0 2.63333E6 2.52122E6 112109.0
2002.0 2.12864E6 2.61679E6 -488150.0
255
2003.0 1.86897E6 2.1121E6 -243133.0
2004.0 2.34476E6 1.85242E6 492337.0
2005.0 2.45506E6 2.32822E6 126836.0
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
2006.0 2.43851E6 1.77765E6 3.09938E6
2007.0 2.42197E6 1.48737E6 3.35657E6
2008.0 2.40543E6 1.26078E6 3.55008E6
2009.0 2.38889E6 1.06716E6 3.71062E6
2010.0 2.37235E6 894608.0 3.85008E6
2011.0 2.3558E6 737023.0 3.97458E6
2012.0 2.33926E6 590778.0 4.08774E6
2013.0 2.32272E6 453512.0 4.19192E6
2014.0 2.30618E6 323584.0 4.28877E6
2015.0 2.28963E6 199798.0 4.37947E6
2016.0 2.27309E6 81253.4 4.46493E6
2017.0 2.25655E6 -32751.0 4.54585E6
2018.0 2.24001E6 -142772.0 4.62279E6
2019.0 2.22347E6 -249262.0 4.69619E6
2020.0 2.20692E6 -352593.0 4.76644E6
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Cartagena. During the
period where actual data is available, it also displays the predicted
values from the fitted model and the residuals (data-forecast). For
time periods beyond the end of the series, it shows 95.0% prediction
limits for the forecasts. These limits show where the true data value
at a selected future time is likely to be with 95.0% confidence,
assuming the fitted model is appropriate for the data. You can plot
the forecasts by selecting Forecast Plot from the list of graphical
options. You can change the confidence level while viewing the plot
if you press the alternate mouse button and select Pane Options. To
test whether the model fits the data adequately, select Model
Comparisons from the list of Tabular Options.
Forecast Plot for CartagenaRandom walk with drift
Cart
ag
ena
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-4
6
16
26
36
46
56(X 100000)
Model Comparison
----------------
256
Data variable: Cartagena
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
(B) Linear trend = 9.03778E7 + -43969.9 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0428
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 376980.0 292513.0 13.2725 1.39698E-10 -1.10409
(B) 304252.0 219522.0 9.9971 -2.48353E-9 -1.26678
(C) 307131.0 227410.0 10.3526 -10148.1 -1.71673
(D) 337587.0 241016.0 11.0034 -13790.0 -1.53199
(E) 302128.0 217840.0 10.2061 -67027.1 -4.32399
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 376980.0 OK OK OK
(B) 304252.0 OK OK OK OK OK
(C) 307131.0 OK OK OK OK OK
(D) 337587.0 OK OK OK OK OK
(E) 302128.0 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model E. The model with the smallest
mean absolute error (MAE) is model E. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model A,
passes 3 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
257
Residual Autocorrelations for CartagenaRandom walk with drift
lag
Au
tocorr
ela
tio
ns
0 0.4 0.8 1.2 1.6 2
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Pereira
Analysis Summary
Data variable: Pereira
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: ARIMA(1,0,0) with constant
Number of forecasts generated: 15
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 200950.0
MAE 145687.0
MAPE 7.37675
ME 11409.2
MPE 0.0778573
ARIMA Model Summary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) -0.851876 0.264638 -3.21902 0.032310
Mean 2.04145E6 49872.4 40.9334 0.000002
Constant 3.78051E6
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 4.19942E10 with 4 degrees of freedom
Estimated white noise standard deviation = 204925.0
Number of iterations: 8
The StatAdvisor
---------------
This procedure will forecast future values of Pereira. The data
cover 6 time periods. Currently, an autoregressive integrated moving
average (ARIMA) model has been selected. This model assumes that the
best forecast for future data is given by a parametric model relating
258
the most recent data value to previous data values and previous noise.
You can select a different forecasting model by pressing the alternate
mouse button and selecting Analysis Options.
The output summarizes the statistical significance of the terms in
the forecasting model. Terms with P-values less than 0.05 are
statistically significantly different from zero at the 95% confidence
level. The P-value for the AR(1) term is less than 0.05, so it is
significantly different from 0.0. The P-value for the constant term
is less than 0.05, so it is significantly different from 0.0. The
estimated standard deviation of the input white noise equals 204925.0.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for PereiraARIMA(1,0,0) w ith constant
Pe
reira
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
9
13
17
21
25
29
33(X 100000)
Forecast Table for Pereira
Model: ARIMA(1,0,0) with constant
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 2.38522E6 2.29092E6 94299.7
2001.0 2.01738E6 1.74859E6 268781.0
2002.0 1.94292E6 2.06195E6 -119034.0
2003.0 2.06786E6 2.12538E6 -57525.1
2004.0 2.12716E6 2.01895E6 108209.0
2005.0 1.74216E6 1.96843E6 -226275.0
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
Period Forecast Limit Limit
------------------------------------------------------------------------------
259
2006.0 2.29641E6 1.72744E6 2.86537E6
2007.0 1.82425E6 1.07683E6 2.57168E6
2008.0 2.22647E6 1.37258E6 3.08036E6
2009.0 1.88383E6 960337.0 2.80732E6
2010.0 2.17572E6 1.20483E6 3.1466E6
2011.0 1.92707E6 923186.0 2.93095E6
2012.0 2.13888E6 1.11173E6 3.16604E6
2013.0 1.95844E6 914714.0 3.00217E6
2014.0 2.11216E6 1.05657E6 3.16774E6
2015.0 1.98121E6 917098.0 3.04532E6
2016.0 2.09276E6 1.0225E6 3.16302E6
2017.0 1.99773E6 923041.0 3.07243E6
2018.0 2.07868E6 1.00078E6 3.15658E6
2019.0 2.00972E6 929501.0 3.08995E6
2020.0 2.06847E6 986565.0 3.15037E6
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Pereira. During the
period where actual data is available, it also displays the predicted
values from the fitted model and the residuals (data-forecast). For
time periods beyond the end of the series, it shows 95.0% prediction
limits for the forecasts. These limits show where the true data value
at a selected future time is likely to be with 95.0% confidence,
assuming the fitted model is appropriate for the data. You can plot
the forecasts by selecting Forecast Plot from the list of graphical
options. You can change the confidence level while viewing the plot
if you press the alternate mouse button and select Pane Options. To
test whether the model fits the data adequately, select Model
Comparisons from the list of Tabular Options.
Forecast Plot for PereiraARIMA(1,0,0) w ith constant
Pe
reira
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
9
13
17
21
25
29
33(X 100000)
Model Comparison
----------------
Data variable: Pereira
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
260
(B) Linear trend = 1.60018E8 + -78886.8 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0815
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 237435.0 198249.0 10.0917 0.0 -0.538485
(B) 171018.0 133150.0 6.51001 -1.49012E-8 -0.46232
(C) 200950.0 145687.0 7.37675 11409.2 0.0778573
(D) 248277.0 168603.0 8.83307 -107176.0 -5.88922
(E) 245332.0 163482.0 8.05506 -5901.36 -1.32183
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 237435.0 OK OK OK
(B) 171018.0 OK OK OK OK OK
(C) 200950.0 OK OK OK OK OK
(D) 248277.0 OK OK OK OK OK
(E) 245332.0 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model B. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model C,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
261
Residual Autocorrelations for PereiraARIMA(1,0,0) w ith constant
lag
Au
tocorr
ela
tio
ns
0 0.5 1 1.5 2 2.5 3
-1
-0.6
-0.2
0.2
0.6
1
Forecasting - Cúcuta
Analysis Summary
Data variable: Cúcuta
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Forecast Summary
----------------
Forecast model selected: ARIMA(1,0,0) with constant
Number of forecasts generated: 15
Number of periods withheld for validation: 0
Estimation Validation
Statistic Period Period
--------------------------------------------
RMSE 299025.0
MAE 201164.0
MAPE 134.934
ME 36053.3
MPE -97.3942
ARIMA Model Summary
Parameter Estimate Stnd. Error t P-value
----------------------------------------------------------------------------
AR(1) 0.617542 0.38328 1.6112 0.182427
Mean 386476.0 268891.0 1.43729 0.224003
Constant 147811.0
----------------------------------------------------------------------------
Backforecasting: yes
Estimated white noise variance = 9.25134E10 with 4 degrees of freedom
Estimated white noise standard deviation = 304160.0
Number of iterations: 4
The StatAdvisor
---------------
This procedure will forecast future values of Cúcuta. The data
cover 6 time periods. Currently, an autoregressive integrated moving
average (ARIMA) model has been selected. This model assumes that the
best forecast for future data is given by a parametric model relating
262
the most recent data value to previous data values and previous noise.
You can select a different forecasting model by pressing the alternate
mouse button and selecting Analysis Options.
The output summarizes the statistical significance of the terms in
the forecasting model. Terms with P-values less than 0.05 are
statistically significantly different from zero at the 95% confidence
level. The P-value for the AR(1) term is greater than or equal to
0.05, so it is not statistically significant. You should therefore
consider reducing the order of the AR term to 0. The P-value for the
constant term is greater than or equal to 0.05, so it is not
statistically significant. You should therefore consider removing the
constant term from the model. The estimated standard deviation of the
input white noise equals 304160.0.
The table also summarizes the performance of the currently selected
model in fitting the historical data. It displays:
(1) the root mean squared error (RMSE)
(2) the mean absolute error (MAE)
(3) the mean absolute percentage error (MAPE)
(4) the mean error (ME)
(5) the mean percentage error (MPE)
Each of the statistics is based on the one-ahead forecast errors,
which are the differences between the data value at time t and the
forecast of that value made at time t-1. The first three statistics
measure the magnitude of the errors. A better model will give a
smaller value. The last two statistics measure bias. A better model
will give a value close to 0.0.
Time Sequence Plot for CúcutaARIMA(1,0,0) w ith constant
Cúcuta
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-7
-3
1
5
9
13
17(X 100000)
Forecast Table for Cúcuta
Model: ARIMA(1,0,0) with constant
Period Data Forecast Residual
------------------------------------------------------------------------------
2000.0 95129.0 275368.0 -180239.0
2001.0 35921.0 206557.0 -170636.0
2002.0 413715.0 169993.0 243722.0
2003.0 871227.0 403297.0 467930.0
2004.0 673890.0 685830.0 -11939.9
2005.0 431449.0 563966.0 -132517.0
------------------------------------------------------------------------------
Lower 95.0% Upper 95.0%
263
Period Forecast Limit Limit
------------------------------------------------------------------------------
2006.0 414249.0 -430238.0 1.25874E6
2007.0 403627.0 -588909.0 1.39616E6
2008.0 397067.0 -646410.0 1.44054E6
2009.0 393016.0 -669244.0 1.45528E6
2010.0 390515.0 -678822.0 1.45985E6
2011.0 388970.0 -683053.0 1.46099E6
2012.0 388016.0 -685030.0 1.46106E6
2013.0 387427.0 -686009.0 1.46086E6
2014.0 387063.0 -686521.0 1.46065E6
2015.0 386838.0 -686802.0 1.46048E6
2016.0 386700.0 -686963.0 1.46036E6
2017.0 386614.0 -687057.0 1.46028E6
2018.0 386561.0 -687113.0 1.46023E6
2019.0 386528.0 -687146.0 1.4602E6
2020.0 386508.0 -687167.0 1.46018E6
------------------------------------------------------------------------------
The StatAdvisor
---------------
This table shows the forecasted values for Cúcuta. During the
period where actual data is available, it also displays the predicted
values from the fitted model and the residuals (data-forecast). For
time periods beyond the end of the series, it shows 95.0% prediction
limits for the forecasts. These limits show where the true data value
at a selected future time is likely to be with 95.0% confidence,
assuming the fitted model is appropriate for the data. You can plot
the forecasts by selecting Forecast Plot from the list of graphical
options. You can change the confidence level while viewing the plot
if you press the alternate mouse button and select Pane Options. To
test whether the model fits the data adequately, select Model
Comparisons from the list of Tabular Options.
Forecast Plot for CúcutaARIMA(1,0,0) w ith constant
Cúcuta
actual
forecast
95.0% lim its
2000 2004 2008 2012 2016 2020
-7
-3
1
5
9
13
17(X 100000)
Model Comparison
----------------
Data variable: Cúcuta
Number of observations = 6
Start index = 2000.0
Sampling interval = 1.0
Models
------
(A) Random walk with drift
264
(B) Linear trend = -2.3147E8 + 115801.0 t
(C) ARIMA(1,0,0) with constant
(D) Simple exponential smoothing with alpha = 0.9999
(E) Brown's linear exp. smoothing with alpha = 0.0001
Estimation Period
Model RMSE MAE MAPE ME MPE
------------------------------------------------------------------------
(A) 328119.0 280311.0 116.597 0.0 -68.6558
(B) 267686.0 174822.0 126.268 4.96705E-9 -103.131
(C) 299025.0 201164.0 134.934 36053.3 -97.3942
(D) 301095.0 222384.0 65.6903 56064.0 -17.7436
(E) 323157.0 238635.0 257.524 -11140.5 -228.694
Model RMSE RUNS RUNM AUTO MEAN VAR
-----------------------------------------------
(A) 328119.0 OK OK OK
(B) 267686.0 OK OK OK OK OK
(C) 299025.0 OK OK OK OK OK
(D) 301095.0 OK OK OK OK OK
(E) 323157.0 OK OK OK OK OK
Key:
RMSE = Root Mean Squared Error
RUNS = Test for excessive runs up and down
RUNM = Test for excessive runs above and below median
AUTO = Box-Pierce test for excessive autocorrelation
MEAN = Test for difference in mean 1st half to 2nd half
VAR = Test for difference in variance 1st half to 2nd half
OK = not significant (p >= 0.05)
* = marginally significant (0.01 < p <= 0.05)
** = significant (0.001 < p <= 0.01)
*** = highly significant (p <= 0.001)
The StatAdvisor
---------------
This table compares the results of five different forecasting
models. You can change any of the models by pressing the alternate
mouse button and selecting Analysis Options. Looking at the error
statistics, the model with the smallest root mean squared error (RMSE)
during the estimation period is model B. The model with the smallest
mean absolute error (MAE) is model B. The model with the smallest
mean absolute percentage error (MAPE) is model D. You can use these
results to select the most appropriate model for your needs.
The table also summarizes the results of five tests run on the
residuals to determine whether each model is adequate for the data.
An OK means that the model passes the test. One * means that it fails
at the 95% confidence level. Two *'s means that it fails at the 99%
confidence level. Three *'s means that it fails at the 99.9%
confidence level. Note that the currently selected model, model C,
passes 5 tests. Since no tests are statistically significant at the
95% or higher confidence level, the current model is probably adequate
for the data.
Residual Autocorrelations for CúcutaARIMA(1,0,0) w ith constant
lag
Au
tocorr
ela
tio
ns
0 0.5 1 1.5 2 2.5 3
-1
-0.6
-0.2
0.2
0.6
1
265
ANEXO 08 CÓDIGO DE PROGRAMACIÓN DE LA APLICACIÓN EN VISUAL BASIC PARA APLICACIONES
****************** declaración de variables**************************** Dim info_flag As Integer Dim row_yuca As Integer Dim row_cana As Integer Dim trans As Integer Dim intra2 As Long Dim cw As Integer Dim inver As Integer Dim cf As Integer Dim graf_count As Variant Dim i As Integer Dim j As Integer Dim capacity_count As Long Dim resul_flag As Integer '************************** Subs ************************************************** Public Sub ppal() MP_main.Value = 0 End Sub Public Sub menu() MP_main.Value = 1 End Sub Public Sub graf() MP_main.Value = 2 End Sub Public Sub Data() MP_main.Value = 3 End Sub Public Sub resul() MP_main.Value = 4 End Sub Public Sub info() MP_main.Value = 5 End Sub Public Sub para() MP_main.Value = 6 End Sub Public Sub salir() End End Sub Private Sub Cmd_menu_Min_Click() lbl_menu_costo.Visible = True TB_menu_resul.Visible = True Hoja9.Visible = xlSheetVisible Hoja9.Activate SolverOk SetCell:="$e$4", MaxMinVal:=2, ValueOf:=0, ByChange:="$C$22:$E$37,$H$22:$J$37,$M$22:$Q$37,$T$22:$X$37,$AA$22:$AE$37,$AH$22:$AL$37,$AO$22:$AS$37,$AV$22:$AZ$37,$BC$22:$BG$37,$C$824:$DJ$895,$C$899:$AH$1006,$C$1011:$EP$1118,$C$1123:$DZ$1230", _ Engine:=9, EngineDesc:="Large-Scale LP Solver" SolverSolve Hoja9.Visible = xlSheetHidden Intro.Activate TB_menu_resul.Value = Format(Hoja9.Cells(4, 5), "$ ###,###,###,###,##0.00") End Sub '************************** UserFom ******************************************************** 'Inicio de Form' Public Sub Userform_Initialize() Cmd_edit_dem.Visible = False Cmd_edit_trans.Visible = False cmd_info_edit_capa.Visible = False Cmd_info_edit_inv.Visible = False Cmd_info_edit_cf.Visible = False Combobox_MP4.Visible = False lbl_grad_error.Visible = False lbl_menu_costo.Visible = False
266
TB_menu_resul.Visible = False ComboBox_MP.Width = 190 MSFlexGrid1.ColWidth(0) = 960 If Intro.Cells(5, 5).Text = 0 Then ppal End If If Intro.Cells(5, 5).Text = 5 Then Data Cmd_data_MP_exe info_flag = 1 End If If Intro.Cells(5, 5).Text = 11 Then Data Cmd_Data_MP_Cap_Click End If If Intro.Cells(5, 5).Text = 20 Then Data Cmd_data_dem_Click End If If Intro.Cells(5, 5).Text = 35 Then Data Cmd_data_transporte_Click End If If Intro.Cells(5, 5).Text = 40 Then Data Cmd_data_prod_cap_Click End If If Intro.Cells(5, 5).Text = 50 Then Data Cmd_data_opera_Click End If End Sub '************************** MultiPage ***************************************************** Private Sub MP_main_Change() End Sub '************************** Page Intro *************************************************** 'Botón ppal' Public Sub Cmd_ppal_Click() capacity_count = Hoja7.Cells(41, 11) graf_reload menu End Sub Private Sub Cmd_ppal_salir_Click() salir End Sub '************************** Page Menu ****************************************************** 'Botón ppal en menu' Private Sub Cmd_menu_ppal_Click() ppal End Sub 'Botón modo grafico en menu' Private Sub Cmd_menu_graf_Click() graf_reload lbl_menu_costo.Visible = False TB_menu_resul.Visible = False graf End Sub 'Botón modo data en menu' Private Sub Cmd_menu_data_Click() lbl_menu_costo.Visible = False TB_menu_resul.Visible = False resul_flag = 0 Data End Sub
267
'Botón resultados en menu' Private Sub Cmd_menu_res_Click() resul results End Sub '************************** Page Gráfico ************************************************************ 'Botón ppal en gráfico' Private Sub Cmd_graf_ppl_Click() ppal End Sub 'Botón Menu en Gráfico' Private Sub Cmd_graf_menu_Click() menu End Sub 'Prueba de Checkbox Button' Public Sub Cmd_graf_aplicar_Click() lbl_grad_error.Visible = False Cmd_graf_menu.Visible = True ycap = 2377000 ccap = 2774000 c1 = 0 c2 = 0 c3 = 0 c4 = 0 c5 = 0 c6 = 0 c7 = 0 c8 = 0 c9 = 0 If CB_Costa.Value = True Then c1 = 1 TB_prueba.Text = "Costa Norte" For i = 2 To 4 Hoja1.Cells(15, i) = Hoja13.Cells(15, i) Next i Else TB_prueba.Text = " " For i = 2 To 4 Hoja1.Cells(15, i) = "0" Next i End If If CB_Antioquia.Value = True Then c2 = 1 TextBox1.Text = "Antiioquia" For i = 2 To 6 Hoja1.Cells(17, i) = Hoja13.Cells(17, i) Next i Else TextBox1.Text = " " For i = 2 To 6 Hoja1.Cells(17, i) = "0" Next i End If If CB_Hoya_Rio.Value = True Then c3 = 1 TextBox2.Text = "Hoya Río Suarez" For i = 2 To 6 Hoja1.Cells(16, i) = Hoja13.Cells(16, i) Next i Else TextBox2.Text = "" For i = 2 To 6 Hoja1.Cells(16, i) = "0" Next i End If If CB_Eje_Cafetero.Value = True Then c4 = 1 TextBox3.Text = "Eje Cafetero" For i = 2 To 6 Hoja1.Cells(20, i) = Hoja13.Cells(20, i) Next i
268
Else TextBox3.Text = "" For i = 2 To 6 Hoja1.Cells(20, i) = "0" Next i End If If CB_Cundinamarca.Value = True Then c5 = 1 TextBox4.Text = "Cundinamarca" For i = 2 To 6 Hoja1.Cells(19, i) = Hoja13.Cells(19, i) Next i Else TextBox4.Text = "" For i = 2 To 6 Hoja1.Cells(19, i) = "0" Next i End If If CB_Valle.Value = True Then c6 = 2 TextBox5.Text = "Valle del Cauca" For i = 2 To 6 Hoja1.Cells(18, i) = Hoja13.Cells(18, i) Next i Else TextBox5.Text = "" For i = 2 To 6 Hoja1.Cells(18, i) = "0" Next i End If If CB_Llanos.Value = True Then c7 = 1 TextBox6.Text = "Llanos" For i = 2 To 4 Hoja1.Cells(14, i) = Hoja13.Cells(14, i) Next i Else TextBox6.Text = "" For i = 2 To 4 Hoja1.Cells(14, i) = "0" Next i End If If CB_Huila.Value = True Then c8 = 1 TextBox7.Text = "Huila" For i = 2 To 6 Hoja1.Cells(21, i) = Hoja13.Cells(21, i) Next i Else TextBox7.Text = "" For i = 2 To 6 Hoja1.Cells(21, i) = "0" Next i End If If CB_Nariño.Value = True Then c9 = 1 TextBox8.Text = "Nariño" For i = 2 To 6 Hoja1.Cells(22, i) = Hoja13.Cells(22, i) Next i Else TextBox8.Text = "" For i = 2 To 6 Hoja1.Cells(22, i) = "0" Next i End If graf_count = ycap * (c1 + c7) + ccap * (c2 + c3 + c4 + c5 + c6 + c8 + c9) If graf_count <= capacity_count Then 'graf_reload lbl_grad_error.Visible = True Cmd_graf_menu.Visible = False End If End Sub '************************************* Data ********************************************** 'Botón Materia Prima en Data Private Sub Cmd_data_MP_Click()
269
info_flag = 1 MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.Clear With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 End With ComboBox_MP.Clear Cmd_data_MP_exe End Sub 'Ejecutar y limpiar la ventana Info Public Sub Cmd_data_MP_exe() info lbl_Info_2.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False ComboBox_MP.Clear ComboBox_MP.Visible = True lbl_Info_1.Visible = True lbl_Info_ppal.Caption = "COSTOS DE MATERIA PRIMA (Pesos/Tonelada)" lbl_Info_1.Caption = "Escoja Materia Prima" 'lbl_Info_2.Caption = "Escoja Región" ComboBox_MP.AddItem "Yuca" ComboBox_MP.AddItem "Caña de Azúcar" ComboBox_MP.Style = fmStyleDropDownList ComboBox_MP.ListRows = 2 ComboBox_MP.BoundColumn = 0 End Sub 'Botón Menú en Data Private Sub Cmd_data_menu_Click() menu End Sub 'Botón Demandas en Data Public Sub Cmd_data_dem_Click() info MSFlexGrid1.Clear MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 ComboBox_MP.Clear lbl_Info_1.Visible = False lbl_Info_2.Visible = False ComboBox_MP.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False lbl_Info_ppal.Caption = "DEMANDA DE BIO-ETANOL EN LAS PRINCIPALES CIUDADES DEL PAÍS (Galones/Mes)" lbl_Info_ppal.TextAlign = fmTextAlignCenter MSFlexGrid1.Height = 234 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 100 With MSFlexGrid1 .Cols = 9 .Rows = 17 .FixedCols = 1
270
.FixedRows = 1 For i = 0 To 8 For j = 0 To 16 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja7.Cells(j + 24, i + 2), "###,###,##0") Next j Next i End With Cmd_edit_dem.Visible = True End Sub 'Botón Capacidad Materia Prima en Data Private Sub Cmd_Data_MP_Cap_Click() info_flag = 2 MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.Clear With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 End With ComboBox_MP.Clear Cmd_data_MP_Cap_exe End Sub 'Ejecutar y limpiar la ventana Info Public Sub Cmd_data_MP_Cap_exe() info lbl_Info_2.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False ComboBox_MP.Visible = True lbl_Info_1.Visible = True lbl_Info_ppal.Caption = "CAPACIDAD DE PRODUCCIÓN EN TONELADAS" lbl_Info_1.Caption = "Escoja Materia Prima" lbl_Info_2.Caption = "Escoja Región" ComboBox_MP.AddItem "Yuca" ComboBox_MP.AddItem "Caña de Azúcar" ComboBox_MP.Style = fmStyleDropDownList ComboBox_MP.ListRows = 2 ComboBox_MP.BoundColumn = 0 End Sub 'Botón Transporte en Data Private Sub Cmd_data_transporte_Click() info_flag = 5 info lbl_Info_2.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False ComboBox_MP.Clear ComboBox_MP.Width = 190
271
ComboBox_MP.Left = 160 ComboBox_MP.Visible = True lbl_Info_1.Visible = True lbl_Info_ppal.Caption = "COSTOS DE TRANSPORTE" lbl_Info_1.Caption = "Escoja MERCANCIA" lbl_Info_2.Caption = "Escoja Región" ComboBox_MP.AddItem "Tonelada de Yuca" ComboBox_MP.AddItem "Tonelada de Caña de Azúcar" ComboBox_MP.AddItem "Galón de Bio-etanol a distribuidora" ComboBox_MP.AddItem "Galón de Bio-etanol a minorista" ComboBox_MP.Style = fmStyleDropDownList ComboBox_MP.ListRows = 4 ComboBox_MP.BoundColumn = 0 End Sub 'Botón Capacidades de Planta en Data Private Sub Cmd_data_prod_cap_Click() info MSFlexGrid1.Clear MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 ComboBox_MP.Clear lbl_Info_1.Visible = False lbl_Info_2.Visible = False ComboBox_MP.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False lbl_Info_ppal.Caption = "OPCIÓN DE CAPACIDADES DE LAS PLANTAS DESTILADORAS (Galones/Mes)" lbl_Info_ppal.TextAlign = fmTextAlignCenter MSFlexGrid1.Height = 116 MSFlexGrid1.Width = 330 MSFlexGrid1.Top = 100 MSFlexGrid1.ColWidth(0) = 1600 cmd_info_edit_capa.Visible = True With MSFlexGrid1 .Cols = 6 .Rows = 9 .FixedCols = 1 .FixedRows = 0 For i = 0 To 5 For j = 0 To 8 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja1.Cells(j + 14, i + 1), "###,###,##0") Next j Next i End With 'Cmd_edit_dem.Visible = True End Sub 'Botón Costos Operativos en Data Private Sub Cmd_data_opera_Click() info_flag = 6 info MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.ColWidth(0) = 960 MSFlexGrid1.ColWidth(1) = 960 MSFlexGrid1.Clear lbl_Info_2.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False
272
cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False ComboBox_MP.Clear ComboBox_MP.Width = 210 ComboBox_MP.Left = 160 ComboBox_MP.Visible = True lbl_Info_1.Visible = True lbl_Info_ppal.TextAlign = fmTextAlignCenter lbl_Info_ppal.Caption = "INVERSION Y COSTOS FIJOS ACUMULADOS" lbl_Info_1.Caption = "Escoja " lbl_Info_2.Caption = "Escoja Región" ComboBox_MP.AddItem "INVERSION" ComboBox_MP.AddItem "GASTOS Y COSTOS FIJOS ACUMULADOS" ComboBox_MP.Style = fmStyleDropDownList ComboBox_MP.ListRows = 2 ComboBox_MP.BoundColumn = 0 End Sub Private Sub Cmd_data_reload_Click() lbl_menu_costo.Visible = False TB_menu_resul.Visible = False 'Datos Yuca Hoja8.Visible = xlSheetVisible Hoja2.Visible = xlSheetVisible Hoja8.Activate Cells.Select Selection.Copy Hoja2.Activate Cells.Select ActiveSheet.Paste Hoja8.Visible = xlSheetHidden Hoja2.Visible = xlSheetHidden 'Datos Caña Hoja10.Visible = xlSheetVisible Hoja3.Visible = xlSheetVisible Hoja10.Activate Cells.Select Selection.Copy Hoja3.Activate Cells.Select ActiveSheet.Paste Hoja10.Visible = xlSheetHidden Hoja3.Visible = xlSheetHidden 'Datos Plantas Destiladoras Hoja11.Visible = xlSheetVisible Hoja4.Visible = xlSheetVisible Hoja11.Activate Cells.Select Selection.Copy Hoja4.Activate Cells.Select ActiveSheet.Paste Hoja11.Visible = xlSheetHidden Hoja4.Visible = xlSheetHidden 'Costos de Transporte Hoja12.Visible = xlSheetVisible Hoja6.Visible = xlSheetVisible Hoja12.Activate Cells.Select Selection.Copy Hoja6.Activate Cells.Select ActiveSheet.Paste Hoja12.Visible = xlSheetHidden Hoja6.Visible = xlSheetHidden 'Datos Ciudades Hoja16.Visible = xlSheetVisible Hoja7.Visible = xlSheetVisible Hoja16.Activate Cells.Select
273
Selection.Copy Hoja7.Activate Cells.Select ActiveSheet.Paste Hoja16.Visible = xlSheetHidden Hoja17.Visible = xlSheetHidden Intro.Activate End Sub '************************************* Info *********************************************** 'Creación de ComboBox en Materia Prima Private Sub ComboBox_MP_click() Combobox_MP4.Visible = False Combobox_MP4.Clear MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.ColWidth(0) = 960 MSFlexGrid1.ColWidth(1) = 960 MSFlexGrid1.Clear 'Costo If info_flag = 1 Then Select Case ComboBox_MP.Value Case 0 'Yuca 'lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 With MSFlexGrid1 .Cols = 17 .Rows = 10 .FixedCols = 1 .FixedRows = 1 For i = 0 To 16 For j = 0 To 0 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja2.Cells(j + 2, i + 27), "###,##0") Next j For j = 1 To 9 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja2.Cells(j + 2, i + 27), "$###,##0") Next j Next i End With cmd_Info_MP_edit_Yuca.Top = 300 cmd_Info_MP_edit_Yuca.Visible = True Case 1 'Caña ComboBox_MP3.AddItem "Caldas" ComboBox_MP3.AddItem "Cauca" ComboBox_MP3.AddItem "Cesar" ComboBox_MP3.AddItem "Norte de Santander" ComboBox_MP3.AddItem "Risaralda" ComboBox_MP3.AddItem "Valle del Cauca" 'lbl_Info_2.Visible = True 'ComboBox_MP3.Visible = True MSFlexGrid1.Height = 212 MSFlexGrid1.Width = 248 MSFlexGrid1.Top = 144 With MSFlexGrid1
274
.Cols = 5 .Rows = 17 .FixedCols = 1 .FixedRows = 1 'MSFlexGrid1.ColWidth(1) = 1500 'MSFlexGrid1.ColWidth(2) = 1500 'MSFlexGrid1.ColWidth(3) = 1500 For j = 0 To 16 For i = 0 To 0 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja3.Cells(j + 2, i + 16), "###,##0") Next i For i = 1 To 4 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja3.Cells(j + 2, i + 16), "$###,##0") Next i Next j End With Cmd_Info_MP_edit_Cana.Top = 228 Cmd_Info_MP_edit_Cana.Left = 246 Cmd_Info_MP_edit_Cana.Visible = True End Select End If 'Capacidad If info_flag = 2 Or info_flag = 3 Or info_flag = 4 Then Select Case ComboBox_MP.Value Case 0 'Yuca ComboBox_MP3.Visible = False ComboBox_MP3.Clear ComboBox_MP2.Clear ComboBox_MP2.AddItem "Antioquia" ComboBox_MP2.AddItem "Atlántico" ComboBox_MP2.AddItem "Bolívar" ComboBox_MP2.AddItem "Cesar" ComboBox_MP2.AddItem "Córdoba" ComboBox_MP2.AddItem "Magdalena" ComboBox_MP2.AddItem "Norte de Santander" ComboBox_MP2.AddItem "Santander" ComboBox_MP2.AddItem "Sucre" ComboBox_MP2.Style = fmStyleDropDownList ComboBox_MP2.ListRows = 9 ComboBox_MP2.BoundColumn = 0 lbl_Info_2.Visible = True ComboBox_MP2.Visible = True MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 cmd_Info_MP_edit_Yuca.Top = 384 cmd_Info_MP_edit_Yuca.Visible = True info_flag = 3 Case 1 'Caña ComboBox_MP2.Clear ComboBox_MP3.Clear ComboBox_MP2.Visible = False ComboBox_MP3.AddItem "Caldas" ComboBox_MP3.AddItem "Cauca" ComboBox_MP3.AddItem "Cesar" ComboBox_MP3.AddItem "Norte de Santander" ComboBox_MP3.AddItem "Risaralda" ComboBox_MP3.AddItem "Valle del Cauca" ComboBox_MP3.ListRows = 6 ComboBox_MP3.BoundColumn = 0 lbl_Info_2.Visible = True ComboBox_MP3.Visible = True MSFlexGrid1.Height = 140
275
MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 Cmd_Info_MP_edit_Cana.Top = 384 Cmd_Info_MP_edit_Cana.Left = 12 Cmd_Info_MP_edit_Cana.Visible = True info_flag = 4 End Select End If If info_flag = 5 Then Select Case ComboBox_MP.Value Case 0 'Tonelada Yuca trans = 0 lbl_Info_2.Caption = "Expresado en $ por Tonelada-Ruta" lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 126 MSFlexGrid1.Width = 150 MSFlexGrid1.Top = 144 'MSFlexGrid1.Left = 50 With MSFlexGrid1 .Cols = 3 .Rows = 10 .FixedCols = 1 .FixedRows = 1 For i = 0 To 2 For j = 0 To 0 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja6.Cells(j + 12, i + 1) Next j For j = 1 To 9 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja6.Cells(j + 12, i + 1), "$ ###,##0") Next j Next i Cmd_edit_trans.Visible = True End With Case 1 'Tonelada Caña trans = 1 lbl_Info_2.Caption = "Expresado en $ por Tonelada-Ruta" lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 102 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 'MSFlexGrid1.Left = 50 With MSFlexGrid1 .Cols = 8 .Rows = 7 .FixedCols = 1 .FixedRows = 1 For i = 0 To 7 For j = 0 To 0 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja6.Cells(j + 3, i + 1) Next j For j = 1 To 6 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja6.Cells(j + 3, i + 1), "$ ###,##0") Next j Next i End With 'cmd_Info_MP_edit_Yuca.Top = 300
276
Cmd_edit_trans.Visible = True Case 2 'Galones de Bio-etanol a distribuidoras trans = 2 lbl_Info_2.Caption = "Expresado en $ por Galón-Ruta" lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 'MSFlexGrid1.Left = 50 With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 For i = 0 To 9 For j = 0 To 0 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja6.Cells(j + 27, i + 1) Next j For j = 1 To 9 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja6.Cells(j + 27, i + 1), "$ ###,##0") Next j Next i End With 'cmd_Info_MP_edit_Yuca.Top = 300 Cmd_edit_trans.Visible = True Case 3 'Galones de Bio-etanol a minoristas trans = 3 lbl_Info_2.Caption = "Expresado en $ por Galón-Ruta" lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 'MSFlexGrid1.Left = 50 With MSFlexGrid1 .Cols = 9 .Rows = 10 .FixedCols = 1 .FixedRows = 1 For i = 0 To 8 For j = 0 To 0 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja6.Cells(j + 39, i + 1) Next j For j = 1 To 9 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja6.Cells(j + 39, i + 1), "$ ###,##0") Next j Next i End With 'cmd_Info_MP_edit_Yuca.Top = 300 Cmd_edit_trans.Visible = True End Select End If 'Costos de Inversión y fijos acumulados If info_flag = 6 Then Select Case ComboBox_MP.Value Case 0 'Inversión Cmd_info_edit_cf.Visible = False
277
lbl_Info_2.Caption = "Según Capacidad y Tipo" lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 138 MSFlexGrid1.Width = 210 MSFlexGrid1.Top = 144 'MSFlexGrid1.Left = 50 With MSFlexGrid1 .Cols = 2 .Rows = 11 .FixedCols = 0 .FixedRows = 0 MSFlexGrid1.ColWidth(0) = 2300 MSFlexGrid1.ColWidth(1) = 1800 For j = 0 To 10 For i = 0 To 0 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja4.Cells(j + 133, i + 2), "###,##0") Next i For i = 1 To 1 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja4.Cells(j + 133, i + 2), "$ ###,##0") Next i Next j End With Cmd_info_edit_inv.Visible = True Case 1 'Costos Fijos Acumulados Cmd_info_edit_cf.Visible = False MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.ColWidth(0) = 960 MSFlexGrid1.ColWidth(1) = 960 MSFlexGrid1.Clear lbl_Info_2.Caption = "Costo Fijo Anual Capacidad-Tipo" lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True Cmd_info_edit_inv.Visible = False Combobox_MP4.AddItem "Yuca" Combobox_MP4.AddItem "Caña de Azúcar" Combobox_MP4.Style = fmStyleDropDownList Combobox_MP4.ListRows = 2 Combobox_MP4.BoundColumn = 0 'MSFlexGrid1.Clear 'MSFlexGrid1.Height = 102 'MSFlexGrid1.Width = 354 'MSFlexGrid1.Top = 144 'MSFlexGrid1.Left = 50 Combobox_MP4.Visible = True With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 End With End Select End If 'Resultados Requerimientos de Materia Prima If info_flag = 7 Then Select Case ComboBox_MP.Value Case 0 'Yuca 'lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 280 MSFlexGrid1.Width = 354
278
MSFlexGrid1.Top = 100 With MSFlexGrid1 .Cols = 34 .Rows = 110 .FixedCols = 2 .FixedRows = 2 For i = 0 To 0 For j = 0 To 109 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja9.Cells(j + 897, i + 1) .TextMatrix(j, i + 1) = Hoja9.Cells(j + 897, i + 2) Next j Next i For i = 0 To 31 For j = 0 To 109 .Row = 0 .Col = 0 .TextMatrix(j, i + 2) = Format(Hoja9.Cells(j + 897, i + 3), "###,##0") Next j Next i End With Case 1 'Caña MSFlexGrid1.Height = 280 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 100 With MSFlexGrid1 .Cols = 112 .Rows = 72 .FixedCols = 2 .FixedRows = 2 For i = 0 To 0 For j = 0 To 71 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja9.Cells(j + 822, i + 1) .TextMatrix(j, i + 1) = Hoja9.Cells(j + 822, i + 2) Next j Next i For i = 0 To 109 For j = 0 To 71 .Row = 0 .Col = 0 .TextMatrix(j, i + 2) = Format(Hoja9.Cells(j + 822, i + 3), "###,###,##0") Next j Next i End With ' Cmd_Info_MP_edit_Cana.Top = 228 ' Cmd_Info_MP_edit_Cana.Left = 246 ' Cmd_Info_MP_edit_Cana.Visible = True End Select End If 'Resultados de Transporte de Alcohol If info_flag = 8 Then Select Case ComboBox_MP.Value Case 0 'De Plantas a Mayoristas 'lbl_Info_2.Visible = True 'ComboBox_MP2.Visible = True MSFlexGrid1.Height = 280 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 100 With MSFlexGrid1 .Cols = 146 .Rows = 110 .FixedCols = 2 .FixedRows = 2 For i = 0 To 0
279
For j = 0 To 109 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja9.Cells(j + 1009, i + 1) .TextMatrix(j, i + 1) = Hoja9.Cells(j + 1009, i + 2) Next j Next i For i = 0 To 143 For j = 0 To 109 .Row = 0 .Col = 0 .TextMatrix(j, i + 2) = Format(Hoja9.Cells(j + 1009, i + 3), "###,##0") Next j Next i End With Case 1 'De Mayoristas a Ciudades MSFlexGrid1.Height = 280 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 100 With MSFlexGrid1 .Cols = 130 .Rows = 110 .FixedCols = 2 .FixedRows = 2 For i = 0 To 0 For j = 0 To 109 .Row = 0 .Col = 0 .TextMatrix(j, i) = Hoja9.Cells(j + 1121, i + 1) .TextMatrix(j, i + 1) = Hoja9.Cells(j + 1121, i + 2) Next j Next i For i = 0 To 127 For j = 0 To 109 .Row = 0 .Col = 0 .TextMatrix(j, i + 2) = Format(Hoja9.Cells(j + 1121, i + 3), "###,###,##0") Next j Next i End With End Select End If End Sub Public Sub cmd_Info_MP_edit_Yuca_Click() Hoja2.Visible = xlSheetVisible If info_flag = 1 Then Hoja2.Activate Columns("A:Z").Select Selection.EntireColumn.Hidden = True Rows("12:65536").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = "5" End End If If info_flag = 3 Then Hoja2.Activate Columns("O:AT").Select Selection.EntireColumn.Hidden = True Rows("163:65536").Select Selection.EntireRow.Hidden = True Hoja2.Cells(3, 3).Select Intro.Cells(5, 5) = "10" End 'Cmd_Costo_Yuca.Visible = False End If End Sub
280
Private Sub cmd_Info_MP_edit_Cana_Click() Hoja3.Visible = xlSheetVisible If info_flag = 1 Then Hoja3.Activate Columns("A:O").Select Selection.EntireColumn.Hidden = True Rows("19:65536").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = "5" End End If If info_flag = 4 Then Hoja3.Activate Columns("O:AT").Select Selection.EntireColumn.Hidden = True Rows("109:65536").Select Selection.EntireRow.Hidden = True Hoja3.Cells(3, 3).Select Intro.Cells(5, 5) = "10" End End If End Sub 'Escoje Región Public Sub ComboBox_MP2_Click() Meses_años Select Case ComboBox_MP2.Value Case 0 'Antioquia row_yuca = 3 yuca_tons Case 1 'Atlántico row_yuca = 20 yuca_tons Case 2 'Bolivar row_yuca = 37 yuca_tons Case 3 'Cesar row_yuca = 56 yuca_tons Case 4 'Córdoba row_yuca = 73 yuca_tons Case 5 'Magdalena row_yuca = 90 yuca_tons Case 6 'Norte de Santander row_yuca = 112 yuca_tons Case 7 'Santander row_yuca = 129 yuca_tons Case 8 'Sucre row_yuca = 146 yuca_tons End Select End Sub Public Sub ComboBox_MP3_Click() Meses_años Select Case ComboBox_MP3.Value Case 0 'Caldas row_cana = 3 cana_tons Case 1 'Cauca row_cana = 20 cana_tons Case 2 'Cesar row_cana = 37 cana_tons Case 3 'Norte de Santander
281
row_cana = 58 cana_tons Case 4 'Risaralda row_cana = 75 cana_tons Case 5 'Valle del Cauca row_cana = 92 cana_tons End Select End Sub Public Sub Meses_años() MSFlexGrid1.Height = 228 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 With MSFlexGrid1 .Cols = 13 .Rows = 17 .FixedCols = 1 .FixedRows = 1 For i = 1 To 12 .Row = 0 .Col = 0 .TextMatrix(0, i) = Hoja2.Cells(2, i + 2) Next i For j = 1 To 16 .Row = 0 .Col = 0 .TextMatrix(j, 0) = Format(Hoja2.Cells(j + 3, 1), "#,##0") Next j End With End Sub Public Sub yuca_tons() With MSFlexGrid1 .Cols = 13 .Rows = 17 .FixedCols = 1 .FixedRows = 1 For i = 1 To 12 For j = 1 To 16 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja2.Cells(j + row_yuca, i + 2), "###,###,##0") Next j Next i End With End Sub Public Sub cana_tons() With MSFlexGrid1 .Cols = 13 .Rows = 17 .FixedCols = 1 .FixedRows = 1 For i = 1 To 12 For j = 1 To 16 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja3.Cells(j + row_cana, i + 2), "###,###,##0") Next j Next i End With End Sub 'Botón Volver en Info Public Sub Cmd_Info_Volver_Click() If resul_flag = 0 Then MSFlexGrid1.Height = 140 MSFlexGrid1.Top = 144 MSFlexGrid1.ColWidth(0) = 960 MSFlexGrid1.ColWidth(1) = 960 MSFlexGrid1.Clear ComboBox_MP.Clear With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 For cw = 0 To 9
282
MSFlexGrid1.ColWidth(cw) = 960 Next cw End With Cmd_edit_dem.Visible = False cmd_info_edit_capa.Visible = False Cmd_info_edit_inv.Visible = False Combobox_MP4.Visible = False Cmd_info_edit_cf.Visible = False Cmd_edit_trans.Visible = False ComboBox_MP.Width = 190 Data Else MSFlexGrid1.Height = 140 MSFlexGrid1.Top = 144 MSFlexGrid1.ColWidth(0) = 960 MSFlexGrid1.ColWidth(1) = 960 MSFlexGrid1.Clear ComboBox_MP.Clear With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 For cw = 0 To 9 MSFlexGrid1.ColWidth(cw) = 960 Next cw End With Cmd_edit_dem.Visible = False cmd_info_edit_capa.Visible = False Cmd_info_edit_inv.Visible = False Combobox_MP4.Visible = False Cmd_info_edit_cf.Visible = False Cmd_edit_trans.Visible = False ComboBox_MP.Width = 190 resul End If End Sub 'Botón Menú en Info Public Sub Cmd_Info_menu_Click() MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.ColWidth(0) = 960 MSFlexGrid1.ColWidth(1) = 960 MSFlexGrid1.Clear ComboBox_MP.Clear With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 For cw = 0 To 9 MSFlexGrid1.ColWidth(cw) = 960 Next cw End With Cmd_edit_dem.Visible = False cmd_info_edit_capa.Visible = False Cmd_info_edit_inv.Visible = False Combobox_MP4.Visible = False Cmd_info_edit_cf.Visible = False Cmd_edit_trans.Visible = False ComboBox_MP.Width = 190 menu End Sub 'Botón Edit transporte en Info Private Sub Cmd_edit_trans_Click() Hoja6.Visible = xlSheetVisible If trans = 0 Then Hoja6.Activate Rows("1:11").Select Selection.EntireRow.Hidden = True Rows("22:65536").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = 30 Hoja6.Cells(2, 3).Select End End If
283
If trans = 1 Then Hoja6.Activate Rows("1:2").Select Selection.EntireRow.Hidden = True Rows("10:65536").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = 31 Hoja6.Cells(2, 3).Select End End If If trans = 2 Then Hoja6.Activate Rows("1:26").Select Selection.EntireRow.Hidden = True Rows("37:65536").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = 32 Hoja6.Cells(2, 3).Select End End If If trans = 3 Then Hoja6.Activate Rows("1:38").Select Selection.EntireRow.Hidden = True Rows("49:65536").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = 33 Hoja6.Cells(2, 3).Select End End If End Sub 'Botón Edición de Demanda en Info Public Sub Cmd_edit_dem_click() Hoja7.Visible = xlSheetVisible Hoja7.Activate 'Columns("A:O").Select ' Selection.EntireColumn.Hidden = True Rows("1:23").Select Selection.EntireRow.Hidden = True Rows("41:65536").Select Selection.EntireRow.Hidden = True End End Sub 'Botón Edición de Capacidades en Info Private Sub cmd_info_edit_capa_Click() Hoja1.Visible = xlSheetVisible Hoja1.Activate 'Columns("A:O").Select ' Selection.EntireColumn.Hidden = True Rows("1:13").Select Selection.EntireRow.Hidden = True Rows("23:65536").Select Selection.EntireRow.Hidden = True End End Sub Public Sub ComboBox_MP4_Click() Select Case Combobox_MP4.Value Case 0 'Yuca cf = 0 Cmd_info_edit_cf.Visible = True MSFlexGrid1.Height = 68 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 With MSFlexGrid1 .Cols = 17 .Rows = 4 .FixedCols = 1 .FixedRows = 1
284
For cw = 0 To 16 MSFlexGrid1.ColWidth(cw) = 1500 Next cw For j = 1 To 3 .Row = 0 .Col = 0 .TextMatrix(j, 0) = Format(Hoja4.Cells(j + 140, 2), "###,##0") Next j For i = 1 To 16 .Row = 0 .Col = 0 .TextMatrix(0, i) = Hoja4.Cells(103, i + 1) For j = 1 To 3 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja4.Cells(j + 169, i + 2), "$ ###,##0") Next j Next i End With Case 1 'Caña cf = 1 Cmd_info_edit_cf.Visible = True MSFlexGrid1.Height = 92 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 With MSFlexGrid1 .Cols = 17 .Rows = 6 .FixedCols = 1 .FixedRows = 1 For cw = 0 To 16 MSFlexGrid1.ColWidth(cw) = 1600 Next cw For j = 1 To 5 .Row = 0 .Col = 0 .TextMatrix(j, 0) = Format(Hoja4.Cells(j + 133, 2), "###,##0") Next j For i = 1 To 16 .Row = 0 .Col = 0 .TextMatrix(0, i) = Hoja4.Cells(103, i + 1) For j = 1 To 5 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja4.Cells(j + 152, i + 2), "$ ###,##0") Next j Next i End With End Select End Sub 'Botón Editar Inversión en Info Private Sub Cmd_info_edit_inv_Click() Hoja4.Visible = xlSheetVisible Hoja4.Activate 'Columns("A:O").Select ' Selection.EntireColumn.Hidden = True Rows("1:132").Select Selection.EntireRow.Hidden = True Rows("144:65510").Select Selection.EntireRow.Hidden = True End End Sub 'Botón Editar Costos Fijos en Info Private Sub Cmd_info_edit_cf_Click() If cf = 0 Then Hoja4.Visible = xlSheetVisible Hoja4.Activate 'Columns("A:O").Select ' Selection.EntireColumn.Hidden = True
285
Rows("1:162").Select Selection.EntireRow.Hidden = True Rows("173:65510").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = "60" End End If If cf = 1 Then Hoja4.Visible = xlSheetVisible Hoja4.Activate 'Columns("A:O").Select ' Selection.EntireColumn.Hidden = True Rows("1:145").Select Selection.EntireRow.Hidden = True Rows("158:65518").Select Selection.EntireRow.Hidden = True Intro.Cells(5, 5) = "61" End End If End Sub '************************************** Parámetros *************************** Private Sub Cmd_data_para_Click() para Cmd_para_aplicar.Visible = False para_edit para_cargar Lbl_alfa_error.Visible = False End Sub Private Sub Cmd_para_volver_Click() Data Lbl_alfa_error.Visible = False End Sub Private Sub Cmd_para_menu_Click() menu Lbl_alfa_error.Visible = False End Sub Private Sub cmd_para_edit_click() Cmd_para_aplicar.Visible = True TB_para_dolar.Enabled = True TB_coeca.Enabled = True TB_coeyu.Enabled = True TB_intra.Enabled = True TB_cv_caña.Enabled = True TB_cv_yuca.Enabled = True TB_mezcla.Enabled = True TB_alfa.Enabled = True Lbl_alfa_error.Visible = False End Sub Private Sub cmd_para_aplicar_click() If Format(TB_alfa.Value, "#0.00") < 0.5 Then Lbl_alfa_error.Visible = True Else Hoja1.Cells(2, 2) = Format(TB_para_dolar.Value, "###,##0") Hoja1.Cells(3, 2) = TB_coeca.Value Hoja1.Cells(4, 2) = TB_coeyu.Value Hoja1.Cells(27, 5) = Format(TB_intra.Value, "#0.00 %") Hoja1.Cells(31, 3) = TB_cv_caña.Value Hoja1.Cells(30, 3) = TB_cv_yuca.Value Hoja1.Cells(33, 4) = Format(TB_mezcla.Value, "#0.00 %") Hoja1.Cells(35, 4) = Format(TB_alfa.Value, "#0.00 %") Cmd_para_aplicar.Visible = False para_edit para_cargar End If End Sub Public Sub para_edit()
286
TB_para_dolar.Enabled = False TB_coeca.Enabled = False TB_coeyu.Enabled = False TB_intra.Enabled = False TB_cv_caña.Enabled = False TB_cv_yuca.Enabled = False TB_mezcla.Enabled = False TB_alfa.Enabled = False Lbl_alfa_error.Visible = False End Sub Private Sub para_cargar() TB_para_dolar.Value = Format(Hoja1.Cells(2, 2), "$ ###,##0") TB_coeca.Value = Format(Hoja1.Cells(3, 2), "###,##0.00") TB_coeyu.Value = Format(Hoja1.Cells(4, 2), "###,##0.00") TB_intra.Value = Format(Hoja1.Cells(27, 4), "#0.00 %") TB_cv_caña.Value = Format(Hoja1.Cells(31, 3), "##0.00") TB_cv_yuca.Value = Format(Hoja1.Cells(30, 3), "##0.00") TB_mezcla.Value = Format(Hoja1.Cells(33, 4), "#0.00 %") TB_alfa.Value = Format(Hoja1.Cells(35, 4), "0.00 %") Lbl_alfa_error.Visible = False End Sub Public Sub graf_reload() '9 Ubicaciones Default CB_Costa.Value = True TB_prueba.Text = "Costa Norte" CB_Antioquia.Value = True TextBox1.Text = "Antiioquia" CB_Hoya_Rio.Value = True TextBox2.Text = "Hoya Río Suarez" CB_Eje_Cafetero.Value = True TextBox3.Text = "Eje Cafetero" CB_Cundinamarca.Value = True TextBox4.Text = "Cundinamarca" CB_Valle.Value = True TextBox5.Text = "Valle del Cauca" CB_Llanos.Value = True TextBox6.Text = "Llanos" CB_Huila.Value = True TextBox7.Text = "Huila" CB_Nariño.Value = True TextBox8.Text = "Nariño" For i = 1 To 6 For j = 14 To 22 Hoja1.Cells(j, i) = Hoja13.Cells(j, i) Next j Next i End Sub '************************************** Resultados ******************************** Public Sub results() TB_resul_cmin.Value = Format(Hoja9.Cells(4, 5), "$ ###,###,##0.00") TB_resul_trans_cana.Value = Format(Hoja9.Cells(6, 5), "$ ###,###,##0.00") TB_resul_trans_yuca.Value = Format(Hoja9.Cells(7, 5), "$ ###,###,##0.00") TB_resul_cana.Value = Format(Hoja9.Cells(8, 5), "$ ###,###,##0.00") TB_resul_yuca.Value = Format(Hoja9.Cells(9, 5), "$ ###,###,##0.00") TB_resul_prod_cana.Value = Format(Hoja9.Cells(11, 5), "$ ###,###,##0.00") TB_resul_prod_yuca.Value = Format(Hoja9.Cells(12, 5), "$ ###,###,##0.00") TB_resul_trans_mayo.Value = Format(Hoja9.Cells(13, 5), "$ ###,###,##0.00") TB_resul_trans_ciu.Value = Format(Hoja9.Cells(14, 5), "$ ###,###,##0.00") TB_resul_inv.Value = Format(Hoja9.Cells(15, 5), "$ ###,###,##0.00") End Sub Public Sub Cmd_resul_asig_Click() info MSFlexGrid1.Clear MSFlexGrid1.Height = 140
287
MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 ComboBox_MP.Clear lbl_Info_1.Visible = False lbl_Info_2.Visible = False ComboBox_MP.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False lbl_Info_ppal.Caption = "Ubicación, Año de Requerimiento y Capacidad de Plantas (Gal/Mes) Para Minimización de Costos" lbl_Info_ppal.TextAlign = fmTextAlignCenter MSFlexGrid1.Height = 224 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 100 With MSFlexGrid1 .Cols = 10 .Rows = 17 .FixedCols = 1 .FixedRows = 1 For i = 0 To 9 For j = 0 To 16 .Row = 0 .Col = 0 .TextMatrix(j, i) = Format(Hoja9.Cells(j + 21, i + 80), "###,###,##0") Next j Next i End With resul_flag = 1 End Sub Private Sub Cmd_resul_MP_Click() resul_flag = 1 MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.Clear With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 End With ComboBox_MP.Clear cmd_resul_mp_exe End Sub Private Sub Cmd_resul_trans_Click() resul_flag = 1 MSFlexGrid1.Height = 140 MSFlexGrid1.Width = 354 MSFlexGrid1.Top = 144 MSFlexGrid1.Clear With MSFlexGrid1 .Cols = 10 .Rows = 10 .FixedCols = 1 .FixedRows = 1 End With ComboBox_MP.Clear cmd_resul_trans_exe End Sub Public Sub cmd_resul_mp_exe() info lbl_Info_2.Visible = False
288
ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False ComboBox_MP.Visible = True lbl_Info_1.Visible = True lbl_Info_ppal.Caption = "CANTIDADES DE TONELADAS TRASNPORTADAS DESDE LAS DISTINTAS REGIONES A LAS POSIBLES UBICACIONES" lbl_Info_1.Caption = "Escoja Materia Prima" lbl_Info_2.Caption = "Escoja Región" ComboBox_MP.AddItem "Yuca" ComboBox_MP.AddItem "Caña de Azúcar" ComboBox_MP.Style = fmStyleDropDownList ComboBox_MP.ListRows = 2 ComboBox_MP.BoundColumn = 0 info_flag = 7 End Sub Public Sub cmd_resul_trans_exe() info lbl_Info_2.Visible = False ComboBox_MP2.Visible = False ComboBox_MP3.Visible = False cmd_Info_MP_edit_Yuca.Visible = False Cmd_Info_MP_edit_Cana.Visible = False ComboBox_MP.Visible = True lbl_Info_1.Visible = True lbl_Info_ppal.Caption = "CANTIDAD DE GALONES DE BIOETANOL TRANSPORTADO" lbl_Info_1.Caption = "Escoja Eslabón" lbl_Info_2.Caption = "Escoja Región" ComboBox_MP.AddItem "De Plantas a Mayoristas" ComboBox_MP.AddItem "De Mayoristas a ciudades" ComboBox_MP.Style = fmStyleDropDownList ComboBox_MP.ListRows = 2 ComboBox_MP.BoundColumn = 0 info_flag = 8 End Sub Private Sub Cmd_resul_menu_Click() menu End Sub