Project Design and Management
Modelo de valuación de sostenibilidad para una empresa exportadora 4.0.
Publicado mar 24, 2021
Resumen
La Industria 4.0 llegó con la tecnología digital y la promesa de un incremento de la productividad sobre la base de dato. El escenario es útil al stakeholder de la empresa exportadora sostenible, porque le permite crear valor a los bienes que exporta. Pero se requiere un modelo que acepte la incertidumbre para relacionar las variables de entrada: tecnología digital y estrategia 4.0 con la variable de salida: sostenibilidad. Un problema que se resuelve bajo un enfoque de la lógica difusa y el sistema de inferencia difusa el cual genera el conjunto de datos para entrenar, controlar y validar la red adaptativa del sistema de inferencia difusa (ANFIS). Lo que permite construir el algoritmo del modelo de valuación de sostenibilidad (MVS) y así se completa el objetivo general. Luego, el modelo se utiliza en cinco empresas exportadoras con el propósito de supervisar, controlar y calibrar el resultado de la variable de salida, el cual puede ser un valor, entre cero y uno, donde cero significa una baja sostenibilidad y uno refleja una alta sostenibilidad. Dato y conocimiento que le permite al stakeholder tomar decisiones estratégicas sobre las habilidades y competencias digitales avanzadas en el puesto de trabajo, lo cual es toda una innovación en el contexto de la Industria 4.0 que permite una contribución de conocimiento a la literatura económica y gestión de empresa. El MVS continuara su proceso de entrenamiento con nuevos ecosistemas exportadores, entrevistas presenciales y adaptar su contenido a otro idioma.
##plugins.themes.bootstrap3.article.details##
Cómo citar
Descargar Cita
Citas
Barcellos, L. (2010). Modelos de Gestión Aplicados A la Sostenibilidad Empresaria. (Tesis Doctoral). Universidad de Barcelona. https://bit.ly/39gi7uO
Bermùdez, A., Lugo, J. A., & Piñeros, P. (2015). An adaptive-network-based fuzzy inference system for project. Semantic Scholar. https://orcid.org/10.1114/Javerian.IYU19-2.SDIBID
Blanco, R., Fontrodona, J., & Poveda, C. (2017). La Industria 4.0: El estado de cuestión. Economía industrial, 151-164: Retrieved from https://dialnet.unirioja.es/servlet/articulo?codigo=6343649
Bocci, F. (2019). Transformación Digital y Deuda Tecnológica. Being Better Matters. https://bit.ly/2CRs066
Cheng, G.-j., Liu, L.-t., Liu, Y., & Quiang, X.-j. (2016). Industry 4.0 Development and Application of Intelligent Manufacturing. In International Conference on Information System and Artificial Intelligence (pp. 407 - 410). Xi’an Shiyou University .
Del Brio, B. M. & Sanz, A. (2001). Redes Neuronales y Sistemas Difusos. Alfaomega Ra-Ma.
Diaz, W., Etse, G., Flores, F., Folino, P., & Will, A. (2007). Uso de redes neuronales y ANFIS para predecir la resistencia uniaxial a comprensión de hormigon de alta resistencia. Mecánica Computacional, XXVI(16) https://cimec.org.ar/ojs/index.php/mc/article/view/1149
Gay, C. & Vermonden, A. (2013). Using Andaptive Neuro Fuzzy Inference System to Build Models with Uncertain Data for Rainfed Maize. Technologies and Applications (MSCCEC-2013), 512-516. https://orcid.org/10.5220/0004622205120516.
Gil Aluja, J., & Kaufmann, A. (1987). Técnicas operativas de la gestión para el tratamiento de la incertidumbre. Hispano Europea.
Govindarajan, V. (2016). La solución de tres cajas: una estrategia para liderar la innovación. Harvard Business Review. https://s.hbr.org/2OVEBrH
Hart, S., & Milstein, M. (2003). Creating Sustainable Value. Academy of Management Executive, 17(2). https://bit.ly/39m21zN
ISO. (2010). ISO 26000 - Guía de Responsabilidad Social. http://americalatinagenera.org/newsite/images/U4ISO26000.pdf
Jang, J. (1993). ANFIS : Adaptive-Ne twork-Based Fuzzy Inference System. IEEE Transactions on Systems, Man, and Cybernetics, 23(3). https://bit.ly/39f6l3W
Kotler, P. & Caslione, J. (2010). Caótica. Grupo Editorial Norma.
Lazzarri, L., Machado , E., & Pérez, R. (2000). Los Conjuntos Borrosos: Una Introducción. Cuadernos del CIMBAGE, 1666-5112. https://bit.ly/3jsoKyV
Madni, A., & Purohit, S. (2019). Análisis económico de la ingeniería de sistemas basados en modelos. Sistemas, 7 (1), 12. https://orcid.org/10.3390/systems7010012
Margolis, J., & Walsh, J. (2003). Misery Loves Companies: Rethinking Social Initiatives by Business. Johnson Graduate School, 48, 268-305. https://bit.ly/2ONkPyq
OEC. (2020). Ranking de Complejidad Económica. Observatorio de Complejidad Económica. https://oec.world/en/resources/about
Olcese, A. (2005). Teoría y práctica del buen gobierno corporativo. Marcial Pons. https://bit.ly/39iFgNp
Ramos, C. A. (2015). Los Paradigmas de la investigaciòn científica. UNIFE. https://bit.ly/2WGwjbC
Stewart, D. (2019). Quantum computers. Deloitte Insights. https://bit.ly/2OMu9Tm
Trigueros Pina, J. (2019). Una Propuesta Alternativa de Financiación Para el Sector Agrícola. (Bonos de PYME Agrícolas). Journal of Business Administration Research, 2(1). https://orcid.org/10.30564 / jbar.v2i1.382.
University 4 Industry. (2013). Definition Industrie 4.0. University 4 Industry. https://bit.ly/2xktB1G
Yadegaridehkordi, E. (2018.). Influence of big data adoption on manufacturing companies' performance: An integrated DEMATEL-ANFIS approach. Technological Forecasting & Social Change, 137, 199-210. https://orcid.org/10.1016/j.techfore.2018.07.043.
Zadeh, L. (2008). Is there a need for fuzzy logic? Information Sciences, 178, 2751–2779. https://orcid.org/10.1016/j.ins.2008.02.012
