Localisation and Circularity in Apple Supply Chains: An Algorithmic Exploration

Este artigo apresenta um modelo de programação linear inteira mista ponderada para otimizar a alocação na cadeia de suprimentos de maçãs no Reino Unido, equilibrando critérios econômicos e de sustentabilidade para promover a localização e a circularidade.

O essencial

Imagine que você tem uma grande caixa de maçãs frescas que precisam ser vendidas antes de estragarem. Algumas estão no norte da Inglaterra, outras no sul. Você tem compradores: algumas padarias querem 100 maçãs, outras querem 500, e cada uma tem um preço que está disposto a pagar.

O problema é que, se você não organizar isso direito, muitas maçãs vão apodrecer, vão ter que viajar centenas de quilômetros (poluindo o ar) ou vão sobrar na prateleira.

Este artigo é como um manual para um "Robô Organizador" que ajuda a resolver esse caos. Vamos explicar como ele funciona usando analogias do dia a dia.

1. O Problema: O Caos das Maçãs

Pense na cadeia de suprimentos de maçãs como uma festa gigante onde as pessoas trazem frutas e outras pessoas querem comê-las.

• O Perigo: As maçãs são perecíveis (elas estragam). Se demorarem muito para chegar, viram lixo.
• O Custo: Se você enviar uma maçã de um canto do país para o outro só porque o preço estava bom, você gasta muita gasolina e polui.
• O Desperdício: Muitas vezes, sobram maçãs que ninguém comprou porque o preço não bateu ou a distância era grande demais.

2. A Solução: O "Robô Organizador" (O Algoritmo)

Os autores criaram um programa de computador (um algoritmo) que age como um maestro de orquestra. Ele não apenas tenta vender as maçãs; ele tenta vender da maneira mais inteligente possível, equilibrando três coisas:

1. Dinheiro: O preço deve fazer sentido para quem vende e quem compra.
2. Frescor: As maçãs mais velhas devem ser vendidas primeiro (como usar o leite que vence primeiro).
3. Localização: É melhor vender para o vizinho do que para quem mora a 500 km de distância.

3. Como o Robô Pensa? (A "Balança Mágica")

O segredo do robô é uma báscula mágica (chamada de "soma ponderada"). Imagine que o robô tem quatro pratos na balança:

• Preço: Quão perto os preços de compra e venda estão?
• Quantidade: A quantidade de maçãs combina com o pedido?
• Frescor: A maçã vai chegar antes de estragar?
• Distância: Quão longe a maçã precisa viajar?

O robô pode colocar pesos diferentes nesses pratos.

• Se você quer economizar dinheiro, você coloca um peso enorme no prato do "Preço". O robô vai ignorar um pouco a distância e focar no negócio mais lucrativo.
• Se você quer ser ecológico, você coloca um peso enorme no prato da "Distância". O robô vai priorizar vender para o vizinho, mesmo que o lucro seja um pouquinho menor.
• Se você quer evitar desperdício, você dá peso ao "Frescor". O robô vai vender as maçãs que estão prestes a vencer primeiro.

4. O Grande Truque: A "Segunda Oportunidade" (Circularidade)

Aqui está a parte mais brilhante da ideia. Em sistemas normais, se uma maçã não for vendida na primeira rodada, ela é jogada fora.

Neste sistema, o robô tem uma cesta de "Segunda Chance".

• Se uma maçã não foi vendida na primeira tentativa, o robô não a descarta. Ele a coloca de volta na fila para a próxima rodada de vendas.
• Às vezes, ele muda a "classificação" da maçã. Se uma maçã de sobremesa ficou velha demais para ser vendida fresca, o robô pode sugerir vendê-la para uma fábrica de suco ou para ração animal. Nada é desperdiçado; tudo circula até encontrar um destino útil.

5. O Que Eles Descobriram? (A Lição da Festa)

Os pesquisadores testaram esse robô com dados reais de maçãs no Reino Unido e descobriram coisas interessantes:

• Não existe uma "Fórmula Mágica" única: Não adianta tentar uma única regra para todos os casos. Às vezes, o melhor é focar no preço; outras vezes, na distância. O robô precisa ser ajustado conforme a situação.
• A Geografia manda: Se todas as fazendas de maçã estão num só lugar e os compradores em outro, focar em "vender perto" é difícil. O robô mostra que a estrutura do mercado (onde as pessoas estão) é tão importante quanto a regra que você escolhe.
• O "Bom o Suficiente" é melhor que o "Perfeito": Tentar encontrar a solução perfeita matematicamente leva muito tempo e é impossível em tempo real. O robô é projetado para encontrar uma solução "boa o suficiente" rapidamente, garantindo que as maçãs sejam vendidas antes de estragar, em vez de ficar horas calculando a perfeição.
• Transparência: O robô não é uma caixa preta. Ele diz: "Não consegui vender essa maçã porque o preço do vendedor não batia com o do comprador". Isso ajuda as pessoas a ajustarem seus preços e evitarem o desperdício no futuro.

Resumo em Uma Frase

Este artigo apresenta um sistema inteligente de "matchmaking" para maçãs que usa uma balança ajustável para decidir quem vende para quem, garantindo que as frutas sejam vendidas perto de casa, frescas e a um bom preço, e que, se sobrar alguma, ela tenha uma segunda chance de ser usada em vez de virar lixo. É uma forma de usar a tecnologia para fazer a economia circular funcionar na prática.

Resumo técnico

Aqui está um resumo técnico detalhado do artigo "Localisation and Circularity in Apple Supply Chains: An Algorithmic Exploration", apresentado em português:

Título: Localização e Circularidade nas Cadeias de Fornecimento de Maçãs: Uma Exploração Algorítmica

Autores: Baraa Alabdulwahab e Ruzanna Chitchyan (Universidade de Bristol, Reino Unido).

---

1. Problema e Contexto

As cadeias de abastecimento de alimentos perecíveis, como as de maçãs, enfrentam desafios críticos relacionados à sustentabilidade e à eficiência econômica. A má alocação de produtos sensíveis ao tempo resulta em desperdício alimentar, aumento das emissões de transporte e fontes de abastecimento desnecessariamente distantes.

• Desafio Central: Como equilibrar objetivos econômicos (preço, volume) com objetivos de economia circular (localização, frescor, redução de desperdício) em plataformas de comércio digital operacionais?
• Limitações Existentes: Abordagens atuais de otimização muitas vezes tratam a circularidade de forma implícita (apenas minimizando desperdício) ou carecem de transparência sobre como os objetivos econômicos e ambientais são ponderados nas decisões operacionais diárias. Além disso, muitos modelos são estratégicos (longo prazo) e não operacionais (curto prazo/repetitivo).

2. Metodologia

Os autores propõem e avaliam um modelo de Programação Linear Inteira Mista (MILP) baseado em uma soma ponderada (Weighted-Sum - WS) para a alocação de maçãs no Reino Unido.

A. Estrutura do Modelo

O problema é formulado como um fluxo de oferta (vendedores) para demanda (compradores). O modelo utiliza uma função de pontuação única que agrega quatro critérios operacionais, cada um com um peso ajustável ($w_k$):

1. Alinhamento de Preço ($f_{price}$): Similaridade entre o preço unitário da oferta e do pedido.
2. Alinhamento de Quantidade ($f_{quantity}$): Compatibilidade entre a quantidade oferecida e a solicitada.
3. Alinhamento de Frescor ($f_{freshness}$): Diferença entre as datas de validade (oferta vs. pedido), incentivando a estratégia First-Expired-First-Out (FEFO).
4. Distância Geográfica ($f_{distance}$): Distância entre vendedor e comprador (proxy para impacto ambiental e eficiência logística), usando uma função de decaimento exponencial.

A função objetivo é:
$$\text{Score} = w_1 f_{price} + w_2 f_{quantity} + w_3 f_{freshness} + w_4 f_{distance}$$

B. Implementação e Pipeline

O sistema foi implementado em Java utilizando a biblioteca ojAlgo para a resolução MILP. O processo segue quatro etapas:

1. Construção de Fluxos Viáveis: Filtragem de pares oferta-pedido que violam restrições "duras" (compatibilidade de produto, janelas de tempo, logística, faixas de preço).
2. Pontuação (Scoring): Cálculo dos scores normalizados [0-100] para os pares viáveis com base nos pesos definidos.
3. Otimização MILP: Resolução do problema para maximizar o benefício total ponderado, sujeito a restrições de capacidade e integridade. Inclui técnicas de escalabilidade como pruning de candidatos (Top-K) e triagem LP.
4. Circulação de Resíduos: As quantidades não alocadas (ofertas ou pedidos não atendidos) não são descartadas. Ofertas não expiradas são reinseridas em ciclos subsequentes de alocação, enquanto ofertas expiradas são sinalizadas para reclassificação (ex: de fruta fresca para processamento/ração).

3. Contribuições Principais

1. Operacionalização da Circularidade: Transforma objetivos de economia circular (localização, frescor) em parâmetros ajustáveis e transparentes dentro de um algoritmo de alocação operacional.
2. Mecanismo de Alocação Iterativa: Introduz um protocolo onde o não-alocamento não é visto como desperdício final, mas como insumo para ciclos subsequentes, permitindo uma circulação contínua de recursos.
3. Transparência e Diagnóstico: O sistema fornece informações diagnósticas sobre por que certas transações falharam (ex: incompatibilidade de preço), permitindo que operadores de plataforma ajustem parâmetros ou comuniquem com stakeholders.
4. Abordagem "Bom o Suficiente": Reconhece que a otimização exaustiva é computacionalmente inviável em escala real, propondo soluções viáveis e interpretáveis que equilibram complexidade e desempenho.

4. Resultados da Avaliação

O modelo foi testado com um conjunto de dados realista do Reino Unido (ENG-Apple), contendo 118 pedidos e 932 ofertas de maçãs comestíveis. Foram testadas sete estratégias de ponderação (ex: Foco em Preço, Foco em Distância, Foco em Validade, Pesos Iguais).

• Utilização de Suprimentos: Todas as estratégias alcançaram uma taxa de utilização de suprimento doméstico muito alta (entre 95,5% e 96,7%), demonstrando a eficácia do modelo em minimizar desperdícios.
• Impacto das Prioridades:
  • Foco em Distância: Reduziu drasticamente as distâncias de transporte (localização), mas resultou em menos pedidos totalmente atendidos e maior fragmentação (pedidos atendidos por muitos fornecedores com pequenas quantidades).
  • Foco em Quantidade: Maximizou o número de pedidos totalmente atendidos, mas concentrou a alocação em fornecedores grandes, deixando mais suprimento de pequenos produtores não utilizado e aumentando a distância média de transporte.
  • Foco em Validade (Expiry): Melhorou o alinhamento FEFO (reduziu a diferença de dias de validade), mas exigiu transporte de fornecedores mais distantes, aumentando a pegada logística.
  • Foco em Preço: Melhorou os resultados econômicos para os vendedores, mantendo alta utilização, mas com pouco impacto na localização ou frescor.
• Circulação: A estratégia "Foco em Quantidade" teve a maior taxa de circulação de suprimentos não alocados (4,83%), provando a eficácia do mecanismo iterativo para mitigar viéses de alocação.
• Limitações Estruturais: Os resultados mostraram que a eficácia de uma estratégia depende fortemente da estrutura da rede de suprimentos (ex: concentração geográfica). Nenhuma configuração estática de pesos é universalmente ótima.

5. Significado e Conclusão

O estudo conclui que a alocação orientada à economia circular em sistemas de alimentos perecíveis é fundamentalmente moldada pela estrutura da rede de suprimentos subjacente, e não apenas pelo algoritmo.

• Implicações para Plataformas Digitais: As plataformas de comércio devem ser projetadas para fornecer alocações "boas o suficiente" e interpretáveis, em vez de buscar otimizações exaustivas.
• Gestão de Resíduos: O sistema deve expor explicitamente as incompatibilidades restantes (diagnósticos) e fornecer mecanismos sistemáticos para reintroduzir quantidades não alocadas em ciclos futuros, em vez de tratá-las como desperdício inevitável.
• Adaptabilidade: A transparência nos pesos permite que operadores e formuladores de políticas ajustem as prioridades dinamicamente conforme mudam as condições de mercado ou objetivos de sustentabilidade.

Em suma, o trabalho demonstra que é possível integrar objetivos de sustentabilidade e circularidade em algoritmos de alocação operacionais, desde que haja transparência nas prioridades e mecanismos robustos para lidar com a complexidade e os resíduos do sistema.