📈 economics

The Effects of Environmental Risk and Regulatory Pressure on Operational Vulnerability and Disruption Probability in Supply Chains: An Integration of PLS-SEM and Machine Learning

Este estudio emplea un enfoque híbrido de PLS-SEM y aprendizaje automático con datos de gestores de la cadena de suministro turcos para demostrar que el riesgo ambiental y la presión regulatoria aumentan la probabilidad de interrupción principalmente al incrementar la vulnerabilidad operativa, lo que sugiere que los gestores deberían priorizar la mitigación de las vulnerabilidades internas por encima del mero monitoreo de las amenazas externas.

Autores originales: HALDUN TURAN

Publicado 2026-09-01

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: HALDUN TURAN

Artículo original bajo licencia CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagine una cadena de suministro global no como una única línea sólida, sino como una vasta e intrincada red de conexiones entre fábricas, camiones, almacenes y puertos. Durante décadas, las empresas se han preocupado por qué podría romper esta red desde el exterior: una tormenta repentina, un cambio en la política global o una nueva regla gubernamental. Estas fuerzas externas suelen llamarse riesgos. Pero un nuevo estudio sugiere que el verdadero peligro para la capacidad de una empresa de seguir moviéndose no es solo la tormenta en sí, sino qué tan frágil es la red antes de que la tormenta golpee. Esta fragilidad, conocida como vulnerabilidad operativa, es la debilidad interna que permite que un problema externo se convierta en una interrupción mayor. Mientras que las empresas se han centrado durante mucho tiempo en vigilar el horizonte en busca de problemas, esta investigación plantea una pregunta diferente: ¿cuánto del daño es realmente causado por la propia estructura de la empresa y cuánto por el mundo exterior?

Para responder a esto, Haldun Turan, un investigador, analizó a 384 gerentes que trabajan en empresas de manufactura y logística en Türkiye. Estas son las personas responsables de mantener el movimiento de los bienes, desde el suelo de la fábrica hasta la entrega final. El estudio examinó dos tipos principales de presión externa: el riesgo ambiental, que incluye cosas como cambios impredecibles en la demanda de los clientes, fluctuaciones económicas y desastres naturales; y la presión regulatoria, que se refiere al creciente número de reglas gubernamentales y estándares ambientales que las empresas deben seguir. El investigador quería ver si estas fuerzas externas causaban directamente la ruptura de las cadenas de suministro, o si primero las hacían más vulnerables, lo que luego conducía a la interrupción. Para obtener una imagen clara, el estudio utilizó un enfoque de dos partes. Primero, utilizó un método estadístico para mapear las relaciones entre estas ideas, probando una teoría específica sobre cómo se conectan. Luego, introdujo esos mismos datos en algoritmos informáticos diseñados para predecir resultados, verificando si la teoría se mantenía al ser probada contra información nueva y no vista.

Los resultados ofrecieron un cambio de perspectiva claro y algo sorprendente. El estudio encontró que tanto los riesgos ambientales como las presiones regulatorias sí hacen que las cadenas de suministro sean más vulnerables, pero no causan interrupciones por sí mismas de forma directa. En su lugar, estas fuerzas externas actúan como una prueba de estrés que expone las grietas en el sistema. Cuando una empresa enfrenta regulaciones difíciles o un cambio económico repentino, sus debilidades internas —como depender de un único proveedor, tener demasiado poco inventario en reserva o tener procesos que no pueden adaptarse fácilmente— se convierten en la verdadera causa de la interrupción. De hecho, los datos mostraron que la presión regulatoria era un motor más fuerte de esta debilidad interna que el riesgo ambiental. Esto sugiere que las mismas reglas diseñadas para hacer los negocios más seguros o ecológicos pueden, a veces, hacer que las operaciones sean tan rígidas que pierden la flexibilidad necesaria para manejar cambios inesperados.

Quizás el hallazgo más significativo es que, una vez que se contabiliza la vulnerabilidad interna de una empresa, los riesgos externos ya no tienen un vínculo directo con si ocurre una interrupción. En otras palabras, una tormenta o una nueva ley no detienen automáticamente una cadena de suministro; solo la detienen si la cadena ya era demasiado débil para doblarse sin romperse. El estudio confirmó que la vulnerabilidad operativa es el mecanismo central que convierte la presión externa en un fallo del mundo real. Cuando los investigadores probaron su modelo utilizando aprendizaje automático, los resultados reforzaron esta conclusión. Los modelos informáticos, que incluían algoritmos complejos, encontraron que el predictor más importante de una interrupción futura era el nivel actual de vulnerabilidad interna, no el nivel de riesgo externo. Curiosamente, los modelos computacionales más complejos no funcionaron mucho mejor que un cálculo simple y directo, lo que sugiere que la relación entre estos factores es directa y lineal, sin giros ocultos y complicados.

Para los líderes empresariales, esto cambia la estrategia para mantenerse seguros. En lugar de gastar la mayor parte de su energía y dinero tratando de predecir cada posible amenaza externa, el estudio sugiere que deberían centrar sus recursos en arreglar sus propias debilidades internas. La investigación propone que las empresas deberían tratar su fragilidad interna como un indicador principal de problemas, tal como un médico revisa los signos vitales de un paciente antes de que ocurra una enfermedad. Al gestionar activamente su estructura interna —como encontrar proveedores de respaldo, crear procesos flexibles y mantener suficiente inventario de reserva para absorber choques—, las empresas pueden construir un sistema que sobreviva a las presiones externas. El estudio también advierte que, si bien seguir las regulaciones es necesario, hacerlo de una manera que haga las operaciones demasiado rígidas puede ser contraproducente, haciendo a la empresa más susceptible a las mismas interrupciones que espera evitar. En última instancia, la investigación argumenta que la resiliencia no es solo vigilar el clima; es construir un barco que pueda capear cualquier tormenta.

Resumen Técnico: Los Efectos del Riesgo Ambiental y la Presión Regulatoria en la Vulnerabilidad Operativa y la Probabilidad de Disrupción en las Cadenas de Suministro

Planteamiento del Problema
Las cadenas de suministro globales enfrentan una incertidumbre sin precedentes impulsada por tensiones geopolíticas, fluctuaciones en la demanda y crecientes presiones regulatorias centradas en la sostenibilidad. Mientras que la literatura existente cubre extensamente la resiliencia de la cadena de suministro y la mitigación de riesgos, existe una comprensión limitada de los mecanismos específicos que vinculan las fuentes de riesgo externas con los resultados de disrupción. Existe una brecha crítica en la distinción cuantitativa entre los factores de riesgo externos (riesgo ambiental y presión regulatoria) y las debilidades estructurales internas (vulnerabilidad operativa). Además, la investigación actual suele depender de modelos explicativos sin probar rigurosamente sus capacidades predictivas fuera de la muestra, lo que deja un desajuste entre la causalidad teórica y la utilidad predictiva en la gestión de riesgos de la cadena de suministro.

Metodología
Este estudio emplea un diseño metodológico híbrido de dos etapas que integra el Modelado de Ecuaciones Estructurales por Mínimos Cuadrados Parciales (PLS-SEM) con algoritmos de aprendizaje automático (ML).

Recolección de Datos: Se recolectaron datos primarios mediante una encuesta en línea de 384 gerentes de cadena de suministro, logística y operaciones en empresas de manufactura y logística en Turquía. La muestra utilizó un enfoque de muestreo por cuotas no probabilístico para asegurar una representación equilibrada entre grupos de edad y tamaños de empresa.
Etapa 1 (Modelado Explicativo): Se utilizó PLS-SEM para probar las relaciones estructurales hipotetizadas. El modelo de medición fue validado para confiabilidad (alfa de Cronbach, confiabilidad compuesta) y validez (validez convergente y discriminante mediante las relaciones de Fornell-Larcker y HTMT). El modelo estructural se evaluó mediante coeficientes de trayectoria, $R^2$ , tamaños de efecto ( $f^2$ ) y relevancia predictiva ( $Q^2$ ) vía bootstrapping (5,000 submuestras). El sesgo de método común se evaluó mediante la prueba de factor único de Harman y el método de factor latente común.
Etapa 2 (Analítica Predictiva): Las puntuaciones de variables latentes derivadas del análisis PLS-SEM se transfirieron como características de entrada a tres algoritmos de aprendizaje automático: Regresión Lineal, Random Forest y Árboles de Potenciación de Gradiente (GBT). El conjunto de datos se dividió en subconjuntos de 80% para entrenamiento y 20% para prueba. El rendimiento del modelo se evaluó utilizando $R^2$ , Error Absoluto Medio (MAE) y Raíz del Error Cuadrático Medio (RMSE), aplicando validación cruzada de 5 pliegues para evaluar la estabilidad.

Result Resultados Clave

Relaciones Estructurales: El análisis PLS-SEM confirmó que tanto el Riesgo Ambiental ( $\beta = 0.283, p < 0.001$ ) como la Presión Regulatoria ( $\beta = 0.433, p < 0.001$ ) tienen efectos positivos significativos sobre la Vulnerabilidad Operativa. La Vulnerabilidad Operativa, a su vez, es un fuerte predictor de la Probabilidad de Disrupción ( $\beta = 0.619, p < 0.001$ ).
Mediación: El análisis de mediación reveló que la Vulnerabilidad Operativa media totalmente la relación entre las fuentes de riesgo externas (Riesgo Ambiental y Presión Regulatoria) y la Probabilidad de Disrupción. Los efectos directos de las fuentes de riesgo sobre la probabilidad de disrupción fueron estadísticamente no significativos una vez que se contabilizó la vulnerabilidad.
Desempeño Predictivo: En la etapa de aprendizaje automático, el modelo Random Forest logró la mayor precisión predictiva ( $R^2 = 0.505$ en el conjunto de prueba), superando marginalmente a la Regresión Lineal ( $R^2 = 0.501$ ). El modelo de Árboles de Potenciación de Gradiente exhibió sobreajuste, arrojando un $R^2$ negativo ($-0.344$) en el conjunto de prueba. El análisis de importancia de características en el modelo Random Forest identificó la Vulnerabilidad Operativa como el predictor dominante (puntuación de importancia: 0.71), seguida de la Presión Regulatoria (0.17) y el Riesgo Ambiental (0.12).
Ajuste del Modelo: El modelo estructural demostró un ajuste aceptable (SRMR = 0.049) y un poder explicativo moderado ( $R^2 = 0.449$ para Vulnerabilidad Operativa; $R^2 = 0.384$ para Probabilidad de Disrupción).

Contribuciones Clave

Integración Teórica: El estudio clarifica la distinción conceptual entre las fuentes de riesgo externas y la vulnerabilidad operativa interna. Posiciona a la vulnerabilidad operativa como el mecanismo central que vincula las presiones ambientales y regulatorias con la probabilidad de disrupción, extendiendo el modelo de Cadena de Suministro Viable y la Teoría Institucional. Notablemente, encuentra que la presión regulatoria es un antecedente de la vulnerabilidad más fuerte que el riesgo ambiental, desafiando la intuición de que los choques externos son la principal amenaza.
Perspectiva Práctica: Los hallazgos sugieren que los esfuerzos de resiliencia son más efectivos cuando se dirigen a reducir las vulnerabilidades internas en lugar de únicamente monitorear los riesgos externos. Dado que los riesgos externos influyen en la disrupción solo indirectamente a través de la vulnerabilidad, los gerentes deben priorizar el endurecimiento estructural interno (por ejemplo, proveedores alternativos, capacidad de reserva, modularidad de procesos) sobre los tableros de control de riesgos externos.
Avance Metodológico: El artículo demuestra la integración del modelado estructural explicativo con la analítica predictiva. Valida que un modelo estructural parsimonioso es adecuado para este dominio, ya que los algoritmos complejos de ML (como el boosting) no ofrecieron ganancias significativas sobre los modelos lineales y sufrieron de sobreajuste en estructuras de datos de baja dimensionalidad.

Significancia y Reivindicaciones
El artículo afirma avanzar en la teoría de la gestión de operaciones al modelar holísticamente la cadena riesgo-vulnerabilidad-disrupción y proporcionar evidencia empírica de que la vulnerabilidad es el mecanismo de transmisión crítico para las disrupciones. Prácticamente, ofrece un principio generalizable: la resiliencia se logra mejor gestionando la arquitectura interna del sistema en lugar de reaccionar a eventos exógenos. Metodológicamente, el estudio sirve como un ejemplo de cautela contra el uso reflexivo de algoritmos complejos para problemas de gestión de operaciones de baja dimensionalidad, demostando que las relaciones lineales simples suelen ser suficientes cuando el modelo estructural subyacente es teóricamente sólido. El estudio concluye que la resiliencia sostenible de la cadena de suministro requiere un cambio del monitoreo reactivo de riesgos hacia un diseño de sistemas proactivo enfocado en la reducción de la vulnerabilidad operativa.

Más como este