Modelando la decisión de ubicación geográfica para un grupo de operadores logísticos: Una aproximación probabilística para el caso chileno.

din
gs
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
os
-E
NE
FA
Pr
oc
ee
1.10 MODELANDO LA DECISIÓN DE UBICACIÓN GEOGRÁFICA PARA UN GRUPO DE
OPERADORES LOGÍSTICOS: UNA APROXIMACIÓN PROBABILÍSTICA PARA EL CASO
CHILENO
va
d
AUTORES:
er
ERICK LEAL MATAMALA
es
Ph.D. Student Institute of Transport and Maritime Management ITMMA. Antwerp University, Belguim.
rR
Facultad Cs. Económicas y Administrativas Universidad Católica de la Santísima Concepción, Chile.
Au
to
E-mail: eleal@ucsc.cl Teléfono +56 41 2345505 Fax + 56 41 2345501
de
JOSÉ BARRALES
Facultad Cs. Económicas y Administrativas Universidad Católica de la Santísima Concepción, Chile.
EN
EF
A
Pr
o
ce
ed
ing
s-
De
re
ch
os
E-mail: jbarrales@ucsc.cl Telefono +56 41 2345500 Fax + 56 41 2345501
295
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
RESUMEN
din
gs
El propósito del artículo es modelar la decisión de selección geográfica para un grupo de
operadores logísticos en el mercado chileno, identificando las variables que determinan tal decisión a
ee
nivel de provincia. Para alcanzar dicho objetivo se ha considerado el diseño de tres experimentos
En términos generales, los principales resultados dan cuenta
de la
NE
FA
parámetros aleatorios.
Pr
oc
probabilísticos cuyos supuestos son consistentes con los modelos Logit, Logit condicional y Logit con
importancia de las variables relativas a infraestructura y características de mercado, y en el ámbito
-E
más específico, la relajación del supuesto de parámetros fijos evidencia que no existe diferencia
estadísticamente significativa en el proceso de decisión para los diferentes operadores. En el ámbito
va
d
os
público, los resultados son útiles en cuanto permiten identificar los impactos de política de
infraestructura en la industria logística, más específicamente, se entrega información valiosa acerca
es
er
de los esfuerzos que se deben realizar para cerrar brechas de infraestructura en las provincias con
rR
mayor potencial. En el ámbito privado, los resultados aportan información valiosa para el proceso de
to
toma de decisiones, sobre todo, aquellos relacionados con las oportunidades de crecimiento que
Au
presenta el territorio nacional.
os
de
Palabras clave: ubicación geográfica – industria logística - elección discreta
ch
ABSTRACT
De
re
This article aims at modeling the geographical location choice for a group of Chilean logistic
operators, identifying the variables determining such choice at province level. Top meet this
s-
objective the authors design three experiments whose assumptions are consistent with either: the
ing
basic logit model, the conditional logit model and the probabilistic parameter approach. The results
ed
account great importance of market characteristics and infrastructure variables, and particularly, if
Pr
o
ce
the assumption about fix parameter is relaxed, the results show evidence about non difference
among logistics operators. Into the public field the results are useful identifying the impact of public
EF
A
policy on the logistics industry, but particularly, giving information about the main gaps to be closed
EN
by public bodies in the provinces with greater potential. Into the private field, the results may
support strategic decision process, mainly, those decisions related to growth opportunities into the
Chilean territory.
Key words: location choice – logistic industry - choice analysis
296
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
din
gs
1. Introducción
La importancia de la industria logística tiene implicancias a nivel global en cuanto sustenta el
ee
intenso flujo de bienes producto de la creciente y nunca antes vista integración comercial. A nivel
oc
local, economías emergentes requieren de una industria eficiente que permita facilitar el proceso de
NE
FA
producción y distribución mundial, como es el caso de la Economía Chilena.
Pr
integración comercial, sobre todo aquellas economías alejadas de los principales centros de
-E
Aunque los principales operadores logísticos globales han establecido como principales zonas
os
de operación aquellas en torno a las principales economías mundiales, la madurez de estos mercados
va
d
y la creciente integración de las economías emergentes en la cadena de suministro global añaden un
nuevo punto de vista geográfico para el desarrollo de tales operaciones. En efecto, siguiendo el
es
er
desarrollo de los flujos de comercio, los operadores logísticos globales (OLG) han ampliado sus
rR
servicios puerta a puerta hacia mercados emergentes, lo que implica el inicio de operaciones propias,
Al mismo tiempo, tales desarrollos implican grandes oportunidades no solo para la
Au
competitiva.
to
o bien, la búsqueda de socios locales que le permitan acceder a estos mercados de manera
de
empresa privada local, sino que también, para el sector público, quien encuentra en este proceso de
os
integración una gran oportunidad para el logro de propósitos ligados al desarrollo no solo económico
ch
sino también social.
De
re
En el contexto descrito, entender el proceso sobre el cual un operador logístico decide la
ubicación de sus operaciones se torna de gran relevancia. En le ámbito público, el desarrollo logístico
ing
s-
se sustenta fuertemente en el desarrollo de infraestructura, cuyo mercado está usualmente sujeto a
imperfecciones que limitan su crecimiento y donde el sector público tiene una fuerte influencia en
ed
cuanto a generar las condiciones que permitan tales inversiones.
En le ámbito privado, los
Pr
o
ce
operadores locales deben estar preparados para enfrentar procesos de expansión en orden a
responder a las exigencias de sus potenciales socios globales, principalmente, lo relacionado con
EN
EF
A
servicios puerta a puerta.
En el caso particular de la economía chilena, esta se perfila como uno de los territorios más
atractivos entre las economías emergentes para la industria logística. Las casi tres millones de TEU´s
movilizadas en 2010 implican el mayor volumen y alrededor del 42% del valor total del comercio
internacional de la Costa Oeste de América del Sur (COAS) (World Organización Mundial del
297
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
Comercio OMC, 2010). Al mismo tiempo, el Índice de Desempeño Logístico 2010 (LPI, del Banco
din
gs
Mundial, 2010) ubica al país con el mayor rendimiento en la COAS, pero a la vez, con serios desafíos.
En términos generales, Chile cae 17 puestos respecto del LPI 2007, y más específicamente, presenta
ee
serios desafíos en el ámbito de infraestructura y competencia (precios).
Pr
oc
De lo anterior, el presente trabajo tiene como objetivo modelar la decisión de selección
NE
FA
geográfica para un grupo de operadores logísticos en el mercado chileno, identificando las variables
que determinan tal decisión a nivel de provincia. Para abordar dicho objetivo se trabaja sobre dos
-E
hipótesis: la primera dice relación con las características de mercado y postula que “la decisión de
ubicación de un operador logístico se explica por las características económicas de la unidad
La segunda hipótesis dice relación con la
va
d
os
geográfica estudiada, en este caso, la provincia”.
infraestructura y postula que “la decisión de ubicación de un operador logístico se explica por la
es
er
existencia de infraestructura adecuada (portuaria, carretera, ferroviaria).
rR
En lo que resta del documento, la segunda sección aborda la revisión de la literatura y las
to
variables a considerar en el modelo. La tercera sección describe los aspectos metodológicos del
Au
modelo. La sección número cuatro presenta los resultados para finalizar con las conclusiones en la
de
sección cinco.
re
ch
os
2. Revisión de literatura
De
La revisión de literatura da cuenta de al menos tres enfoques sobre los cuales se puede
El primero y más general,
s-
entender la decisión de ubicación geográfica de un operador logístico.
ing
estudia los determinantes de la inversión extranjera directa en el caso particular de la industria
ed
logística global. El segundo enfoque un poco más específico estudia las variables que determinan el
ce
desarrollo de cluster logísticos o zonas logísticas. Y un tercer enfoque aún más específico y que se
Pr
o
deriva del segundo dice relación con las determinantes de la localización de puertos de trasbordo
EF
A
globales, los que están estrechamente ligados al desarrollo de clusters logísticos.
EN
En lo primero, Lu y Yang (2007) evalúan la importancia del tamaño del mercado, el costo, la
infraestructura y los factores políticos sobre la intención de inversión de un grupo de directores de
empresas de la industria logística. Los principales resultados revelan la importancia de los tres
primeros factores como los principales impulsores de la intención de inversión con una menor
298
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
importancia de las dimensiones políticas. Específicamente, se encontró que los factores de mercado
din
gs
se explican por el crecimiento económico y el tamaño del mercado, los factores de costo por el costo
de la tierra, mano de obra y el índice de impuestos a las empresas, en tanto que los factores de
estabilidad política, seguridad y eficiencia de la administración del gobierno.
oc
Por otra parte, el factor político se explica por la
De manera similar,
Pr
obra calificada e infraestructura de transporte.
ee
infraestructura están explicados por la existencia de buenos sistemas de comunicación, mano de
NE
FA
Oum y Park (2004) estudian los factores que determinan la selección del centro de distribución
regional para un grupo de empresas multinacionales en la región del noreste de Asia. Los autores,
-E
encuentran que las variables más importantes que influyen en la decisión de inversión de los
os
directores fueron: geo-localización, servicios de transporte y la accesibilidad. Al mismo tiempo, el
va
d
tamaño del mercado y potencial de crecimiento se ubicaron como segunda opción. Puertos,
er
aeropuertos e instalaciones intermodales de transporte se fijaron en un tercer nivel de importancia,
es
mientras que la fuerza de trabajo calificada, la calidad del trabajo y la estabilidad laboral ocuparon el
to
rR
último lugar de la clasificación.
Au
En lo referente al desarrollo de cluster logísticos o zonas logísticas, Riemiené y Grundey
de
(2007), Rodrigue et. al. (2009) establecen una jerarquía de centros logísticos que en función de su
os
complejidad funcional incluye tres niveles. En un primer orden definen centros logísticos en torno a
ch
servicios básicos de almacenaje y distribución, en donde sólo hay un modo de transporte (por
re
carretera) y las principales funciones son la de almacenamiento y gestión de flujo de bienes para el
De
cliente final, se ubican por lo general en la periferia de las ciudades y atienden a mercados muy
s-
específicos, que incluyen la propia industria del transporte. En segundo orden definen las terminales
ing
de transporte y villas logísticas, donde la principal diferencia con las instalaciones de primer orden
ed
corresponde a los modos de transporte involucrados y sus respectivas funciones y necesidades. En
ce
este nivel dos o más modos de transporte concentran tanto el tráfico de trasbordo, como aquella
Pr
o
carga cuyo destino final son los mercados de mayor tamaño y densidad, y que a su vez brindan la
A
oportunidad de ofrecer otros servicios relacionados. En un tercer nivel, un nodo logístico es un
EF
territorio que incorpora una red de plataformas logísticas, por lo general sirviendo a una amplia
EN
gama de industrias abasteciendo a diferentes mercados. Por su mayor cobertura, se han desarrollado
preferentemente en torno a las principales economías del mundo y un aspecto de gran importancia
es su infraestructura y ubicación. Una extensión interesante de esta jerarquía está dada por Leal y
Pérez (2009), los que añaden variables como el riesgo, aspectos organizacionales y el rol del sector
299
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
público como elementos importantes a tener en cuenta en el proceso de desarrollo de estos clusters
din
gs
logísticos.
En el ámbito más específico, un tipo particular de cluster logístico tiene que ver con el
ee
desarrollo de puertos de trasbordo, ya sea a una escala global o regional. En esta línea, Notteboom
Pr
oc
(1997) analiza el rol de la tecnología, variables relativas a la organización, la accesibilidad y la política
NE
FA
pública, sobre la capacidad de un puerto (o cluster logístico) de concentrar de carga. Slack (1990),
van Klink y van den Berg (1998) y Mc Calla (1999) demuestran que la promoción de la infraestructura
-E
intermodal es una estrategia efectiva para cumplir con la condición de zona logística. Del mismo
modo, Hoffmann (2000) sostiene que el volumen de comercio internacional, la ubicación, el tamaño
va
d
os
del mercado local, el desarrollo tecnológico, economías de escala y las tarifas de flete, son
importantes variables que pueden justificar este tipo de desarrollos. El trabajo de De Langen (2002)
es
er
se concentra en explicar cómo las economías de aglomeración son el principal inductor para el
rR
desarrollo del sector marítimo en los Países Bajos. En tanto que Ducret (2005) y Ducret y Lee (2006)
to
trabajan sobre los conceptos de ubicación central y ubicación intermedia a una escala mundial para
Au
identificar las ciudades portuarias con potencial de desarrollo logístico. Por último, Tongzon (2007)
internacionales son: incentivos para los inversionistas
os
conjunto de empresas productivas
de
encuentra que los factores más importantes que determinan la decisión de la ubicación para un
De
re
gubernamental y la regulación.
ch
extranjeros, el desarrollo de infraestructura, entorno económico nacional y político, la política
Bajo el mismo concepto pero con la mirada de la investigación de operaciones, Rodríguez et.
s-
al. (2007), Kara y Tansel (2001) y Campbell (1996), por mencionar sólo unos pocos de la larga lista de
ing
artículos, modelan la decisión de ubicación de un puerto hub a escala regional o global incluyendo
ed
variables como: volumen, costo unitario, la distancia con los principales mercados y centros de
Pr
o
ce
producción, el número y la capacidad de los centros de producción y distribución. En el caso
específico de la industria portuaria de América latina, Aversa et. al. (2005) encontraron que una
EF
A
solución óptima para América del Sur en el puerto de Santos en Brasil, y como una segunda mejor
EN
solución al puerto de Buenos Aires en Argentina. Siguiendo el trabajo de Campbell (1996)
determinaron que la solución estar en función de: los costos (puerto, servicios navieros, servicios a
contenedores, transporte por carretera), distancia por carretera, la velocidad de la nave, la dirección
del flujo de contenedores y las economías de escala.
300
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
Desde un punto de vista metodológico, el desarrollo conceptual es útil como una primera
din
gs
aproximación, en tanto que las herramientas de investigación de operaciones no tienen en cuenta
aspectos tan importantes como las cuestiones políticas o algunas de las características específicas de
ee
la conducta humana, a pesar de que son muy útiles con el fin de racionalizar el modelo de toma de
oc
decisiones. En cuanto a las técnicas basadas en preferencias declaradas utilizando herramientas
Pr
psicométricas (como Lu y Yang, 2007), estas aportan evidencia sobre la base de lo que los directivos
NE
FA
"dicen". Sin embargo, las personas no siempre hacen lo que dicen, por lo tanto, un reto importante
está en el ámbito de las técnicas de preferencias reveladas. Otro aspecto importante es que la mayor
-E
parte de la literatura centra su atención en las principales economías del mundo y con menor
os
atención en los países en desarrollo, por lo tanto, nuevos métodos aplicados a mercados emergentes
va
d
resultan ser un reto interesante en esta línea de investigación. Finalmente, la literatura da cuenta de
er
que las principales variables que determinan la decisión de selección de un lugar por parte de un
es
operador logístico son las siguientes: características del mercado, infraestructura, ambiente político e
rR
institucional y costos de operación. Es importante notar que no existen variables relativas al tipo de
Au
to
operador, cuestión que será discutida como parte de la metodología en la siguiente sección.
os
de
3. Metodología
ch
La metodología utilizada para alcanzar los objetivos del estudio puede ser descrita en cuatro
re
etapas: Primero, una revisión de literatura y entrevistas con expertos. Segundo, se definen las
De
fuentes y recopilación de datos. Tercero, se realiza el diseño del experimento que incluye la
s-
construcción de base de datos en función de los modelos de elección discreta a estimar. Finalmente,
ing
se estiman los modelos y se realiza la asignación de probabilidad a cada provincia. Para detalles de la
ed
estimación ver Train (1998).
Pr
o
ce
En la primera etapa se llevó a cabo una exhaustiva revisión de literatura cuyos principales
resultados se mostraron en el apartado anterior y que permitió definir en primera instancia un
EF
A
conjunto de variables que influyen en la decisión de selección de los operadores logísticos. De forma
EN
paralela se llevó a cabo una ronda de entrevista con expertos de la industria de manera tal de validar
las variables definida en la etapa previa.
En la segunda etapa, se establecieron las principales fuentes de datos, las cuales incluyen la
encuesta CASEN (2009), el SENSO (2002), Directorio de la asociación de Operadores logísticos ALOG,
301
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
Ministerio de Obras Públicas y Memorias anuales de Empresas de Ferrocarriles. Como resultado de lo
ee
En lo relativo a las características del mercado , a nivel de provincia, se obtuvieron:
din
gs
anterior se logró obtener información que permitió la construcción de las siguientes variables.
NE
FA
dividido por la superficie en kilómetros cuadrados de la provincia.
oc
Densidad de mercado: número de habitantes en cada provincia según SENSO 2002
Pr
1.
2.
Ingreso per Cápita: definida como el ingreso autónomo de los habitantes de la
-E
provincia dividido por el número de habitantes de la provincia. Donde el ingreso autónomo
va
d
os
se define como aquel ingreso producto de sus activos y trabajo.
er
En lo relativo a la infraestructura las fuentes de datos consultadas complementada con la
rR
es
ayuda de Google Earth permitieron construir las siguientes variables:
Kilómetros lineales de autopista: que corresponden a las autopistas concesionadas y
to
1.
de
Au
entregadas al año 2009, informadas por el Ministerio de Obras Públicas a nivel de provincia.
Kilómetro lineales de línea Férrea: que corresponden a los metros lineales de línea
os
2.
ch
ferra informado en las memorias anuales de empresas ferroviarias.
Existencia de infraestructura portuaria: En donde se construyó una variable
De
re
3.
dicotómica que asume el valor "1" cuando existe infraestructura portuaria y "0" cuando no,
ing
s-
en la provincia.
ed
En cuanto a la decisión de operación por parte de un operador logístico en una provincia
ce
determinada, se construyó una variable dicotómica para cada uno de los operadores estudiados la
Pr
o
cual toma un valor "1" para la provincia en que dicho operador decidió ubicarse y "0" para el resto de
EF
A
las provincias.
EN
En la tercera etapa, se diseñaron tres bases de datos en función de los modelos a estimar. A
su vez, los modelos a estimar consideran ciertos supuestos que son de gran relevancia al momento
de entender la conducta de del operador. En efecto, un primer diseño base considera a cada
provincia como un conjunto individual de elección para un grupo de operadores, los cuales no son
distinguibles entre si, y donde el Modelo Logit resulta factible.
302
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
Un segundo diseño considera a todas las provincias como parte del conjunto posible de
din
gs
elección, esto para cada una de las decisiones de los operadores, los cuales, al igual que en el diseño
anterior, no son distinguibles entre si. Bajo estas características el Modelo Logit Condicional resulta
ee
factible para estimar el impacto de cada variable explicativa en un proceso de elección que incluye la
Pr
oc
totalidad de las alternativas disponibles.
NE
FA
Por último, el tercer diseño nos permite distinguir entre operadores logísticos, lo que implica
a diferencia de los diseños anteriores que se testea la existencia de diferencias en la conducta de
-E
cada operador. Lo que en términos metodológicos es consistente con estimar un Modelo Logit con
os
Parámetros Aleatorios.
va
d
Finalmente, la última etapa considera la estimación y comparación de cada uno de los
es
rR
determinar el potencial logístico de cada provincia.
a cada provincia, lo que permite
er
modelos y la asignación de las respectivas probabilidades
to
Resultados
Au
En la Tabla 1 se muestran los resultados de los dos primeros experimentos llamados 'Modelo
de
Logit Estándar' y 'Modelo Logit Condicional'. En primer término en ambos casos se observa que la
os
mayoría de las variables construidas resultan ser estadísticamente significativas, y por lo tanto,
ch
consistentes con la revisión de literatura. Para el caso particular de las características de mercado, el
De
re
ingreso per cápita no resultó ser significativo, por lo que se ha excluido de los modelos, quedando
como variable proxy la densidad poblacional, la que a su vez resultó ser significativa. Para el caso de
s-
las variables relativas a la infraestructura tanto la infraestructura portuaria como los kilómetros
ing
lineales de carretera y ferrovía resultaron estadísticamente significativos. Respecto a la bondad de
Tabla 1: modelos logit y logit condicional
Modelo Logit Estándar
Modelo Condicional Logit
EF
A
Pr
o
ce
ed
ajuste se puede observar que el modelo Logit Condicional provee una mayor ajuste a los datos.
SD
Coeficiente
SD
Km Linea Ferrea*
0.0444
0.0073
0.0441
0.0061
Efecto Marginal
0.0026
EN
Coeficiente
303
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
Infraestruc Portuaria
1.5568
Efecto Marginal
0.1131
Const
-4.2940
Likelihood ratio index
27.57%
1.4764
0.0143
0.2252
-439.0103
0.2101
33.54%
-609.898
rR
es
er
Log-likelihood converge
0.2206
din
gs
0.0211
0.1437
ee
Efecto Marginal
0.0605
oc
0.3572
Pr
Densidad Poblacional**
0.0159
NE
FA
0.0023
0.0338
-E
Efecto Marginal
0.0185
os
0.0383
va
d
Km autopista*
to
* escalado por 10
os
de
Au
** escalado por 100
ch
Respecto del tercer experimento, como se mencionó previamente la utilidad de estimar un
re
modelo Logit con parámetros aleatorios resulta útil para observar si las diferencias entre los
De
operadores tiene un efecto sobre la decisión. La Tabla 2 muestra que el valor esperado de cada uno
s-
de los coeficiente en el modelo son significativos. Y en el caso particular de las varianzas la
ing
significancia estadística de la densidad poblacional da cuenta de que esta sería la única variable sobre
Tabla 2: modelo logit de parámetros aleatorios
A
Pr
o
ce
ed
la cual los operadores tendrían distintas ponderaciones en el proceso de selección.
EN
EF
Km Linea Ferrea*
Km autopista*
Coeficiente
SD
Media del coef
0.0337
0.0061
Desv. Estand. Del coef
0.0011
0.0067
Media del coef
0.0445
0.0159
304
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
Media del coef
0.1484
0.0154
Desv. Estand. Del coef
0.0222
Media del coef
1.4837
din
gs
0.0176
0.0121
0.2103
NE
FA
Pr
oc
Infraestruc Portuaria
0.0000
ee
Densidad Poblacional**
Desv. Estand. Del coef
33.62
-E
Likelihood ratio index
-609.17
os
Log-likelihood converge a
va
d
* escalado por 10
rR
es
er
** escalado por 100
Au
to
En cuanto a los efectos marginales el modelo logit básico muestra que la variable que tiene
mayor influencia sobre la decisión de selección de una provincia en particular es la existencia de
de
infraestructura portuaria. En efecto la existencia de la infraestructura portuaria aumenta en un 11%
os
la probabilidad de que la provincia sea escogida por un operador logístico. Respecto delas variables
re
ch
restantes se tiene que un aumento en 100 habitantes por kilómetro cuadrado aumenta la
De
probabilidad de selección de dicha provincia en un 2%, en tanto que 10 kilómetros adicionales, tanto
s-
para línea férrea como autopistas aumentan un 0.2% la probabilidad de selección.
ing
Para el caso del Modelo Logit Condicional los efectos marginales deben ser calculados para
ed
cada parámetro y cada alternativa de elección, de donde se obtienen 4 matrices triangulares de
ce
dimensión 49 x 49. Las diagonales de cada una de ellas representan los efectos marginales de las
Pr
o
respectiva variable explicativa sobre la probabilidad de selección de cada una de las 49 provincias, en
A
tanto que cada triangulo superior o inferior muestra el efecto sustitución de la selección sobre el
EN
EF
resto de las provincias, esto es, cómo disminuye o aumenta la probabilidad de selección del resto de
las provincias, dado de que en una provincia específica se han realizado cambios en la variable
explicativa, por ejemplo, una mejora en la infraestructura vial.
305
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
La Tabla 3 Muestra las probabilidades de selección para cada uno de los modelos estimados
din
gs
y en el caso particular del modelo Logit Condicional las cuatro últimas columnas muestran los efectos
marginales de cada una de las variables explicativas sobre cada una de las 49 provincias, por su parte
ee
los efectos de sustitución para el resto de las provincias se han omitido por problemas de espacio.
Pr
oc
De igual modo la Tabla 3 muestra que las provincias con mayor potencial logístico son:
NE
FA
Santiago, Antofagasta, Concepción, Valparaíso e Iquique. En el caso particular del modelo Logit se
tiene que por cada 100 empresas a las cuales se le presenta Santiago como una oportunidad de
-E
ubicación 99 de ellas tomarían esta opción, en el caso de Antofagasta este número ascendería a 42,
en el caso de Concepción 41, Valparaíso 32 e Iquique 20. Para el modelo Logit Condicional de cada
va
d
os
100 empresas que tienen el conjunto completo de provinciales como potenciales lugares de
er
selección 19 elegirían Santiago, 8 Antofagasta, 7 Concepción, 4 Valparaíso y 3 Iquique.
rR
es
Tabla 3: Probabilidad de selección para cada modelo estimado y efectos marginales para el modelo Logit Condicional
Logit
Param.
Km lineal
Km linea
Densidad
Infraestructura
Logit
Condicional
de
autopista*
ferrea*
poblacional**
portuaria
Iquique
20.34%
3.87%
4.73%
0.16%
0.13%
0.53%
3.10%
Arica
9.12%
1.86%
re
1.80%
0.08%
0.06%
0.26%
1.46%
Parinacota
1.98%
0.42%
De
0.41%
0.02%
0.01%
0.06%
1.43%
Antofagasta
41.70%
8.48%
13.29%
0.34%
0.26%
1.11%
7.13%
El Loa
4.77%
0.84%
1.00%
0.04%
0.03%
0.12%
2.86%
16.28%
3.16%
3.63%
0.13%
0.10%
0.44%
2.52%
18.35%
3.53%
4.20%
0.15%
0.12%
0.49%
2.82%
EF
Au
Logit
Efectos Marginales (Logit Condicional)
to
Probabilidades
19.51%
3.72%
4.49%
0.16%
0.12%
0.51%
2.98%
Huasco
14.40%
2.82%
3.13%
0.12%
0.09%
0.39%
2.24%
El Elqui
19.01%
3.95%
4.07%
0.17%
0.13%
0.55%
3.17%
os
A
Chañaral
Aleatorios
ch
ing
ed
ce
Pr
o
Tocopilla
s-
Provincia
EN
Copiapo
306
3.98%
0.85%
0.77%
0.04%
0.03%
0.12%
2.90%
Choapa
17.05%
3.74%
3.63%
0.16%
0.12%
0.52%
3.00%
Valparaiso
32.52%
4.65%
4.34%
0.20%
0.15%
0.64%
Los Andes
2.22%
0.50%
0.41%
0.02%
0.02%
0.07%
Petorca
1.84%
0.43%
0.35%
0.02%
0.01%
0.06%
Quillota
3.51%
0.62%
0.53%
0.03%
0.02%
0.09%
2.11%
San Antonio
11.70%
2.19%
2.03%
0.09%
0.07%
0.31%
1.73%
Aconcagua
2.30%
0.50%
0.41%
0.02%
0.02%
0.07%
1.69%
Chacabuco
2.97%
0.61%
0.52%
0.03%
er
0.02%
0.09%
2.08%
Santiago
99.04%
19.46%
15.63%
0.69%
0.53%
2.25%
73.44%
Cordillera
1.88%
0.36%
0.32%
0.02%
0.01%
0.05%
1.22%
Maipo
6.09%
0.70%
0.64%
0.03%
0.02%
0.10%
2.38%
Melipilla
2.29%
0.49%
de
0.02%
0.02%
0.07%
1.67%
Talagante
6.15%
0.68%
0.59%
0.03%
0.02%
0.10%
2.31%
Cardenal Caro
1.78%
0.38%
re
0.36%
0.02%
0.01%
0.05%
1.30%
Cachapoal
3.09%
0.61%
0.53%
0.03%
0.02%
0.09%
2.06%
Colchagua
2.84%
ing
0.57%
0.54%
0.02%
0.02%
0.08%
1.92%
3.09%
0.61%
0.59%
0.03%
0.02%
0.09%
2.06%
4.60%
0.86%
0.87%
0.04%
0.03%
0.12%
2.95%
2.27%
0.52%
0.43%
0.02%
0.02%
0.07%
1.77%
Linares
2.47%
0.49%
0.48%
0.02%
0.02%
0.07%
1.65%
Ñuble
4.58%
0.94%
0.85%
0.04%
0.03%
0.13%
3.19%
Concepcion
40.78%
7.45%
6.90%
0.30%
0.23%
0.99%
6.20%
s-
De
es
rR
to
Au
ch
os
0.43%
ee
oc
Pr
NE
FA
-E
os
3.76%
1.69%
1.47%
Talca
Pr
o
ce
Curico
va
d
San Felipe de
din
gs
Limari
ed
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
EN
EF
A
Cauquenes
307
2.86%
0.54%
0.56%
0.02%
0.02%
0.08%
1.84%
Bío-Bío
4.56%
0.93%
0.87%
0.04%
0.03%
0.13%
3.17%
Malleco
2.45%
0.54%
0.47%
0.02%
0.02%
0.08%
Cautín
4.95%
1.03%
0.91%
0.04%
0.03%
0.15%
Valdivia
16.94%
3.82%
3.47%
0.16%
0.12%
0.53%
Osorno
2.53%
0.55%
0.48%
0.02%
0.02%
0.08%
1.87%
Llanquihue
15.76%
3.58%
3.17%
0.15%
0.12%
0.50%
2.86%
Chiloé
6.44%
1.41%
1.24%
0.06%
0.05%
0.20%
1.10%
Palena
6.11%
1.37%
1.21%
0.06%
0.05%
0.19%
1.07%
Aysen
1.35%
0.31%
0.27%
er
0.01%
0.04%
1.06%
Coyhaique
1.36%
0.31%
0.28%
0.01%
0.01%
0.05%
1.06%
Carrera
1.35%
0.31%
0.27%
0.01%
0.01%
0.04%
1.06%
Capitán Prat
1.35%
0.31%
de
0.01%
0.01%
0.04%
1.06%
Esperanza
6.09%
1.37%
re
1.21%
0.06%
0.05%
0.19%
1.07%
Magallanes
6.15%
1.38%
1.22%
0.06%
0.05%
0.20%
1.08%
1.21%
0.06%
0.05%
0.19%
1.07%
ee
oc
Pr
NE
FA
-E
os
va
d
1.82%
3.51%
3.06%
to
rR
es
0.01%
din
gs
Arauco
De
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
Au
General
os
0.27%
s-
ch
Ultima
ing
Tierra del
6.09%
1.37%
ed
Fuego
Pr
o
ce
* 10
A
** 100
EF
Finalmente cabe señalar en términos generales los resultados son bastante consistente con la
EN
revisión de literatura. En el caso de la densidad poblacional, la importancia de esta variable refleja el
efecto de las economías de aglomeración sobre la demanda de servicios logísticos, resultado que
está en línea con De Langen (2002) y que se reafirma con el hecho de que Santiago sea la provincia
con mayor potencial. En el caso de la infraestructura los resultados son consistentes con la literatura
308
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
relativa al desarrollo de zonas logísticas, la que indica una relación positiva entre mayor conectividad,
din
gs
dado por los Kilómetros lineales de autopista y línea férrea, y el potencial de desarrollo de cluster
logísticos (Ducret, 2005; Ducret y Lee, 2006, Rodrigue et. al. 2009). Respecto del desarrollo portuario
ee
los resultados son bastante claros en cuanto a que la infraestructura portuaria es uno de los factores
oc
más importantes al momento de decidir una provincia lugar de operación. En efecto cuatro de las
Pr
cinco ciudades con mayor potencial son ciudades costeras que tiene un fuerte desarrollo portuario.
-E
NE
FA
4. Conclusiones
os
En el presente trabajo se ha modelado la decisión de selección de ubicación para un grupo de
va
d
37 operadores logísticos en el territorio chileno. Independiente de la estructura del experimento los
factores que determinan la selección de una determinada provincia se mantienen inalterados en
es
er
cuanto a su significancia estadística, resultados que son útiles en términos de política de desarrollo
rR
ya sea pública o privada. En tal sentido, los resultados apuntan a que dichas políticas deben tener en
to
cuenta el desarrollo del mercado en cuanto a que este opera como inductor de demanda de servicios
Au
logísticos, pero al mismo tiempo se debe tener en cuenta que tanto la infraestructura portuaria como
de
la carretera y la ferroviaria generan las condiciones necesarias para que se haga efectiva dicha
os
selección.
ch
Basados en las probabilidades para cada uno de los tres modelos es posible identificar que la
De
re
jerarquía se mantiene estable dentro de las primeros cinco provincias con mayor potencial. Esto es,
que si bien las probabilidades cambian de acuerdo a los supuestos que se hacen para cada modelo, el
ing
s-
potencial de desarrollo dado por la respectiva probabilidad se mantiene.
ed
Desde un punto de vista espacial las zonas norte y sur presentan un potencial logístico más
ce
bien costero, en tanto que en la zona central se da un desarrollo tierra adentro. Para el caso costero
Pr
o
esto es consistente con el desarrollo de servicios que soportan la actividad portuario, por ejemplo,
A
servicios al contenedor, servicios a la nave y servicios portuarios en general. En tanto que para el
EF
caso tierra adentro los servicios se orientan hacia el marcado de consumidores finales, por ejemplo,
EN
almacenamiento, etiquetado, empaque, ensamblaje y distribución.
Finalmente, el ejercicio realizado resulta un aporte en términos de modelar la conducta de
un operador logístico consistente con un proceso de maximización de utilidad, la cual no puede ser
309
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
observada, pero si revelada a través la observación de las preferencias en el proceso de selección.
din
gs
Investigación adicional dice relación con la necesidad de avanzar en tres aspectos más inmediatos:
primero, los experimentos presentados no consideran la posibilidad de que el operador logístico elija
ee
de manera simultánea más una provincia en cada evento de elección. Segundo, no se considera las
oc
probabilidades condicionales ya que suponemos que cada proceso de elección es independiente
Pr
entre si. Tercero, no se considera la dinámica espacial sobre las probabilidades de selección, por
EN
EF
A
Pr
o
ce
ed
ing
s-
De
re
ch
os
de
Au
to
rR
es
er
va
d
os
-E
NE
FA
ejemplo, cual es el efecto que podría tener la cercanía de Valparaíso con Santiago.
310
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
din
gs
5. Referencias
Arvis, J. F., Mustra, M. A., Ojala, L., Shepherd, B. & Saslavsky (2010). Connecting to Compete 2010.
ee
Trade Logistics in the Global Economy. The Logistics Performance Index and Its Indicators. World
Pr
oc
Bank.
NE
FA
Aversa, R., Botter, RC., Haralambides, H. and Yoshizaki, HTY. (2005). A Mixed Integer Programming
Model on the Location of a Hub Port in the East Coast of South America. Maritime Economics &
-E
Logistics, 7, 1–18.
va
d
os
Campbell, J. F. (1996). Hub Location and the p-Hub Median Problem. Operation Research 44, 923-935
De Langen, P. W. (2002). Clustering and performance: the case of maritime clustering in The
es
er
Netherlands. Maritime Policy & Management: The flagship journal of international shipping and port
rR
research, 29(3), 209-221.
to
Ducruet, C. (2005). Approche comparée du développement des villes-ports a` l’échelle mondiale:
de
Au
problémes théoriques et méthodologiques. Cahiers Scientifiques du Transport, 48, 59–79.
os
Ducruet, C. and Lee, S.W. (2006). Frontline soldiers of globalisation: Port-city evolution and regional
ch
competition. GeoJournal 67, 107-122.
De
re
Hoffmann, J. (2000). The potential for hub ports on the Pacific coast of South America. CEPAL Review
s-
71, 117-138.
ed
47, 1408-1420
ing
Kara, B. Y. and Tansel, B. C. (2001). The Latest Arrival Hub Location Problem. Management Science
Pr
o
ce
Kenneth E. Train, Land Economics, Vol. 74, No. 2 (May, 1998), pp. 230-239
A
Leal, E. and Perez, G. (2009). Logistic platforms: conceptual elements and the role of the public
EN
EF
sector. Bulletin FAL ECLAC. Issue 274 N°6.
Lu, C-S. and Yang, Ch.-Ch. (2007). An evaluation of the investment environment in international
logistics zones: A Taiwanese manufacturer’s perspective. International Journal of Production
Economics 107, 279–300.
311
Proceedings del XXVII Encuentro Nacional de Facultades de Administración y Economía ENEFA
Proceedings – Vol. 4, año 2011
ASFAE
McCalla, R. J. (1999). Global change, local pain: intermodal seaport terminals and their service areas.
din
gs
Journal of Transport Geography, 7 (4) 247-254.
Notteboom, T. (1997). Concentration and load centre development in the European container port
oc
ee
system. Journal of Transport Geography 5, 99-115.
Pr
Oum, T-H. and Park, J-H. (2004). Multinational firms location preference for regional distribution
NE
FA
centers: focus on the Northeast Asian region. Transportation Research Part E 40, 101–121.
-E
Rimiené, K., and Grundey, D. (2007). Logistics Centre Concept trough evolution and Definition.
os
Engineering Economics 4, 89-95.
va
d
Rodrigue, J.P., Comtois, C. y Slack,B. (2009). The geography of transport systems. Second Edition.
er
New York: Routledge, 352 pages.
rR
es
Rodriguez, M.J., Álvarez and L. Barcos (2007). Hub location under capacity constraints.
to
Transportation Research Part E 43, 495–505.
Au
Slack, B. (1990). Intermodal transportation in North America and the development of inland load
os
de
centres. Professional Geographer 42, 72-83.
ch
Tongzon, J. (2007), Determinants of Competitiveness in Logistics: Implications for the ASEAN Region,
De
re
Maritime Economics and Logistics 9 (1), 67-83
EN
EF
A
Pr
o
ce
ed
ing
Geography 6, 1-9
s-
Van Klink, H.A. and Van Den Berg, G.C. (1998). Gateways and intermodalism. Journal of Transport
312