Documentos de Académico
Documentos de Profesional
Documentos de Cultura
1
Departamento de Ingeniería Civil y Ambiental, Universidad del Norte. Km. 5 Via Puerto
Colombia. Barranquilla, Colombia.
2
Department of Civil and Environmental Engineering, University of California, Davis. 2001
Ghausi Hall, 3143, One Shields Avenue, Davis, CA, 95616, USA.
3
Departamento de Ingeniería Civil e Industrial, Pontificia Universidad Javeriana de Cali calle 18
No 118-250 Cali, Colombia.
Resumen
Valorar la vulnerabilidad de la red de transporte es una actividad importante para los planificadores
viales y para los tomadores de decisión, especialmente porque su desarrollo permite conocer el
nivel de confiabilidad que ofrecen las redes de transporte. Esta ha sido una actividad destinada
mayoritariamente a cuantificar el impacto que una determinada disrupción tiene sobre la
accesibilidad de los usuarios al sistema de transporte. No obstante, poco se habla del impacto que
estas disrupciones tienen sobre las estrategias de distribución de la logística humanitaria después
de la ocurrencia de un desastre natural. Consecuentemente, en este artículo se presenta un modelo
de valoración de la vulnerabilidad de las redes de transporte que incorpora el efecto de los costos
sociales derivados de los procesos de atención de la logística humanitaria. Según el modelo
propuesto, los enlaces que al estar inhabilitados provocan un crecimiento desmedido en los costos
sociales respecto de una condición base deberán priorizarse. Finalmente, la vulnerabilidad de la
red es analizada como la diferencia entre la logsum antes y después del escenario de falla. Este
enfoque de modelación permite identificar enlaces de la red que tienen una mayor importancia en
la accesibilidad de las operaciones de logística humanitaria. También permite facilitar la
planificación de cadenas de suministro humanitario resilientes.
1
1 Introducción
Las redes de transporte son un bien esencial para toda la sociedad por diferentes razones:
permiten la accesibilidad de los usuarios a diferentes zonas, interconectan puntos de
producción y consumo, y facilitan la movilización de productos y materias primas de
diferente índole, propiciando el desarrollo y crecimiento económico de las regiones (Bíl y
Vodák, 2015; Gomez et al., 2011). Generalmente las redes de transporte a nivel regional
poseen una sensible importancia en el análisis de vulnerabilidad respecto a las redes urbanas.
Esto debido principalmente a que las redes rurales son menos densas (poseen menos rutas
alternas), y por ende menos robustas, lo que las hace más vulnerables (Taylor et al., 2006;
Gradilla-Hernández et al., 2011). Normalmente, disrupciones puntuales sobre las redes
regionales, tales como: deslizamientos de tierra, protestas sociales, accidentes de tránsito,
trabajos de mantenimiento, ataques terroristas o fallas técnicas sobre la vía, tienen
implicaciones en el desempeño del sistema, como es el caso de congestión en otros arcos de
la red debido al re-ruteo de vehículos (Gradilla-Hernández et al., 2011). Estas disrupciones
no solo afectan a los usuarios de las vías, sino que también tienen implicaciones a nivel de
mercados, por el colapso de las cadenas de suministro comerciales (Schreiner, 2013),
causando pérdidas económicas en sectores específicos de la economía. Es de notar que cuanto
mayor es el número de intercambios comerciales entre regiones, más severo es el problema
económico derivado del bloqueo en algún tramo importante sobre la red. Un incremento en
la densidad de la red podría paliar fácilmente todos estos problemas, puesto que una red más
densa absorbe sin mayores dificultades los efectos de tales interrupciones. No obstante, esto
implica grandes retos de inversión en infraestructura que muchas veces no es posible
materializar (Núñez, 2012; Núñez y Palomares, 2014). De allí la importancia de realizar un
adecuado análisis de vulnerabilidad de las redes de transporte, especialmente para efectos de
planificar el desarrollo de operaciones de logística humanitaria.
Claramente, existen rutas dentro de las redes de transporte que por sus características y
ubicación estratégica favorecen la accesibilidad, ofrecen menores costos a los usuarios y
adecuados niveles de servicio, lo cual le otorga una mayor categoría respecto a otras rutas
cuyos costos de operación generalmente son mayores (Scott et al., 2006). En otras palabras,
2
típicamente algún(os) enlaces son más críticos para la funcionalidad de la red de transporte
que otros de menor jerarquía (Balijepalli y Oppong, 2014). Normalmente este tipo de enlaces
son altamente demandados, por lo que analizar su disrupción permitiría conocer la capacidad
de resiliencia de la red, su confiabilidad y el impacto que tendría para las poblaciones
adyacentes (Núñez, 2012).
3
2 Revisión de la literatura y fundamentos teóricos
2.1 Vulnerabilidad
Son diversas las perspectivas que se tienen del concepto de vulnerabilidad. Desde un punto
de vista social, por ejemplo, la vulnerabilidad es entendida como la predisposición o
susceptibilidad física, económica, política o social que tiene una comunidad de ser afectada
o de sufrir daños en caso que se manifieste un fenómeno desestabilizador de origen natural o
antrópico (Cardona, 2001). Desde esa óptica, es claro que la vulnerabilidad social es, en
condiciones generales, una consecuencia de las condiciones de vulnerabilidad física. Ahora
bien, desde un enfoque más general, la vulnerabilidad puede ser vista como un factor de
riesgo interno en un sistema expuesto a una amenaza. En otras palabras, una predisposición
intrínseca de ser afectado o de sufrir algún tipo de daño (Berdica, 2002; Cardona, 2001). Este
concepto ha sido estudiado y aplicado extensivamente en diferentes sistemas de
infraestructura, tales como: energía eléctrica, servicios de agua, ingeniería estructural y redes
de transporte, entre otras (Luathep et al., 2013).
Jenelius (2006, 2009), por ejemplo, propone dos indicadores para medir la vulnerabilidad de
la red de transporte (Importance y Exposure) en base al incremento diferencial en el costo
generalizado de viaje que los usuarios del sistema experimentan bajo un escenario de
disrupción. Importance permite identificar los enlaces sobre la red que son más importantes
para ciertas poblaciones. Por su parte, Exposure permite identificar los nodos que se
encuentran más expuestos ante disrupciones sobre la red. En un trabajo posterior Jenelius
(2010) propone una nueva aproximación denominada “Redundancy importance” que permite
capturar la importancia que tienen algunos enlaces al servir como alternativa de re-ruteo
cuando otros enlaces sobre la red han colapsado. Más recientemente Jenelius y Mattsson
(2012) propusieron un método para cuantificar la vulnerabilidad de las redes de trasporte ante
las interrupciones a nivel zonal (áreas impactadas), donde se inhabilitan simultáneamente
varios enlaces. El impacto es calculado en términos de la demanda de viajes insatisfecha y
de las demoras para los usuarios de la red. Por otro lado Jaller et al., (2015) desde un contexto
urbano evalúa la infraestructura crítica para el adecuado desempeño de los sistemas de
transporte, donde examina las demoras ocasionadas en el sistema cuando algunos enlaces
son reducidos en su capacidad o eliminados temporalmente. Para este trabajo los autores
utilizan asignación por equilibrio de usuarios (EU) antes y después de la disrupción. Chen et
al., (2007) y Taylor (2008) plantean modelos microeconómicos basados en la teoría de la
utilidad aleatoria para estimar la vulnerabilidad de la red en función del cambio en la
accesibilidad que los usuarios tienen al sistema antes y después de la disrupción. En el caso
de Chen et al., (2007), se plantea un enfoque jerárquico de elección de destino, modo y ruta
a los usuarios bajo un escenario hipotético de disrupción sobre la red. Para esta medida de la
accesibilidad se tiene en cuenta el incremento relativo en el tiempo y costo generalizado de
viaje. Qiang y Nagurney (2012) desarrollaron un modelo logístico de cadenas de suministro
que puede ser utilizado para valorar la vulnerabilidad de la red en caso de disrupciones
localizadas. El objetivo del modelo planteado es minimizar los costos totales de transporte
sobre la red en dos escenarios, antes y después de la disrupción, considerando en cada arco
una función de costo generalizado de viaje. Sullivan et al., (2010), Taylor et al., (2003, 2004
y 2006), Scott et al., (2006), Luathep et al., (2013) y Zhong et al., (2010) proponen
metodologías parecidas para la valoración de la vulnerabilidad, en todos los casos se utiliza
6
asignación por equilibrio de usuarios (EU). En este caso, la identificación de la
infraestructura crítica se ejecuta en función del incremento en los costos totales sobre la red
después de la disrupción. Estos costos son calculados como la suma-producto entre la función
de costos propuesta para el enlace (tiempo, costo generalizado, etc) y los flujos derivados del
equilibrio en cada arco de la red. La metodología propuesta por Taylor y D'este (2005)
propone valorar la vulnerabilidad de la red en términos de la accesibilidad que esta ofrece
considerando su configuración espacial o topológica.
7
Enlace simple (S) / Considera costos
Autor (es) Método Enfoque
Multiple (M) sociales
Qiang y Nagurney (2012) SoM Min CT Costo generalizado No
Sullivan et al., (2010) S EU Tiempo de viaje No
Taylor y D'este (2005) S RM Inverso de la distancia No
Taylor et al., (2006) S EU Costo generalizado No
Taylor (2008) SoM EU Beneficios No
Scott et al., (2006) S EU Tiempo de viaje No
Sohn (2006) S EU Distancia y flujo No
Luathep et al., (2013) S EU Costo generalizado No
Chen et al., (2012) S EU Inverso del tiempo No
Balijepalli y Oppong (2014) S EU Flujo No
Lu et al., (2014) SoM EU Tiempo de viaje No
Nagurney y Qiang (2009) SoM EU Tiempo de viaje No
Núñez y Palomares (2014) SoM EU Tiempo de viaje No
Zhong et al., (2010) S EU Tiempo x distancia No
EU: Equilibrio de usuarios; EM: Equilibrio de mercado; CT: Costos totales; RM: Ruta mínima
Finalmente, es importante anotar que la vulnerabilidad como factor interno de riesgo, debe
relacionarse no solo con la exposición del contexto material, o la susceptibilidad física de los
elementos expuestos a ser afectados, sino también con las fragilidades sociales y con la
capacidad de las comunidades propensas de absorber el impacto (Cardona, 2001). En
consecuencia, desde el ámbito de la prevención y mitigación de desastres, las operaciones de
logística humanitaria deben ser planificadas y evaluadas teniendo en cuenta el impacto que
eventuales disrupciones sobre la red pueden generar a nivel de costos sociales.
Evidentemente, entre mayor sea el número de personas en condición de vulnerabilidad en
una determinada población, mucho más crítica será la infraestructura de acceso a esas
poblaciones. En ese sentido, Núñez (2012) indica que es imprescindible valorar los perjuicios
de tipo económico, social y sobre todo, personal, que representa el colapso de algunos
sistemas que son vitales para la sociedad. Para D’Este y Taylor (2003) un nodo (centro
poblado) es vulnerable si la degradación de una o varias rutas sobre la red de transporte
disminuye significativamente la accesibilidad al nodo, lo cual es consistente con los
propósitos de esta investigación. La falta de acceso a una zona impactada incrementaría
súbitamente los costos sociales percibidos. En esa medida, es necesario plantear la
construcción de un modelo para la valoración de la vulnerabilidad de la red considerando el
efecto de tales costos, con lo cual se buscaría evaluar el nivel de importancia que poseen los
8
enlaces de la red para la accesibilidad de operaciones humanitarias a las zonas impactadas
por desastres naturales. Claramente, considerar los costos de la externalidad para cuantificar
el impacto de una disrupción a nivel de red es un aspecto que en la actualidad no ha sido
considerado en el análisis de vulnerabilidad de las redes de transporte.
9
todas las alternativas que son factibles. Claramente, Todos los caminos razonables de igual
costo social deben tener la misma probabilidad de ser utilizados. Si existe más de un camino
razonable entre el origen y el destino, aquél de menor costo social debe tener mayor
probabilidad de ser utilizado. El camino de máxima probabilidad es el camino de mínimo
costo social.
Basado en los costos sociales identificados para cada uno de los caminos razonables que
pertenecen al conjunto de elección, se determina la utilidad representativa de cada camino y
se evalúa un modelo logit de elección de ruta. Este modelo plantea que, dado un conjunto A
de alternativas disponibles, la valoración de la alternativa r ∈ A está dada por el valor de la
utilidad Ur, de tal forma que la probabilidad de elección de la alternativa r es:
En consecuencia, los costos esperados de acceso de una unidad de demanda q desde el origen
i hasta el destino j (CEqij ), considerando el conjunto de alternativas de elección A, pueden
ser evaluados a través de la fórmula de la “logsum” (ver ecuación 2). Este costo unitario
aplicado al total de la demanda en el destino j permite obtener el costo total esperado de
acceso sin disrupción para el par origen destino w (CAw).
A
1
CEqij = ln (∑ eVa ) + 𝐶
α
a=1
(2)
Dóndeα: La utilidad marginal del ingreso. Va : Utilidad sistemática de la alternativa.
C: Una constante que representa el error relacionado.
Es de resaltar que la logsum es un término utilizado por muchos investigadores como una
alternativa de medición (e.g. Bates, 2006; Cherchi et al., 2004). Normalmente es utilizado
para determinar el excedente del consumidor en el contexto de los modelos logit de elección
(Williams, 1977; Small and Rosen, 1981). También es una aproximación frecuentemente
utilizada en la evaluación social de proyectos de transporte, dado que permite obtener los
beneficios que los viajeros experimentan ante cambios en los costos y tiempos de viajes (De
Jong et al., 2007; Erath, 2011). La logsum, es por tanto, el término econométrico más
apropiado para valorar monetariamente el cambio en los beneficios asociados a la ocurrencia
10
de escenarios de disrupción sobre la red de transporte. El cambio inducido en el excedente
del consumidor debido a una falla sobre la red es calculado como la diferencia entre la logsum
antes y después de la falla, tal como se muestra en la ecuación 3 (Erath, 2011). Este
procedimiento incorpora la valoración de las utilidades asociadas a cada camino razonable
entre cada par origen destino utilizando las DCFs.
𝐽1 𝐽0
1 1 0
∆𝐸(𝐸𝐶𝑛 ) = [𝑙𝑛 (∑ 𝑒 𝑉𝑛𝑗 ) − 𝑙𝑛 (∑ 𝑒 𝑉𝑛𝑗 )] (3)
𝛼𝑛
𝑗=1 𝑗=1
CAew − CAw
Iew = , ∀e (4)
CAw
Donde CAew es el costo total esperado de acceso entre el par origen-destino w luego de que
el escenario de disrupción e es generado.
Ie = ∑ Iew , ∀e (5)
𝑤
Una de las limitaciones del modelo es que no considera dentro del análisis el fenómeno de la
congestión sobre la red, esto por dos razones fundamentales. En primer lugar, se ha
demostrado que la congestión tiene muy pocos efectos sobre las redes a nivel regional (Kok
et al., 2012). En segundo lugar, considerar congestión sobre la red, implicaría indicar que el
usuario tiene en todo instante información perfecta respecto de las condiciones de operación
en la red, lo cual es un supuesto de difícil cumplimiento debido a la incertidumbre asociada
a la ocurrencia de disrupciones por cuenta de fenómenos naturales.
11
Para la utilización del modelo, se deben plantear diversos escenarios de disrupción sobre la
red. Al respecto la literatura científica ofrece algunas alternativas, tales como: cerrar parcial
o totalmente, uno a uno, los arcos de la red que se consideran en el análisis, y posteriormente
comparar el desempeño del sistema antes y después de la disrupción (Chen et al., 2007; Qiang
y Nagurney, 2008; Sullivan et al., 2010; Taylor y D'este, 2005; Scott et al., 2006; Sohn, 2006;
Luathep et al., 2013; Chen et al., 2012; Balijepalli y Oppong, 2014), en otros casos, la
disrupción de los enlaces se realiza aleatoriamente (Jenelius, 2006), otros solo consideran los
arcos o grupos de arcos que a juicio del investigador poseen el mayor impacto sobre el
sistema (Agarwal et al., 2011), o la probabilidad de falla de los enlaces (Jenelius y Mattsson,
2012; Qiang y Nagurney, 2012; Dehghani et al., 2014; Jenelius, 2009; Jenelius, 2010). Lo
cierto es que se trata de un problema combinatorial, en el que la probabilidad de ocurrencia
de los escenarios es dependiente del número de enlaces considerados (ver tabla 2). Con el
propósito de facilitar la aplicación práctica del modelo, un algoritmo de programación fue
desarrollado en Matlab para analizar todos los escenarios posibles de disrupción con
determinado número de enlaces (ver algoritmo anexo). No emplear más de 3 enlaces por
escenario de falla es una simplificación apropiada para los propósitos de aplicación de este
algoritmo, puesto que cada disrupción es un evento independiente cuya probabilidad conjunta
de ocurrencia debe ser calculada como el producto de las probabilidades de cada evento
individualmente. Así entonces, si se asume una probabilidad de falla por enlace de 0.5 (Pe =
0.5), la probabilidad de ocurrencia conjunta de un escenario compuesto por tres enlaces será
de 0.125, el cual es muy cercano a cero. Es importante resaltar que normalmente la
probabilidad de falla de un enlace en una red de transporte por efecto de un desastre natural
es muy pequeña. En consecuencia, la probabilidad de disrupción conjunta de varios enlaces
es muy cercana a cero.
12
6 0.5 0.015625
Por otra parte, debido a que el modelo usa las DCFs evaluadas respecto al tiempo de viaje
total desde cada origen hasta cada destino de cada uno de los caminos razonables
considerados, en la sección 3.1 se explica el comportamiento y uso de estas funciones.
Varias DCFs han sido estimadas previamente en investigaciones realizadas para contextos
específicos utilizando modelos econométricos de elección discreta. Algunas de estas
aproximaciones incluyen modelos tipo Logit Multinomial (MNL) y Logit Mixto (LM)
(Cantillo et al., 2016). Estas funciones son estimaciones econométricas que se fundamentan
en la teoría de la utilidad aleatoria. Teoría según la cual, los individuos continuamente toman
decisiones de elección tratando maximizar su utilidad personal (Williams, 1977; Train,
2009). Las DCFs expresan la valoración económica que los individuos le dan al tiempo
transcurrido sin acceso a determinado tipo de suministros.
En la figura 5, se ilustran los costos y beneficios que los individuos perciben ante diferentes
periodos de atención de la logística humanitaria. Según se muestra en estas figuras, el
individuo que sea atendido inmediatamente después de haber ocurrido un evento catastrófico
(máxima oportunidad o ahorro de tiempo, tmax) no percibirá ningún nivel de carencia y por lo
13
tanto no incurrirá en ningún tipo de costo (su disposición al pago será cero). En consecuencia,
recibirá el máximo beneficio derivado del proceso de atención. Por otro lado, si el proceso
de atención se ejecuta con un ahorro de tiempo ta, el beneficio para toda la población será Ba.
Costos
Bmax
Beneficios
Ba
Ca Bb
Bb
Cb Ba
to ta tb tmax to ta tb tmax
Ahorros en Tiempo (Oportunidad) Ahorros en Tiempo (Oportunidad)
14
Cmax
Deprivation Costs
Benefits
Ca
to ta tmax
Deprivation time Saving time
Figura 6. Relación entre los costos de privación y los beneficios experimentados por los
individuos
Fuente: Cantillo et al., (2016)
Para el caso específico del modelo de vulnerabilidad propuesto en este artículo, se empleó
una de las DCFs propuesta y estimada por Cantillo et al., (2016). La función utilizada
corresponde a un modelo Logit Multinomial con efecto panel. Dado que se trataba de un
modelo discreto, fue necesario ajustarlo a un polinomio de segundo orden a través de la
técnica de mínimos cuadrados, con el propósito de utilizarlo con fines prácticos. En la figura
7 se presenta esta función.
15
$250.000
$200.000
C = 43.251 t2 + 104.85 t + 1654.4
R² = 0.9999
Costs ($ COP)
$150.000
$100.000
$50.000
$-
0 6 12 18 24 30 36 42 48 54 60 66 72
Deprivation time (hrs)
16
Para la correcta aplicación del modelo propuesto se deben desarrollar los pasos que se
describen a continuación:
La siguiente sección se presenta una ejemplo numérico que ilustra el procedimiento descrito
anteriormente para un único par origen destino.
4 Ejemplo numérico
El ejemplo numérico descrito a continuación permite demostrar las características del modelo
propuesto, tal como se discute en la sección 3. En el ejemplo presentado, la ubicación de
instalaciones para la asistencia humanitaria, dadas las condiciones de riesgo de la zona y la
topología de la red, es un aspecto conocido (ver los trabajos de: Rawls and Turnquist (2010),
Barzinpour and Esmaeili (2014), Doyen et al., (2012) and Galindo and Batta, (2013)). De
igual forma, el problema de asignación óptima de recursos (distribución) es también un dato
conocido y derivado de modelos anteriormente desarrollados por Pérez and Holguín-Veras
(2015). En consecuencia, se hace necesario conocer la vulnerabilidad de la red, como medida
para garantizar la resiliencia de las cadenas logísticas de suministro humanitario y las
operaciones de evacuación y rescate.
17
La red analizada consiste en nueve nodos y catorce enlaces, tal como se muestra en la figura
8. Los tiempos medios de viaje para cada arco sobre la red se asumen conocidos a partir de
un análisis de equilibrio de usuarios EU. También se asume que el nodo 9 se encuentra en
condición de extrema vulnerabilidad y que el plan de atención formulado sugiere el envío de
500 unidades de suministro humanitario desde el nodo 1 hasta el nodo 9.
O
500 u 2 2
1 2 3
3
2 1 2
4
1 2
5 6
2
3 3 1
7 4 8 1 9 500 u
El árbol completo de caminos para el par origen-destino 1-9 integra veintiún posibilidades
de acceso, de las cuales, nueve conforman el sub-arbol de caminos razonables. Es importante
destacar que el sub-arbol de caminos razonables está conformado por los caminos que poseen
los menores tiempos de viaje, tal como se detalla en la tabla 2.
18
10 [1,2,3,6,9] NR 7 4507.649 -4.507649 0.048
11 [1,4,5,2,3,6,9] NR 9 6101.381 -6.101381 0.010
12 [1,5,2,3,6,9] NR 9 6101.381 -6.101381 0.010
13 [1,2,3,6,5,9] NR 10 7028 -7.028 0.004
14 [1,4,7,8,9] NR 10 7028 -7.028 0.004
15 [1,2,3,6,5,8,9] NR 12 9140.744 -9.140744 0.000
16 [1,2,5,4,7,8,9] NR 12 9140.744 -9.140744 0.000
17 [1,5,4,7,8,9] NR 12 9140.744 -9.140744 0.000
18 [1,4,7,8,5,9] NR 14 11599.496 -11.599496 0.000
19 [1,4,7,8,5,6,9] NR 15 12958.625 -12.958625 0.000
20 [1,2,3,6,5,4,7,8,9] NR 17 15936.389 -15.936389 0.000
21 [1,4,7,8,5,2,3,6,9] NR 18 17555.024 -17.555024 0.000
R: Camino razonable; NR: Camino no razonable; Pi: Probabilidad
Los costos sociales asociados a cada camino son determinados en la columna cinco (5)
utilizando la función de costos de privación presentada en la figura 7 y los costos logisticos
correspondientes. Finalmente son determinados los costos totales esperados de acceso para
el origen destino 1-9 (CA19) aplicando la formula de la logsum. Finalmente se aplican los
pasos 4 y 5 del seudocódigo descrito anteriormente. Los resultados obtenidos considerando
la disrupción por separado de cada uno de los enlaces de la red permitieron encontrar el nivel
de importancia que tienen estos enlaces para el desarrollo de operaciones de logistica
humanitaria de alto impacto (ver tabla 3).
19
Bajo las condiciones del problema presentado, una disrupción sobre el enlace 5-9 impacta
negativamente sobre el 33.5% de las operaciones de distribución de la logistica humanitaria.
El ranking presentado en la tabla 3 facilita el diseño y planificación de cadenas de suministro
humanitario resilientes sobre la zona. En la siguiente sección se desarrolla un caso de
aplicación del modelo considerando varios origenes destino y una red de mayor densidad.
5 Conclusiones
Los resultados derivados de la aplicación del modelo muestran que son más importantes
aquellos enlaces que generan un crecimiento desmedido en los costos sociales respecto de
una condición base. También se evidencia que la disrupción simultanea de los enlaces que
provocan inaccesibilidad total desde los nodos de suministro o hasta los nodos de atención,
tienen la máxima importancia.
Futuras investigaciones deben ser tenidas en cuenta con el propósito de aplicar el modelo de
vulnerabilidad presentado en este artículo a redes urbanas y considerando el efecto de la
congestión. También se deben considerar futuras investigaciones para tratar de desarrollar
heurísticas que permitan tratar el problema combinatorial asociado a la generación de
escenarios de alto impacto en redes densas.
20
6 Agradecimientos
Los autores expresan su gratitud a las siguientes instituciones y programas por su apoyo al
desarrollo de esta investigación:
The Volvo Research and Educational Foundations por la concesión de la beca para estadías
de investigación en la Universidad de California, Davis (SVG-2015-02).
7 Referencias
Agarwal, J., Liu, M. and Blockley, D. (2011, April), “A systems approach to vulnerability
assessment”, In Proceedings of the 1st International Conference on Vulnerability and Risk
Analysis and Management (ICVRAM 2011) (pp. 230-237).
Agarwal, J., Liu, M. and Galvan, G. (2014), “Vulnerability and Resilience of Networked
Infrastructures”, In Second International Conference on Vulnerability and Risk Analysis and
Management (ICVRAM) and the Sixth International Symposium on Uncertainty, Modeling,
and Analysis (ISUMA).
Baroud, H., Barker, K. and Ramirez-Marquez, J. E. (2014), “Importance measures for inland
waterway network resilience”, Transportation research part E: logistics and transportation
review, Vol. 62, pp. 55-67.
21
Barzinpour, F. and Esmaeili, V. (2014), “A multi-objective relief chain location distribution
model for urban disaster management”, The International Journal of Advanced
Manufacturing Technology, Vol. 70 No. 5/8, pp. 1291-1302.
Bates, J. (2006), “Economic evaluation and transport modelling: Theory and practice”,
Moving through nets: The physical and social dimensions of travel, pp. 279-351.
Berdica, K. (2002), “An introduction to road vulnerability: what has been done, is done and
should be done”, Transport Policy, Vol. 9 No. 2, pp. 117-127.
Bíl, M. and Vodák, R. (2015), “The stochastic approach in road network vulnerability
analysis”, Safety and Reliability: Methodology and Applications, Taylor & Francis Group,
London, pp. 929-932.
Cantillo, V., Macea, L.F., Holguín-Veras, J., Amaya, J. (2016), “Evaluation of economics
benefits in humanitarian supply chain”, Supply Chain Management: an International
Journal. (En evaluación)
Cardona, O. D. (2001, June), “La necesidad de repensar de manera holística los conceptos de
vulnerabilidad y riesgo: una crítica y una revisión necesaria para la gestión”, In Ponencia
22
presentada en la Internacional Work-Conference on Vulnerability in Disaster and Practice,
pp. 29-30.
Chen, A., Yang, C., Kongsomsaksakul, S. and Lee, M. (2007), “Network-based accessibility
measures for vulnerability analysis of degradable transportation networks”, Networks and
Spatial Economics, Vol. 7 No. 3, pp. 241-256.
Chen, B. Y., Lam, W. H., Sumalee, A., Li, Q. and Li, Z. C. (2012), “Vulnerability analysis
for large-scale and congested road networks with demand uncertainty”, Transportation
Research Part A: Policy and Practice, Vol. 46 No. 3, pp. 501-516.
Cherchi, E., Polak, J. and Hyman, G. (2004, October), “The impact of income, tastes and
substitution effects on the assessment of user benefits using discrete choice models”, In
European Transport Conference, Strasbourg, Vol. 10.
De Jong, G., Daly, A., Pieters, M. and Van der Hoorn, T. (2007), “The logsum as an
evaluation measure: review of the literature and new results”, Transportation Research Part
A: Policy and Practice, Vol. 41 No. 9, pp. 874-889.
Dehghani, M. S., Flintsch, G. and McNeil, S. (2014), “Impact of Road Conditions and
Disruption Uncertainties on Network Vulnerability”, Journal of Infrastructure Systems, Vol.
20 No. 3.
Doyen, A., Aras, N. and Barbarosoglu, G. (2012), “A two-echelon stochastic facility location
model for humanitarian relief logistics”, Optimization Letters, Vol. 6 No. 6, pp. 1123-1145.
23
Freeman, S., Taylor, M. A., Holyoak, N. and Australia, S. (2009), “Vulnerability analysis of
road networks” (Doctoral dissertation, Ministry of Transport).
Gobernación del Atlántico (2012). Plan Departamental de Gestión de Riesgo del Atlántico.
Proyecto “fortalecimiento de las capacidades institucionales para la implementación de
prácticas locales de gestión del riesgo como medida de adaptación al cambio climático en la
zona insular y costera del Caribe Colombiano” COL/72959 PNUD-UNGRD, Unión Europea.
Hey, J. and Lambert, P. (1980), “Relative Deprivation and the Gini Coefficient: Comment”,
The Quarterly Journal of Economics, Vol. 95 No. 3, pp. 567-573.
Holguín-Veras, J., Jaller, M., Van Wassenhove, L. N., Pérez, N. and Wachtendorf, T.
(2012b), “On the unique features of post-disaster humanitarian logistics”, Journal of
Operations Management, Vol. 30 No. 7, pp. 494-506.
Holguín-Veras, J., Pérez, N., Jaller, M., Van Wassenhove, L. N. and Aros-Vera, F. (2013),
“On the appropriate objective function for post-disaster humanitarian logistics models”,
Journal of Operations Management, Vol. 31 No. 5, pp. 262-280.
24
Jaller, M., González-Calderón, C.A., Yushimito, W.F. and Sánchez-Díaz, I.D. (2015), “An
investigation of the effects of critical infrastructure on urban mobility in the city of Medellín”,
Int. J. Critical Infrastructures, (in press).
Jenelius, E. (2009), “Network structure and travel patterns: explaining the geographical
disparities of road network vulnerability”, Journal of Transport Geography, Vol. 17 No. 3,
pp. 234-244.
Jenelius, E., Petersen, T. and Mattsson, L. G. (2006), “Importance and exposure in road
network vulnerability analysis”, Transportation Research Part A: Policy and Practice, Vol.
40 No. 7, pp. 537-560.
Lee, S., Kim, J., Lee, S. and Chang-Richards, Y. (2014), “Development of Resilience Index
in Transport Systems”, 10th International Conference of the International Institute for
Infrastructure Resilience and Reconstruction (I3R2). Purdue University, West Lafayette,
Indiana, USA, 20–22 May 2014.
Lu, Q. C., Peng, Z. R. and Zhang, J. (2014). “Identification and Prioritization of Critical
Transportation Infrastructure: Case Study of Coastal Flooding”, Journal of Transportation
Engineering, Vol. 141 No. 3, 04014082.
25
Nagurney, A. and Qiang, Q. (2009), “A relative total cost index for the evaluation of
transportation network robustness in the presence of degradable links and alternative travel
behavior”, International Transactions in Operational Research, Vol. 16 No. 1, pp. 49-67.
Páez, A., Scott, D. M. and Morency, C. (2012), “Measuring accessibility: positive and
normative implementations of various accessibility indicators”, Journal of Transport
Geography, Vol. 25, pp. 141-153.
Qiang, P. and Nagurney, A. (2012), “A bi-criteria indicator to assess supply chain network
performance for critical needs under capacity and demand disruptions”, Transportation
Research Part A: Policy and Practice, Vol. 46 No. 5, pp. 801-812.
Schreiner Jr, S. A. (2013), “Urban Transport and Logistics in Cases of Natural Disasters”,
Urban Transportation and Logistics: Health, Safety, and Security Concerns, Vol. 225.
26
Scott, D. M., Novak, D. C., Aultman-Hall, L. and Guo, F. (2006), “Network robustness index:
a new method for identifying critical links and evaluating the performance of transportation
networks”, Journal of Transport Geography, Vol. 14 No. 3, pp. 215-227.
Small, K. and Rosen, H. (1981), “Applied welfare economics of discrete choice models”,
Econometrica, Vol. 49, pp. 105–130.
Sohn, J. (2006), “Evaluating the significance of highway network links under the flood
damage: An accessibility approach”, Transportation research part A: policy and practice,
Vol. 40 No. 6, pp. 491-506.
Sullivan, J. L., Novak, D. C., Aultman-Hall, L. and Scott, D. M. (2010), “Identifying critical
road segments and measuring system-wide robustness in transportation networks with
isolating links: A link-based capacity-reduction approach”, Transportation Research Part A:
Policy and Practice, Vol. 44 No. 5, pp. 323-336.
Taylor, M. A. and D’Este, G. (2005), An accessibility based method for vulnerability analysis
in strategic transport networks (Doctoral dissertation, NSW Transport and Population Data
Centre).
Train, K. E. (2009), Discrete choice methods with simulation, Cambridge university press.
Williams, H. C. (1977), “On the formation of travel demand models and economic evaluation
measures of user benefit”, Environment and planning A, Vol. 9 No. 3, pp. 285-344.
27
Yitzhaki, S. (1982), “Relative deprivation and economic welfare”, European Economic
Review, Vol. 17 No. 1), pp. 99–113.
Zhong, Z., Huang, Z. and Du, X. (2010), “Identifying Critical Locations of Post-Earthquake
Transportation Networks Based on Vulnerability Analysis”, In ICLEM 2010@ sLogistics
For Sustained Economic Development: Infrastructure, Information, Integration (pp. 2928-
2934). ASCE.
Kok, A. L., Hans, E. W. and Schutten, J. M. J. (2012), “Vehicle routing under time-dependent
travel times: the impact of congestion avoidance”, Computers & Operations Research, Vol.
39 No. 5, pp. 910-918.
teta = -0.001;
CantArcos = 2; % Ingresar aquí el número de arcos a considerar por
escenario.
%========================================================================
% ********************* INICIO DE OPERACIONES ***************************
%========================================================================
matlabpool(4)
tic
c=0;
for i=1 : length (MImpedancia)
for j=1 : length (MImpedancia)
if MImpedancia(i,j) > 0
c=c+1;
Lista(c,1)=c;
Lista(c,2)=i;
Lista(c,3)=j;
end
28
end
end
Lista;
AllComb = nchoosek(Lista(:,1),CantArcos);
Tot=length (AllComb);
for z=1 : length (AllComb);
disp(['Iteración: ', num2str(z),' Avance: ',
num2str((z/Tot)*100),'%'])
MImpedanciaESC=MImpedancia;
combSelect = AllComb(z,:);
Arc=' ';
for n =1 : length (combSelect)
MImpedanciaESC(Lista(combSelect(n),2),Lista(combSelect(n),3))=100;
Arc=strcat(Arc,'(',num2str(Lista(combSelect(n),2)),'-
,num2str(Lista(combSelect(n),3)),')');
b=2*n-1;
ListaArcos(z,b)=Lista(combSelect(n),2);
ListaArcos(z,b+1)=Lista(combSelect(n),3);
end
MImpedanciaESC;
Arc;
MArcosRazonablesBaseOD(x1,y1)=MImpedancia(x1,y1);
else
MArcosRazonablesBaseOD(x1,y1)=0;
[e L] = dijkstra(MImpedancia,O,D);
for a =1:length(L)-1
if (L(a)==y1) & (L(a+1)==x1)
MArcosRazonablesBaseOD(x1,y1)=MImpedancia(x1,y1);
end
end
end
end
29
end
end
MArcosRazonablesBaseOD;
CostoTotalOD(u,1)=CostoTotalLogsumOD(RutasBase,MImpedancia,MatrizOD(O,D),
teta,a1,b1,c1);
end
%------------------------------------------------------------------------
% ANÁLISIS PARA CADA ESCENARIO DE DISRUPCIÓN
% Se genera una nueva matriz sólo con arcos razonables para la condición
de escenario
for x2=1 : length (MImpedanciaESC)
for y2=1 : length (MImpedanciaESC)
if MImpedanciaESC(x2,y2) > 0
if (dijkstra1(MImpedanciaESC,D,x2) >
dijkstra1(MImpedanciaESC,D,y2))
MArcosRazonablesEscenarioOD(x2,y2)=MImpedanciaESC(x2,y2);
else
MArcosRazonablesEscenarioOD(x2,y2)=0;
[e L] = dijkstra(MImpedanciaESC,O,D);
for a =1:length(L)-1
if (L(a)==y2) & (L(a+1)==x2)
MArcosRazonablesEscenarioOD(x2,y2)=MImpedanciaESC(x2,y2);
end
end
end
end
end
end
MArcosRazonablesEscenarioOD;
% se construye la matriz de Adyacencia del escenario
for a=1 : length (MArcosRazonablesEscenarioOD)
for b=1 : length (MArcosRazonablesEscenarioOD)
if MArcosRazonablesEscenarioOD(a,b) > 0
MAdyacenciaEscenario(a,b)=1;
else
MAdyacenciaEscenario(a,b)=0;
end
end
30
end
MAdyacenciaEscenario;
% Se generan todas las rutas para la condición de escenario
[RutasEscenario] =
pathbetweennodes(MAdyacenciaEscenario,O,D);
% Costo de la condición bajo escenario
CostoTotalODE(u,1)=
CostoTotalLogsumOD(RutasEscenario,MImpedanciaESC,MatrizOD(O,D),teta,a1,b1
,c1);
end
end
end
dat1(z+1,1) = {Arc};
dat1(z+1,2) = {abs((CostoTotSistemaEscenario-
CostoTotSistemaBase)/CostoTotSistemaEscenario)};
indicadorTot(z,1)=abs((CostoTotSistemaEscenario-
CostoTotSistemaBase)/CostoTotSistemaEscenario);
end
filename2 = 'ResultadosV2.xls';
xlswrite(filename2,ListaArcos);
toc
matlabpool close
31