Modelo de Medición de la Gestión Estratégica Mediante el Empleo de una Estructura de Cuadro de Mando Integral Dirigido a las Empresas Pertenecientes al Sector Manufacturero de Artículos de Talabartería y Guarnicionería en Venezuela

En éste artículo se analiza las características y dimensiones de los indicadores de las Estrategias Genéricas (Porter, 1980) y de los Cuadro de Mando Integral (Kaplan y Norton, 1992), para posteriormente integrarlas y conjugarlas con el propósito de conformar un “Modelo de Medición de la Gestión Estrategia mediante una Estructura del Cuadro de Mando Integral para el Sector Manufacturero de Talabartería y Guarnicionería de Venezuela” (CMI-EGP). Los datos fueron recolectados con dos cuestionarios basados en dimensiones de éstas dos teorías, relacionadas con la alineación entre el recurso humano y la gestión organizacional. Es decir, donde cada dependencia busca alinear los enfoques estratégicos propios de la organización, para así convertirse en un factor de éxito. La metodología empírica empleada esta basada en la técnica de reducción de datos o análisis factorial y por un análisis confirmatorio mediante la técnica Structural Equation Models (SEM), que es una herramienta integral de modelización multiecuacional que fusiona la econometría con los principios de medición de la psicología y la sociología. Esta técnica estadística de análisis multivariante tiene como objetivos primordiales, el aumentar la capacidad explicativa del investigador y la eficacia estadística. La investigación proporciona una modelización confirmatoria que correlaciona las variables latentes y manifiestas, que determinan el grado de relación y alineación entre las cuatro perspectivas de cuadro de mando integral (procesos internos, financieros, del cliente y aprendizaje y crecimiento) y las estrategias genéricas de Porter. Para el procesamiento se emplea el software LISREL versión más reciente 8.8 del año 2009, que es un programa usado en el análisis de ecuaciones estructurales, que fue desarrollado en los años setenta por Karl Jöreskog y Dag Sörbom, ambos profesores de la Universidad de Upsala, Suecia.

On multimodality of obnoxious faclity location models

Obnoxious single facility location models are models that have the aim to find the best location for an undesired facility. Undesired is usually expressed in relation to the so-called demand points that represent locations hindered by the facility. Because obnoxious facility location models as a rule are multimodal, the standard techniques of convex analysis used for locating desirable facilities in the plane may be trapped in local optima instead of the desired global optimum. It is assumed that having more optima coincides with being harder to solve. In this thesis the multimodality of obnoxious single facility location models is investigated in order to know which models are challenging problems in facility location problems and which are suitable for site selection. Selected for this are the obnoxious facility models that appear to be most important in literature. These are the maximin model, that maximizes the minimum distance from demand point to the obnoxious facility, the maxisum model, that maximizes the sum of distance from the demand points to the facility and the minisum model, that minimizes the sum of damage of the facility to the demand points. All models are measured with the Euclidean distances and some models also with the rectilinear distance metric. Furthermore a suitable algorithm is selected for testing multimodality. Of the tested algorithms in this thesis, Multistart is most appropriate. A small numerical experiment shows that Maximin models have on average the most optima, of which the model locating an obnoxious linesegment has the most. Maximin models have few optima and are thus not very hard to solve. From the Minisum models, the models that have the most optima are models that take wind into account. In general can be said that the generic models have less optima than the weighted versions. Models that are measured with the rectilinear norm do have more solutions than the same models measured with the Euclidean norm. This can be explained for the maximin models in the numerical example because the shape of the norm coincides with a bound of the feasible area, so not all solutions are different optima. The difference found in number of optima of the Maxisum and Minisum can not be explained by this phenomenon.