Simulação Computacional do Sistema Logístico de Cooperativas Agrícolas

Autores

Diógenes Ferreira Miyata, Mestrando
Email: miyata@ppgia.pucpr.br
Vínculo: Pontifícia Universidade Católica do Paraná / Programa de Pós-Graduação em Informática Aplicada
Endereço: Rua Imaculada Conceição, Prado Velho. Curitiba – PR
Telefone:

Roberto Max Protil, Dr.
Email: protil@ppgia.pucpr.br
Vínculo: Pontifícia Universidade Católica do Paraná / Programa de Pós-Graduação em Informática Aplicada
Endereço: Rua Imaculada Conceição, Prado Velho. Curitiba – PR
Telefone:

Resumo

O objetivo proposto neste artigo é o de delimitar e explanar as etapas envolvidas no desenvolvimento de um modelo computacional do sistema logístico de uma cooperativa agrícola, englobando as fases de recebimento, beneficiamento, armazenagem e transporte de grãos. Uma das finalidades da implementação deste trabalho é otimizar o supply chain management das cooperativas agrícolas, tratando aqui os agricultores cooperados e os entrepostos de recebimento como a cadeia de fornecedores de grãos da Cooperativa.

Abstract

Here we intend to discuss the steps to be followed in the development of a computer model of the logistic system of agricultural cooperative, including the receiving, processing, storage and transport steps. One of the goals of this work is to improve the supply chain management of agricultural cooperatives.

Palavras chaves

modelagem; simulação; logística; supply chain management.

1. INTRODUÇÃO

A expressão "supply chain management" (SCM) e os assuntos por ela abrangidos têm sido vastamente abordados nos últimos anos. Esta expressão surgiu quando percebeu-se a necessidade da integração e gerenciamento de todas as atividades logísticas (interna e externa) das empresas, desde os fornecedores até os consumidores finais, criando assim uma cadeia de suprimentos (Ferreira, 1998). Assim, deixou-se de tratar separadamente cada uma das atividades.

As cooperativas agrícolas, como um importante elo na cadeia produtiva de nosso país, não podem ficar alheias a esta evolução. Na verdade, pode-se encarar as mesmas como uma grande cadeia logística, levando os produtos produzidos no campo por seus cooperados até o consumidor final ou indústria de transformação, agregando valor a este produto à medida que o mesmo flui através das etapas que constituem seus sistemas internos.

Assim, a otimização destas cadeias de suprimento tem grande importância na modernização de nosso sistema cooperativista.

No entanto, este problema tem grande complexidade quando abordado de maneira quantitativa, pois envolve em suas diversas etapas um grande número de variáveis, sendo estas em grande parte estocásticas. Assim, o desenvolvimento de soluções ótimas para este problema fica altamente comprometido, demandando a sua resolução por métodos de aproximação ou simulação computacional.

Nosso propósito aqui é oferecer uma breve visão sobre simulação computacional, as motivações para sua utilização, as etapas necessárias para o desenvolvimento de um estudo de simulação e os conhecimentos necessários associados a cada uma dessas etapas.

1.1 - POR QUE UTILIZAR SIMULAÇÃO?

A simulação computacional de sistemas produtivos complexos é uma poderosa ferramenta de apoio à tomada de decisões, tanto estratégicas quanto táticas e operacionais, visando otimizar o desempenho desses sistemas. No entanto, a utilização desta ferramenta de maneira eficiente exige um conhecimento profundo de todas as suas etapas de desenvolvimento, desde a definição do problema a ser resolvido até a análise dos resultados e elaboração de estratégias de implementação visando a obtenção prática dos resultados observados durante a Simulação.

Segundo Law e Kelton (1991), se dispomos de uma solução analítica para um modelo matemático, e a mesma é computacionalmente eficiente, é usualmente desejável estudar o modelo desta maneira ao invés de utilizar-se simulação. Entretanto, muitos sistemas são altamente complexos, assim modelos matemáticos válidos são igualmente complexos, impossibilitando qualquer possibilidade de solução analítica. Neste caso, o modelo deve ser estudado por meio de simulação, i. e., utilizado com diversas entradas e observar como estas afetam as medições de performance definidas.

Saliby (1999) propõe que, em termos gerais, a simulação aplica-se em tipos de problema onde necessita-se:

• Proporcionar uma melhor compreensão sobre a natureza de um processo.
• Identificar problemas específicos ou áreas problemáticas dentro de um sistema, em particular gargalos, estoques intermediários acima do ideal e recursos eventualmente ociosos.
• Auxiliar-nos a estabelecer estratégias de investimento futuro para um sistema já existente, mostrando melhor quando e quanto se tem a ganhar a cada nova etapa.
• Testar novos conceitos antes de sua implementação sem interferir na operação de um sistema eventualmente em curso.
• Avaliar os benefícios de novos investimentos antes que haja um comprometimento de fato dos recursos de uma empresa.
• Em casos específicos de logística:

- dimensionamento de operações de carga e descarga: número de docas, número e tipo de empilhadeiras, área de preparação de carga, etc.;

- dimensionamento de estoque: determinação de estoque de segurança, determinação de estoque base em centros de distribuição centrais e regionais, etc.

- estudo de movimentação de material: avaliação da relação custo/benefício da implantação de novos equipamentos e novas tecnologias como esteiras, transelevadores, sistemas automáticos de picking, etc.;

- Sistema de transporte: determinação de frota ideal em termos de número e tamanho de veículos, considerando o perfil de pedidos a serem entregues, duração das viagens e tempo de carga e descarga e o resultado sobre a utilização dos veículos, tempo de atendimento, etc.;

- Fluxo de produção: dimensionamento de equipamentos e de estações de trabalho. Avaliação de diferentes configurações de recursos: células de produção, linhas especializadas, etc.

1.2 – SIMULAÇÃO

De acordo com Shannon (1998), "Simulação é o processo de Elaborar o modelo de um sistema real e conduzir experimentos com este modelo com o propósito de compreender o comportamento do sistema e/ou avaliar várias estratégias para a operação do sistema".

Portanto, ao executarmos um estudo envolvendo simulação computacional, grande parte do esforço deve ser dedicado à construção de um modelo que represente de maneira confiável o comportamento do sistema real (obviamente quando estudamos um sistema já existente na realidade).

Shannon (1998) é sugere um processo constituído de 12 etapas, que devem estar presentes em qualquer estudo de simulação: Definição do problema. Planejamento do projeto. Definição do sistema. Formulação conceitual do modelo. Projeto experimental preliminar. Preparação dos dados de entrada. Formulação do modelo. Verificação e Validação. Projeto experimental final. Experimentos. Análise e interpretação. Implementação e documentação.
Sheppard (1983) e McKay et. al. (1986) sugerem a "Regra 40-20-40" a ser utilizada na condução do estudo: 40% do tempo deve ser dedicado às etapas de i a vi, 20% à etapa vii e os 40% restantes às etapas de viii a xii.

2. DA DEFINIÇÃO DO PROBLEMA À PREPARAÇÃO DOS DADOS DE ENTRADA

As etapas aqui envolvidas são prévias a elaboração do modelo propriamente dita. As etapas de i a v, especificamente, visam assegurar que o problema a ser tratado está bem definido e que as pessoas envolvidas no desenvolvimento do modelo apresentam um grau razoável de conhecimento do sistema.

Já na etapa vi (Preparação dos dados de entrada), iniciamos o tratamento quantitativo do problema.

Segundo Nelson e Yamnitsky (1998), o modelamento dos dados de entrada é utilizado para representar a incerteza ou aleatoriedade em uma simulação. Em muitos casos, estes modelamento pode ser simples o bastante para que seja necessário apenas selecionar uma distribuição estatística que se encaixe aos dados coletados no sistema real. Para estes casos simples, existe um grande número de softwares comerciais capazes de suportar o modelamento dos dados de entrada. No entanto, modelos simples freqüentemente falham por uma das seguintes razões:

As formas limitadas representadas pelas famílias-padrão de distribuição não são flexíveis o suficiente para representar algumas características dos dados observados ou alguns aspectos conhecidos do processo.

O processo de entrada não é inerentemente independente, seja com respeito ao tempo ou a outros processos de entrada na simulação.

O processo de entrada se altera com o tempo.

Não existem dados disponíveis a partir dos quais selecionar uma família ou avaliar o fitness.

Nestas situações, devemos utilizar técnicas que podem ser úteis quando os modelos simples falham. Nelson e Yamnitsky (1999) fornecem um tutorial que descreve modelos de entrada que são úteis quando o problema do modelamento dos dados de entrada é mais complexo.

3. A FORMULAÇÃO DO MODELO

Até esta etapa, algumas questões devem estar bem claras e respondidas, tais como:

Utilizar uma linguagem computacional genérica ou específica para simulação?

O modelo será:

• estático ou dinâmico?
• determinístico ou estocástico?
• contínuo ou discreto?

No nosso caso, optamos por um modelo dinâmico (podemos avaliar sua evolução com o tempo), estocástico (pois o mesmo contém diversas variáveis aleatórias) e discreto (as variáveis de estado se alteram em tempos separados e discretos).

Optamos também pela utilização de um software específico para simulação (SiMPLE ++), pois assim temos acesso a uma interface gráfica de qualidade e podemos dedicar maior parte do tempo à concepção e análise do modelo e menos tempo ao trabalho de programação.

O modelo em elaboração envolve as etapas de chegada do produto nos entrepostos; amostragem e classificação; pesagem; descarregamento; beneficiamento; armazenagem; e expedição. A figura 1 mostra de maneira simplificada os módulos componentes do modelo.

Figura 1 – Etapas a serem modeladas

Com esta finalidade, foram coletados, entre outros, os seguintes dados:

• Intervalos de chegada de veículos transportando grãos do campo para o entreposto;
• Proporção dos diferentes produtos recebidos;
• Tipos de veículo e capacidade dos mesmos;
• Tempo gasto para amostragem e classificação;
• Tempo gasto para pesagem, na entrada e saída do veículo;
• Tempo gasto para descarregamento;
• Tempo gasto em trânsito dentro da área do entreposto;
• Capacidades de secagem e limpeza dos grãos;
• Capacidade de armazenamento;
• Capacidade de carregamento na expedição;
• Tempo gasto durante o carregamento do produto na expedição.

4. DA VERIFICAÇÃO E VALIDAÇÃO ATÉ A IMPLEMENTAÇÃO E DOCUMENTAÇÃO

Estas etapas envolvem o atingimento de um dado grau de confiança no modelo elaborado, a geração de alternativas e experimentação das mesmas no modelo, a análise e interpretação dos resultados, a implementação das alternativas julgadas como favoráveis e a documentação de todo o processo.

5. CONCLUSÕES

No atual estágio do desenvolvimento do trabalho é possível vislumbrar que a simples definição do problema, a coleta de dados e a preparação dos dados de entrada já fornece a todos os envolvidos conhecimentos adicionais e insights sobre o sistema, que serão ainda mais desenvolvidos a partir da discussão de um modelo inicial que está em elaboração.

Após a conclusão do modelo e estudo de alternativas via simulação, esperamos poder desenvolver uma visão global da operação do sistema, conhecer mais detalhadamente os seus pontos fortes e pontos de melhoria, bem como poder elaborar soluções para o desenvolvimento destes pontos de melhoria.

6. REFERÊNCIAS