Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Bosque y Moreno (2012) Sistemas de Información Geográfica y Localización Óptima de Instalaciones y Equipamientos
Bosque y Moreno (2012) Sistemas de Información Geográfica y Localización Óptima de Instalaciones y Equipamientos
Geográfica y Localización
Óptima de Instalaciones y
Equipamientos
2.ª Edición revisada y ampliada
Sistemas de Información
Geográfica y Localización
Óptima de Instalaciones y
Equipamientos
2.ª Edición revisada y ampliada
COORDINADORES
AUTORES
MARCAS COMERCIALES. Las designaciones utilizadas por las empresas para distinguir sus productos
(hardware, software, sistemas operativos, etc.) suelen ser marcas registradas. RA-MA ha intentado a lo largo de
este libro distinguir las marcas comerciales de los términos descriptivos, siguiendo el estilo que utiliza el
fabricante, sin intención de infringir la marca y solo en beneficio del propietario de la misma. Los datos de los
ejemplos y pantallas son ficticios a no ser que se especifique lo contrario.
RA-MA es marca comercial registrada.
Se ha puesto el máximo empeño en ofrecer al lector una información completa y precisa. Sin embargo, RA-MA
Editorial no asume ninguna responsabilidad derivada de su uso ni tampoco de cualquier violación de patentes ni
otros derechos de terceras partes que pudieran ocurrir. Esta publicación tiene por objeto proporcionar unos
conocimientos precisos y acreditados sobre el tema tratado. Su venta no supone para el editor ninguna forma de
asistencia legal, administrativa o de ningún otro tipo. En caso de precisarse asesoría legal u otra forma de ayuda
experta, deben buscarse los servicios de un profesional competente.
Reservados todos los derechos de publicación en cualquier idioma.
Según lo dispuesto en el Código Penal vigente ninguna parte de este libro puede ser reproducida, grabada en
sistema de almacenamiento o transmitida en forma alguna ni por cualquier procedimiento, ya sea electrónico,
mecánico, reprográfico, magnético o cualquier otro sin autorización previa y por escrito de RA-MA; su contenido
está protegido por la Ley vigente que establece penas de prisión y/o multas a quienes, intencionadamente,
reprodujeren o plagiaren, en todo o en parte, una obra literaria, artística o científica.
Editado por:
RA-MA Editorial y Publicaciones, S. A.
Calle Jarama, 3A, Polígono Industrial Igarsa
28860 PARACUELLOS DE JARAMA, Madrid
Teléfono: 91 658 42 80
Fax: 91 662 81 39
Correo electrónico: editorial@ra-ma.com
Internet: www.ra-ma.es y www.ra-ma.com
ISBN: 978-84-9964-113-3
Depósito Legal: M-XXXXX-2011
Maquetación: Gustavo San Román Borrueco
Diseño Portada: Antonio García Tomé
Impresión:
Impreso en España en octubre de 2011
Dedicatoria.
ÍNDICE
AUTORES ........................................................................................................................... 21
BIBLIOGRAFÍA............................................................................................................... 361
Pero más allá del ámbito académico, la aplicación real de estos métodos de
apoyo a las decisiones está vislumbrando un horizonte prometedor. El nuevo
contexto de la planificación espacial sensu lato está requiriendo identificar,
comparar y elegir alternativas de actuación de manera sistemática y rigurosa, lo
que significa una necesidad de fundamentar sólidamente la toma de decisiones,
tanto por parte del sector público, como del privado. De ahí la demanda de un
conocimiento válido que, obtenido a partir de la mejor información y con los
mejores instrumentos, ayude a acertar en las propuestas de actuación. Los modelos
de localización óptima tratados en esta obra, junto con los de evaluación
multicriterio y otros métodos de ayuda a las decisiones espaciales, son quienes
16 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Los coordinadores
PREÁMBULO A LA PRIMERA EDICIÓN
Los editores
AUTORES
CUESTIONES TEÓRICAS
1Capítulo 1
realizar en una región. Otros trabajos en la misma línea son, por ejemplo, el de
García y Bosque Sendra (1999) o, ya más con un enfoque puramente didáctico, el
de Dodson (1991), en él se usa un SIG para ilustrar y enseñar la teoría de Von
Thunen de la localización óptima de los cultivos en torno a una ciudad mercado.
Con relación a la localización óptima de redes de comunicaciones se puede
mencionar el artículo de Gómez et al. (1996) donde, nuevamente, un programa SIG
se convierte en una herramienta muy eficaz para resolver este problema de
localización, determinando diversas posibilidades de trazado para una nueva
carretera, en función de criterios ambientales y/o económicos. En relación con
cuestiones más relacionadas con los servicios se pueden señalar, por un lado, las
obras de Moreno et al. (1999 y 2001) sobre Geomarketing, en las que los SIG son
herramientas fundamentales para tratar estas cuestiones o, muy próximos a
nuestros objetivos, los trabajos de Bosque y Moreno (1990) o de Bosque y Franco
(1995). Para referencias mayores remitimos a Moreno y Bosque (2010) quienes
recogen y comentan aplicaciones en varios campos (servicios educativos, de salud,
sociales, comerciales, incendios y protección civil, etc.).
Los tipos de problemas “a” y “c” se relacionan con lo que más arriba
hemos denominado el problema típico de localización (existe una red de
comunicaciones fija y, en función de ella, se trata de saber dónde colocar las
actividades humanas). Por su parte, el problema “b” aquí mencionado coincide con
el que más arriba hemos citado de trazado de redes.
• Sector público versus sector privado: cada uno de esos tipos de agentes
suele tener diferentes intereses que se traducirán en objetivos a optimizar
distintos, por ejemplo, maximizar el bienestar o la justicia socio-espacial
para el sector público o conseguir el máximo beneficio para las empresas
privadas.
Otra importante categorización del espacio, que resulta relevante para los
problemas de optimización, permite distinguir entre varios tipos de espacios con
sus correspondientes métricas (Gatrell, 1983) para expresar las distancias o costes
de superar las mismas (véase tabla 2.2).
© RA-MA CAPÍTULO 1. LA LOCALIZACIÓN ÓPTIMA COMO PROBLEMA: CUESTIONES... 39
1
Como contrapunto o matización para ciertos casos puede consultarse (Linneker y Spence, 1996) o
(Banister y Berechman, 2001).
42 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
2
Pueden consultarse a este respecto De Miguel, 1967; Russett, 1968; Innes, 1975; UNESCO, 1976;
Pena, 1977; Durán, 1980; Fox, 1985; Horn, 1993; o Setién, 1993, por ejemplo.
44 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
3
Pueden examinarse, por ejemplo, el extenso listado que se recoge en Huxhold (1991), los
mencionados por Parrot y Stutz (1991), o los trabajos presentados desde hace una década a diversos
congresos nacionales e internacionales.
4
“There are many possible grouping strategies for a set of individual data. Relationships observed at
a particular level of aggregation do not necessarily hold for the individual observations” (Martin,
1991a, pp. 57-8); este problema aparece siempre que se somete los datos socioeconómicos a cualquier
© RA-MA CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,... 45
Tras esta extensa relación, ¿puede pretenderse llegar a una única definición
que comprenda todas esas facetas? Cabría incluso cuestionarse si ello es
recomendable; diferentes situaciones y objetivos necesitarán herramientas de
evaluación diferentes. Sin embargo, intentando clarificar este intrincado panorama
y retomando una idea ya expresada por otros autores, podemos admitir que la
accesibilidad de la población a los equipamientos colectivos puede entenderse
desde dos enfoques complementarios, tal como se muestra en la tabla 2.2 (Joseph y
Phillips, 1984; Pacione, 1990; Fernández-Mayoralas y Rodríguez, 1992; Makrí y
Folkelsson, 1999).
Así mismo, es necesario señalar que son mucho más numerosos los
estudios que han utilizado el primer enfoque y que, como se menciona en la tabla,
están mucho más presentes en la literatura que integra los Sistemas de Información
Geográfica en el análisis de estas cuestiones. Existe, sin embargo, un creciente
interés por descender hasta la comprensión de la accesibilidad personal y efectiva,
concepto que se incluye en la accesibilidad locacional, pero en el que juegan
también un papel relevante la percepción del espacio, la accesibilidad espacio-
temporal al servicio, el precio del mismo, la evaluación subjetiva en la relación
calidad-precio, las posibles restricciones de uso, etc.
del libro y en sus fundamentos teóricos. No olvidamos, empero, las críticas hechas
a la misma ni la posibilidad de incorporar en un Sistema de Información
Geográfica asunciones y medidas de accesibilidad procedentes de otros paradigmas
teóricos. Así, se dedicarán a los planteamientos de la Geografía del Tiempo el
capítulo 8.
6
“Universities were expected to produce problem solvers or social technologist to run increasingly
complex economies and geographers were not slow in adopting new positions appropriate the new
conditions. Statistics and models were ideal tools for monitoring and planning in complex industrial
societies” (Guelke, 1978; cit. en Johnston, 1997, p. 61).
50 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
lo largo de las primeras cuatro décadas del siglo sobre los trabajos de Weber,
Palander y Lösch o de la escuela de física social liderada por Stewart y Zipf,
interesada en las relaciones entre la distancia y varios tipos de interacción
(migraciones, movimientos de bienes, etc.) (Capel, 1981; Claval, 1987; Johnston,
1997). Ambas comparten un eje común, la consideración de “la distancia como una
de las dimensiones básicas de la sociedad” (Warntz, 1959; cit. en Johnston, 1997) y
ambas facilitan también la introducción de teorías y modelos abstractos, una
innovación crucial en la nueva geografía (Capel, 1987).
7
El “principio del mínimo esfuerzo”, que según Zipf (1949) organiza la vida de los individuos,
supondría la máxima reducción posible de sus desplazamientos (implícita también la Teoría de los
Lugares Centrales de Christaller), la validez del “distance decay argument” y de la analogía, puesta de
manifiesto por Stewart (1941), entre esos modelos y la Ley de Gravitación Universal de Newton, de
la que toman el nombre.
8
Estos planteamientos clásicos están recibiendo un renovado interés en los últimos años; como
ejemplo sirvan las siguientes publicaciones: Jensen, 1996; Ishikawa y Toda, 2000.
© RA-MA CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,... 51
9
“La aparición de la geografía cuantitativa coincide, con cierto retraso, con el surgimiento de
tendencias semejantes en otras disciplinas y forma parte de la transformación que afecta de manera
general del conjunto de las ciencias sociales” (Capel, 1981, p. 367); aparecen la econometría, la
sociometría, la lingüística matemática, la antropología y la historia cuantitativas. Si presuponemos la
unidad de la Ciencia, admitiremos sin dificultades la posibilidad de transferir teorías de una disciplina
a otra y de que las regularidades que se dan en la naturaleza se encuentran también en la realidad
social.
52 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
10
“La demanda de servicios públicos emana de los individuos, los cuales, en agregación, representan
un fenómeno continuo, disperso a lo largo del espacio, mientras que la mayor parte de los servicios
están distribuidos de forma discreta en localizaciones fijas” (Dear, 1979).
© RA-MA CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,... 53
dentro del alcance espacial; disminuirá si la demanda que atienden esos centros es
grande), la distancia total recorrida por la población demandante para utilizar el
centro más cercano, la distancia máxima y/o mínima desde algún punto de
demanda al punto de oferta más cercano, la desviación típica de las distancias
desde cualquier punto de demanda al punto de oferta más cercano, etc. (ver Öberg,
1976; Massam, 1993). Como apuntábamos en la tabla 2.1, ese alcance espacial de
los centros puede medirse en términos de distancias euclidianas, de distancias a
través de una red de calles o carreteras, en términos de costes económicos o de
tiempo invertido en el desplazamiento, diferente según el modo de transporte
utilizado; incluso podrían utilizarse distancias percibidas. Esto nos lleva a
considerar las posibilidades de incorporar distintas métricas en la evaluación de la
accesibilidad a los equipamientos colectivos. Examinaremos más tarde las
posibilidades que en este sentido pueden aportar los SIG.
11
Pueden consultarse las recopilaciones de Wilson (1980) o Haynes y Fotheringham (1984). En la
segunda, además del modelo básico, se recoge la generalización del mismo (interacción entre más de
dos poblaciones) y sus derivaciones más comunes (cálculo del potencial de interacción de un centro, o
del patrón de interacciones de un sistema cuando solo conocemos el número total de interacciones del
sistema –sin limitaciones–, cuando únicamente conocemos el número de salidas de cada origen
–producción condicionada o limitaciones en origen–, o el número de entradas en cada destino
–atracción condicionada o limitaciones en destino– o cuando conocemos ambos datos –producción y
atracción condicionadas o doble limitación–). Aplicado específicamente a la previsión de demanda de
servicios colectivos: Moreno, 1992. La incorporación de la dimensión temporal a estos modelos
puede examinarse en (Clarke et al., 1998).
12
Numerosos trabajos han abordado el descenso de la demanda con la distancia. En las
recopilaciones sobre el tema de Pinch, (1985), Jiménez, (1989), Moreno, (1991a) o Moreno y
Escolano (1992) citan siempre como trabajos de referencia, el de Taylor (1983) y la puesta al día de
Fotheringham y O’Kelly (1989). Y como ejemplos de aplicaciones citan el de Joseph y Phillips
(1984) sobre servicios médicos; el de Kirby (1979) sobre escuelas; el de Ayeni (1979) sobre varios
servicios considerados de forma conjunta o el de Thomas (1987) sobre centros culturales de carácter
supralocal, por poner algunos ejemplos. Se ensayan distintas ecuaciones, en su mayoría curvilíneas
(Öberg, 1976; Bröcker, 1989; Moreno, 1992, pp. 194-5).
54 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
({2}); ver Öberg, 1976; Joseph y Phillips, 1984; Broker, 1989; Fernández y
Bosque, 1991; Geertman y Ritsema van Eck, 1995; o Jiang et al., 1999).
donde:
donde:
13
Ver, por ejemplo: Wilson (1980) (localización de un nuevo centro comercial); Bailey y Munford
(1991) y Grothe y Heuvelmans (1991) (localización de sucursales de entidades financieras); de Jong,
Ritsema van Eck y Toppen (1991) (optimización de la red de concesionarios de Mercedes-Benz;
simulación del efecto del cierre de centros hospitalarios o de enseñanza); en castellano, Moreno
(2001) (varios ejemplos para servicios o comercios minoristas).
© RA-MA CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,... 57
Figura 2.2. Atracción que ejercerían los centros i y j sobre la demanda residente en x
Tomado de Haynes y Fotheringham (1985)
donde:
14
Por otra parte, en la citada recopilación de Haynes se apunta cómo, superando la interpretación
original del modelo, determinista, estos resultados del ejemplo (83,05% y 16,95%, 50% y 50%)
también pueden ser interpretados como probabilidades.
© RA-MA CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,... 59
donde:
Hay que tener en cuenta, no obstante, que bajo todos los planteamientos
anteriores subyace la idea de que los desplazamientos tienen un único destino, y de
que parten y vuelven al domicilio. Los viajes multipropósito son, sin embargo,
frecuentes (previsiblemente, la creciente separación entre los lugares de residencia,
trabajo y ocio, los favorecerá aún más en un futuro próximo). Como ya planteaban
White (1979) (recogido en DeVerteuil, 2000) o Arentze et al. (1992), la dispersión
de los centros de servicio no es necesariamente el patrón de localización que
minimiza los desplazamientos de los usuarios; para ciertos grupos de servicios la
aglomeración puede ser una disposición más adecuada, que contemple la
complementariedad de ciertos tipos de equipamientos (Moreno y López de los
Mozos, 1989) (ver figura 2.3).
Entre las críticas que pueden hacerse a estos planteamientos, no son menos
importantes las dirigidas hacia su misma base teórica. Tras las aportaciones de las
geografía radical y humanista no puede obviarse ni el contenido político de las
decisiones sobre localización de equipamientos públicos, ni el contexto y la
relevancia social de los mismos. Aun entre sus defensores se aboga por modificar y
extender las asunciones básicas, de modo que se incluya el contexto, los impactos
ambientales y sociales de las infraestructuras y equipamientos públicos, la
“localización como acceso y como externalidad” (DeVerteuil, 2000).
Figura 2.4. Distancia euclidiana o en línea recta (A), distancia Manhattan (B)
y distancia a través de la red (C)
15
Conjunto de elementos físicos (ordenadores, periféricos), lógicos (programas, datos) y
procedimientos que facilitan un entorno adecuado para la adopción “racional” de decisiones sobre
problemas espaciales (Bosque et al., 2000).
64 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Agradecimientos
Relación completa
1) Según los elementos contemplados en el problema (Wee et al., 2001):
a) Transporte (Gutiérrez y Urbano, 1996; Gutiérrez et al., 1996; Gutiérrez y
Gómez, 1999; Joly, 1999; Gutiérrez, 2001). Entre otros, este enfoque
abordaría los problemas de:
i) Evaluación de la capacidad y de la eficacia de la red de transporte
(como aproximación a las oportunidades de acceso y como medida de
cohesión territorial) y planificación de nuevas infraestructuras.
ii) Relación con el potencial económico y la jerarquía urbana (Dupuy y
Stransky, 1996).
iii) Medias de movilidad (número de kilómetros u horas totales por viaje,
número de viajes por individuo)16.
16
Hace una década, en estudios americanos era frecuente asimilar incremento de la movilidad con
incremento de la accesibilidad; más recientemente se tiende a diferenciar los dos conceptos y a
considerarse que una mayor accesibilidad reduce las distancias en los desplazamientos y crea niveles
más altos de movilidad (Hodge, 1997; Helling, 1998).
68 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
3.1 INTRODUCCIÓN
La tradición investigadora concerniente a este campo es abundante y
creciente, por lo que, dado el carácter de este texto, no resulta viable aquí intentar
una revista exhaustiva de la misma17. En su lugar, se tratará de ofrecer en este
capítulo una presentación panorámica de las principales líneas de desarrollo y de
los modelos más conspicuos, en aras de proveer una síntesis asequible y selectiva
de un tema relativamente complejo y de desigual presencia (por disciplinas) aún en
lengua española. El objetivo último de ello estriba en facilitar su conocimiento
inicial y estimular tanto la investigación, como las aplicaciones en planificación y
gestión espacial.
17
Al respecto pueden consultarse las revisiones antiguas de Beaumont (1981), Hodgson, Rosing y
Shmulevich (1993), Labbé, Peeters y Thisse (1995) u Owen y Daskin (1998) y, sobre todo, revistas como
Computers & Operations Research (http://www.sciencedirect.com/science/journal/03050548), Studies
in Locational Analysis (http://www.vub.ac.be/EWGLA/STUDIES/main.html), Transportation Science
(http://transci.journal.informs.org/), y los portales http://www.vub.ac.be/EWGLA/ y http://gator.dt.uh.edu/
~halet/
74 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
completos de usos del suelo, así como los problemas de redes y de transporte
(flujos, caminos mínimos, etc.); así mismo los frentes de desarrollo más recientes,
por su abundancia y mayor complejidad, solo se tratan someramente. En esencia,
pues, se expondrán los modelos de localización óptima más reconocidos, separando
aquellos idóneos para ubicar instalaciones deseables o saludables, de aquellos otros
que tratan la localización de instalaciones molestas o perjudiciales.
18
Una revisión amplia de este tipo de problemas lo ofrece el libro de Thomas (2002). Véanse también
las asequibles introducciones de Miller y Shaw (2001, cap. 6) y de Smith et al. (2006, cap. 7) o la
didáctica obra de Church y Murray (2009).
19
La formulación completa de bastantes de los modelos aquí expuestos puede consultarse en obras como
las de Hansen, Labbé, Peeters y Thisse (1987), Moreno y López de los Mozos (1989) o Daskin (1995).
76 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
m n
Minimizar Z = ∑ ∑d tβ xi ij ij {3.1}
i =1 j =1
Función objetivo:
Solución:
Variable de Asignación
localización Sitio candidato
⎡ A B C⎤
⎢1 1 0 0 ⎥
[y A = 1 yB = 0 y C = 1] Origen ⎢ ⎥
⎢2 1 0 0 ⎥
⎢ ⎥
⎢3 0 0 1 ⎥
⎢⎣4 0 0 1 ⎥⎦
78 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
n
∑ xij = 1, ∀ i = 1,...,m {3.2}
j=1
Con ella se impone que para cada lugar de demanda la variable xij debe
tener solo un valor igual a la unidad, es decir, que cada lugar de demanda debe ser
asignado a un centro (y nada más que a uno), por lo que, como se anticipó antes, en
cada fila únicamente habrá un uno.
n
∑ yj = k {3.3}
j=1
En esta expresión se introduce una variable adicional, yj, que alude a los
centros de servicio a implantar, estableciendo que su número será exactamente k,
una cifra provista externamente por el decisor. Obviamente se asume que k < n, es
decir, que hay menos centros de servicio a instalar que lugares candidatos a
acogerlos. En otro caso, no habría problema (bastaría con poner un centro en cada
sitio potencial). Esta restricción es realmente la que introduce la limitación del
presupuesto o inversión para abrir más o menos establecimientos.
Con esta última restricción se exige que un punto de demanda solo pueda
ser asignado a un lugar j que tenga centro de servicio. Ello es lo que se expresa
forzando a que la variable yj deba tener un valor superior o igual a la variable xij.
En la expresión se incluye el requisito de que ambas variables sean números
positivos.
∑ d [( p ]
m n
− X i ) + (q j − Yi )
2 1/ 2
Minimizar Z = ∑
2
i j xij {3.6}
i =1 j =1
Figura 3.1. Analogía mecánica del punto de desplazamiento mínimo (minisum). La posición del nudo
del que penden todos los pesos (asumiendo fricción nula) representa ese punto de equilibrio, fruto de
una compensación en la que influyen tanto el peso de cada cilindro como la posición del mismo
(denotada por los agujeros)
Figura 3.2. Ejemplo de localización de la demanda y sitios candidatos (núcleos de población con
100 o más habituales en Menorca)
Figura 3.3. Solución óptima según modelo p-mediano para 3 instalaciones, con 44 sitios candidatos y
distancias lineales en el ejemplo de Menorca. Se muestran los centros de servicio y las respectivas
áreas de influencia
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 81
12000000
9000000
Función objetivo
6000000
3000000
0
0 1 2 3 4 5 6
Número de instalaciones
Figura 3.4. Ejemplo de la relación de sustitución entre el número de equipamientos y el coste de los
desplazamientos: Representación de la función objetivo (distancia a recorrer en metros) según el
número de instalaciones para el problema p-mediano con los datos de Menorca
πi = Qj / (a + tßij) {3.7}
m n
Maximizar F = ∑ ∑π i X ij {3.8}
i =1 j =1
m n m
Minimizar Z = ∑ ∑ d i (v j + t ij )xij + ∑ f j y j {3.9}
i =1 j =1 j =1
Uno de tales modelos parte de la premisa de que aquellos que están lejos se
ven seriamente penalizados, todo lo contrario que los que están próximos, por ese
motivo se busca reducir las discriminación implícita en ello. Se adopta entonces
una medida de accesibilidad expresada como la distancia/coste de desplazamiento
desde cada punto de demanda al punto de servicio más cercano. Una de las
formulaciones operativas al respecto busca llevar al terreno espacial la noción de
justicia formulada por Rawls (1971). Fue Harvey (1977, p. 113) quien, apoyándose
en las bases teóricas de aquel autor, apuntó que “el problema geográfico consiste
en idear una forma de organización espacial que maximiza las perspectivas de la
región menos afortunada”. El trasunto de este principio al campo de los modelos de
localización óptima dio lugar al denominado objetivo “minimax”, que se puede
enunciar así: dado un número limitado de equipamientos a instalar, averiguar, de
entre los emplazamientos posibles, el conjunto que minimizaría la distancia o
desplazamiento máximo ocasionado, asignando siempre la demanda al centro
más próximo. Se persigue maximizar la igualdad a través de forzar que la
distancia/coste de desplazamiento al punto de servicio desde el caso más
perjudicado sea la menor posible. En el caso de espacio discreto se le conoce con el
84 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Una variante de este modelo, que puede ser conveniente para ciertos
servicios de emergencia o emisoras de TV, radio, etc., desecha la variable di por
innecesaria y solo toma en cuenta la distancia/coste de desplazamiento de los
asentamientos (figura 3.5). Ello implica asumir que la magnitud de población de
cada uno de ellos es, a los efectos del servicio, irrelevante. La función objetivo se
escribiría ahora así:
Figura 3.5. El problema minimax para dos instalaciones: ¿qué par de sitios candidatos (en negro)
conseguiría que la distancia desde el asentamiento más lejano (p. ej., el más perjudicado) a una
instalación fuese mínima?
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 85
Resolución:
n
Minimizar Z = ∑f
j =1
j yj {3.12}
n
∑ yj ≥ 1 ∀ i= 1,...,m {3.13}
j∈Ni
Figura 3.6. Ilustración de los sitios candidatos (A, B y C) que cubren a cada asentamiento (1, 2, 3 y
4) dentro de la distancia especificada. Conjuntos: N1 = {A}, N2 = {A y B}, N3= {B}, N4= {C}
La condición expresa que la solución factible tiene que asegurar para los m
puntos de demanda que hay uno o más puntos de servicio que lo cubren. Dicho de
otra manera, la suma de los valores de la variable yj, que identificará a los sitios
candidatos elegidos, debe ser igual o mayor que 1. Observe que esa suma se realiza
por separado para cada conjunto Ni, es decir, para cada punto de demanda.
m
Maximizar F = ∑d x
i =1
i ij {3.16}
Una formulación completa del modelo puede verse en Hansen et al. (1987,
p. 40) o Daskin (1995, pp. 110-111). Church y ReVelle (1976) y Hillsman (1984)
han elaborado y propuesto una expresión formal unificada que, con ligeras
modificaciones, puede ser adoptada para resolver con técnicas heurísticas (vid.
infra) un amplio número de estos modelos que estamos describiendo. Tal expresión
para este modelo sería:
m n
Maximizar F = ∑ ∑d t x
i ij ij {3.17}
i =1 j =1
redefiniendo ahora tij de esta manera: tij = 1 si tij ≤ R y tij = 0 si tij > R. El valor
precisamente de R es el radio máximo establecido. En realidad la transformación
de tij lo que hace es considerar como no cubierta (al anularla) la demanda de
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 89
aquellos lugares situados a una distancia mayor que R del centro más próximo. En
la figura 3.7 se muestra la ubicación óptima de tres instalaciones con un radio de
cobertura de 3 kilómetros. Una variante de este modelo, que permite incorporar
eventuales restricciones de capacidad de las instalaciones, ha sido desarrollada por
Current y Storbeck (1988) y otra sugestiva aportación se debe a Murawski y
Church (2009), quienes ponen el acento, no en las instalaciones, sino en la
características de la red viaria, que a veces no permite una accesibilidad
conveniente todo el año. Su modelo busca maximizar la población cubierta todo el
año, contando con un presupuesto limitado para mejorar carreteras que garanticen
acceso permanente. El modelo identificará las carreteras que deberían ser
mejoradas para ello.
Figura 3.7. Solución para tres instalaciones con cobertura máxima dentro de 3 kilómetros,
44 sitios candidatos y distancias lineales para el ejemplo de Menorca. Los círculos
muestran las áreas cubiertas
90 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Figura 3.8. Solución para tres instalaciones con cobertura máxima dentro de 3 kilómetros
y restricción alejamiento máximo de 12 kilómetros, 44 sitios candidatos y distancias
lineales para el ejemplo de Menorca. Se muestran los círculos de cobertura especificados
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 91
m n
Minimizar F = ∑ ∑d t i ij xij {3.18}
i =1 j =1
Pero la variable tij se ha de redefinir así: tij = tij si tij ≤ S, y tij = ∞ si tij > S.
Con ello se consigue que en la fase de resolución del modelo se fuerce a que nadie
esté más allá de S.
Otros autores han planteado a lo largo de los años diversas variantes del
objetivo de cobertura (del conjunto o máxima) proponiendo que el alcance espacial
no implique una disyuntiva abrupta cubierto-no cubierto (figura 3.9a), sino una
gradualidad expresable, bien como escalones discretos (figura 3.9b), bien mediante
funciones continuas (3.9c y 3.9d). Véase al respecto, entre otros, el amplio
conjunto de modelos enunciados por Eiselt y Marianov (2009).
Ampliaciones del modelo básico fueron propuestas hace tiempo por Serra y
ReVelle (1994) y Serra (1996, pp. 197-215). Serra y ReVelle (1999) introdujeron
la restricción de que el nuevo competidor habría de conseguir un mínimo de
demanda (ingresos), el llamado umbral, para poder ser viable económicamente.
Plastria y Vanhaverbeke (2008) han propuesto varios modelos que consideran
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 95
Existen diversas variantes de esa idea básica según la forma exacta como
se modeliza ese freno ejercido por la distancia. Holmes, Williams y Brown (1972)
propusieron que la disminución fuese de tipo lineal (figura 3.10A). De entre las
posibles formulaciones descriptivas de una utilización diferencial con la distancia
los autores adoptan la propuesta por ReVelle, según la cual se tendría que:
donde dij = demanda de la zona i, que se serviría del centro más próximo sito en j,
di = demanda de la zona i, que utilizaría un centro sito en el mismo lugar y b =
parámetro de descenso con la distancia.
Figura 10. Diversas formas del descenso de la demanda o uso con la distancia (demanda elástica) de
posible aplicación en los modelos de optimización. A) Lineal, B) Exponencial negativa, C) Potencial
negativa
m n
Maximizar F = ∑ ∑ d (1 − b i · tij ) xij {3.22}
i =1 j =1
La fórmula establece que toda la demanda del lugar i usaría una instalación
instalada en él (di), pero disminuiría linealmente según el parámetro b si este lugar
se encuentra asignado a otro centro j.
Mucho más realistas que una elasticidad lineal son las formas no lineales
de la misma figura (3.10B y C), tal como se comprueba en la realidad. Dicha idea
puede formalizarse bajo nuevas funciones objetivo o modelos:
m n
Maximizar F = ∑ ∑ (d i /(a + t ijβ )) xij {3.23}
i =1 j =1
m n
Maximizar F = ∑ ∑d i exp(− βt ij ) xij {3.24}
i =1 j =1
98 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Para los datos de Menorca y con tres instalaciones la solución óptima con
el modelo de Hodgart coincide con el esquema de localización del modelo p-
mediano (figura 3.3). La relación entre el número de instalaciones y la cifra de
población servida se muestra en la figura 3.11.
m n
Maximizar F = ∑ ∑d i pij y j {3.25}
i =1 j =1
60000
50000
Función objetivo
40000
30000
20000
0 1 2 3 4 5 6
Número de instalaciones
Figura 3.11. Variación de la función objetivo (demanda servida por el centro más próximo) según el
número de instalaciones para el modelo de maximización de los usuarios (según Hodgart, 1978), con
demanda elástica, según una función exponencial negativa, exp(−t ) , 44 núcleos con demanda y
0.0008
ij
Existe ya una cierta cantidad de trabajos que han formulado este tipo de
modelos (p. ej., Hodgson, 1978), incluso considerando situaciones especiales de
competencia espacial como la que se establece entre diferentes cadenas
franquiciadas (por ejemplo, restaurantes de comida rápida) que, a la par que
compiten entre sí, deben garantizar un cierto mercado al franquiciado de cada
cadena, reduciendo la llamada “canibalización” de clientes (vid. por ejemplo,
Ghosh y Craig, 1991). El lector puede recurrir a obras como las de O`Kelly (1987)
o de Ghosh y McLafferty (1987, cap. 6) para una presentación asequible. A título
de ilustración se expondrá un modelo debido a Goodchild y Booth (1980). En un
estudio sobre localización óptima de piscinas, los autores plantearon una
formulación que suponía estimar la demanda efectiva prevista a partir de tres
componentes básicos: la propensión al uso de ellas por la población, el atractivo de
cada equipamiento y los costes de desplazamiento, con lo que reunían los items
clásicos del comportamiento espacial del consumidor. Expuesta de forma sucinta la
demanda prevista para una piscina sita en j desde un lugar i, d’ij vendría dada por:
⎛ L ⎞
⎜ ∑ pi d il ⎟ A j t tjβ
d ij = ⎝ l =1 n ⎠ {3.26}
∑ A j t ijβ j =1
100 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
donde pl es la probabilidad de que una persona de edad l sea usuaria de piscinas, dil
es la población del lugar i con edad l, Aj representa el atractivo de la piscina a situar
en el sitio candidato j y β es un exponente (a estimar) que actúa sobre los costes de
desplazamiento. En la anterior fórmula la expresión dentro del paréntesis sirve para
estimar la demanda potencial de cada lugar, a partir de la influencia que el factor
edad se supone que ejerce. Una vez estimada, su asignación o reparto entre los
puntos de servicios se resolvería de acuerdo con los restantes términos de la
fórmula, en la que se reconoce el clásico modelo de Huff. La función objetivo a
maximizar se escribiría:
m n
Minimizar F = ∑ ∑d' ij t ij y j {3.27}
i =1 j =1
1978), se puede formular así (vid. también Daskin, 1995, pp. 366-371): dado un
número limitado de instalaciones a abrir, averiguar, de entre los emplazamientos
posibles, el conjunto que maximizaría la distancia, ponderada por la población,
entre las instalaciones y los lugares poblados, asignando cada lugar a la instalación
más próxima. Formalmente la función objetivo sería:
m n
Maximizar Z = ∑ ∑d t i ij xij {3.29}
i =1 j =1
Figura 3.13. El problema maximin: siendo los sitios candidatos los puntos, ¿qué conjunto de ellos
sería el óptimo para ubicar dos instalaciones maximizando la distancia al asentamiento (círculos
tramados) más próximo? Solución: comprobar visualmente que serían A y B. Las flechas muestran
para cada sitio candidato el asentamiento más cercano
Varios modelos se han formulado con ese propósito general de los cuales
citaremos dos (Murray et al. 1998):
Figura 3.14. El problema de anticobertura. Dados los asentamientos (círculos tramados) que cubre
cada sitio candidato (puntos negros) dentro de la distancia especificada por la restricción,
NA = {1 y 2}, NB = {2 y 3}, NC= {4}, ¿cuál sería la solución que minimiza la población dentro del
área restringida (p. ej., dentro de los círculos)? Solución: se comprueba visualmente que estaría
formada por los sitios A y B. Observe que el asentamiento 2 está afectado por dos instalaciones, por
lo que si se impone una restricción contra la multicobertura, la solución debería ser entonces el
par {A, C}
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 109
0.8 0.8
Repulsión
Repulsión
0.5 0.5
0.3 0.3
0.0 0.0
0 250 500 750 1000 0 250 500 750 1000
Distancia (m.) Distancia (m.)
Alta repulsión en origen, variación rápida Alta repulsión en origen, variación lenta.
0.8 0.8
Repulsión
Repulsión
0.5 0.5
0.3 0.3
0.0 0.0
0 250 500 750 1000 0 250 500 750 1000
Distancia (m.) Distancia (m.)
Baja repulsión en origen, variación rápida. Baja repulsión en origen, variación lenta.
Figura 3.15. Funciones teóricas del nivel de repulsión según la distancia a la fuente emisora
producidas por la fórmula Vij = 1 / (1 + exp(a + b . tij). El parámetro a (puede ser positivo o
negativo) expresaría el nivel de repulsión en origen y proximidades (cuanto más bajo, más rechazo),
el parámetro b (siempre > 0) modularía la variación con la distancia (cuanto más alto, más rápido es
el cambio). Véase Fernández et al. (2000)
m n
Minimizar Z = ∑ ∑d Q e
− β tij
i yj {3.35}
i =1 j =1
m m
di X i Xi
p r +1 = ∑ ∑c {3.36}
i =1 cir i =1
r
i
m m
dY Yi
q r +1
= ∑ ir i ∑c r {3.37}
i =1 ci i =1 i
• Para cada subconjunto, aplicar las fórmulas siguientes, que sirven para
desplazar cada instalación tratando de optimizar la ubicación de la
misma. Es la fase de localización.
m aij d i X i m aij X i
p rj +1 = ∑ r ∑
i =1 c ij i =1 cijr
{3.38}
• Repetir las fases b-e hasta que no haya cambios de asignación de los
puntos de demanda entre los centros de servicio.
⎛ n ⎞ ⎛ 50 ⎞ ⎛ 50! ⎞
⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = ⎜⎜ ⎟⎟ = 2.118.760 {3.40}
⎝ k ⎠ ⎝ 5 ⎠ ⎝ 5!(50 − 5)! ⎠
combinaciones de los 50 sitios tomados en grupos de 5, de entre las que habría que
averiguar cuál es la solución óptima. Incluso con potentes ordenadores el volumen
de cálculo puede resultar impracticable enumerar y comprobar exhaustivamente
todas las combinaciones posibles para ciertos problemas. Por tal motivo se han
probado diferentes estrategias de resolución (vid. Church y Sorensen, 1996; Chan,
2001) que pueden agruparse en dos grandes alternativas. No obstante, conviene
reseñar que muchos de los modelos de localización-asignación pueden ser
contemplados como casos particulares de una fórmula más general, a la cual
pueden aplicarse los métodos que a continuación describiremos. Por tal motivo la
resolución se ve facilitada. Church y ReVelle (1976) y Hillsman (1984)
evidenciaron tal hecho para un buen número de modelos y otros más de los aquí
expuestos podrían ser añadidos.
20
Al respecto resulta recomendable la obra de Daskin (1995), que contiene abundantes ejemplos
desarrollados.
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 119
La segunda vía alternativa para resolver estos modelos, más extendida que
la anterior, es el recurso a algún proceso heurístico o de búsqueda iterativa que,
aplicado juiciosamente, puede conducir a la solución óptima o a una muy próxima.
Han sido numerosas las técnicas heurísticas propuestas en la bibliografía (vid.
Zanakis, Evans y Vazacopoulos, 1989) y aquí describiremos algunas de las más
simples o populares, mencionando simplemente otras.
De modo semejante, los SIG cuentan con funciones que permiten realizar
numerosas operaciones matemáticas y de tipo geográfico sobre los datos del
territorio; sin intentar ser exhaustivos podemos mencionar la denominada álgebra
de mapas, la superposición de mapas, la generación de área de influencia de los
elementos geográficos y, muy en especial, las funciones para calcular distancias
entre elementos y generar mapas de proximidad o de costes de recorrido (Bosque
Sendra, 1997, cap. 11). Todas ellas resultan de gran utilidad para iniciar la
resolución de los problemas de localización óptima de equipamientos.
pensados para tratar las más diversas cuestiones de interés geográfico, por lo que
los procedimientos incluidos en ellos son únicamente los que se consideran que
pueden tener un uso general. Al mismo tiempo, su preocupación fundamental es la
consideración de los aspectos que podemos considerar más “externos”, formales y
geométricos, de los problemas geográficos. Por tanto, los SIG no están adecuada-
mente preparados para estudiar los procesos internos que generan las estructuras
visibles y “geométricas” de las cuestiones geográficas, los SIG parten de una teoría
social muy rudimentaria y esquemática (Bosque Sendra y otros, 1995).
Los problemas técnicos tienen que ver, por un lado, con los tipos de
informaciones necesarias para tratar de adoptar una decisión racional en un
problema de localización óptima y, por otro, con los procedimientos de análisis que
es preciso aplicar en las tres grandes etapas, usualmente consideradas necesarias,
para adoptar racionalmente una decisión informada, que se han descrito con mayor
detalle en el capítulo 1 de esta obra.
Existe una amplia literatura sobre el tema, un buen ejemplo sería el texto
de Sprague y Watson (1996). En el mundo de los SIG y de las aplicaciones
geográficas también surgió muy pronto el interés por el desarrollo de este tipo de
software, (NCGIA, 1990 y NCGIA 1995). En castellano el artículo de Bosque y
otros (2000) plantea el tema en relación a la cuestión de la localización óptima de
instalaciones, en lo que sigue usamos ampliamente este trabajo.
Para ello debemos definir con claridad cuáles son los elementos
fundamentales que la base de datos debe incluir en cualquier caso.
En principio, podemos considerar que son 4-5 temas, aquellos que son
imprescindibles para el estudio de estas cuestiones:
K&Zd
Kϭ KϮ ͙ KŶ
ϭ
D
Ϯ
E ŝƐƚ;ŝ͕ũͿ
͘
͘
͘
ŵ
Figura 4.2. Matriz de distancias para la evaluación de una situación
existente, se basa, en primer lugar, en obtener una matriz de distancias entre los
lugares de demanda (filas: D1, D2, Dj) y los lugares de oferta (columnas: O1, O2,
Oi), siendo Dist(i,j) la distancia entre el punto de oferta i y el punto de demanda j
(ver la figura 4.2).
K&Zd
Kϭ KϮ ͙ KŶ ϭ Ϯ ͙ Ɖ
ϭ
D
Ϯ
E ŝƐƚ;ŝ͕ũͿ
͘
͘
͘
ŵ
sencillo y la mayoría de los SIG tienen herramientas que permiten su obtención sin
muchos problemas, sin embargo el cálculo de distancias entre elementos lineales o
poligonales, o entre puntos y líneas o entre puntos y polígonos, ya resulta mucho
más complicada (Miller, 1996) y normalmente, los SIG comerciales no tienen
incorporadas funciones adecuadas para su obtención.
Por tanto, parece necesario, al menos en una primera aproximación, que los
lugares donde se sitúa la demanda, la oferta y los puntos candidatos sean
considerados de carácter puntual de modo que los problemas para el cálculo de las
distancias se resuelvan con cierta facilidad.
Una vez aceptada esta restricción surge un nuevo problema. Los SIG
comerciales, como ya se ha indicado, tienen funciones relativamente potentes para
el cálculo de distancias entre dos puntos y para la generación de los denominados
mapas de proximidad o de costes de recorrido, donde para un conjunto de lugares
de referencia, por ejemplo los centros de oferta, se obtiene la distancia que separa a
cada punto de demanda del centro de oferta más próximo. Pero esto no es
exactamente una matriz de distancias entre oferta y demanda, en los mapas de
proximidad solo tenemos una distancia para cada punto de demanda, la que le
separa del punto de oferta más próximo, sin embargo en la matriz de distancias se
tienen que registrar las distancias entre cada punto de demanda y todos los de
oferta. Esto quiere decir que las funciones usualmente disponibles en un SIG
comercial no permiten de manera sencilla la obtención de matrices de distancia,
por ello esta capacidad tendrá que ser añadida habitualmente para que el SIG pueda
ser de utilidad en estos problemas.
red de carreteras/calles. Por ello, es necesario resolver el modo como estos puntos
se van a conectar a la red para que así los cálculos de distancia se puedan realizar
de modo razonable.
Una solución, quizás la más correcta, para relacionar puntos (de oferta y
demanda) y red de transporte es añadir nuevos elementos lineales (tramos) a la red,
de modo que comuniquen cada punto de oferta/demanda (que no esté ya situado en
un nodo de la red) con los nodos de la red que le rodean y están cerca de ese punto.
Una solución posible sería trazar, desde cada punto de oferta/demanda, un círculo
(de radio prefijado por el usuario, que podría ser proporcional a la superficie de la
zona a la que representa ese centroide) y comunicar, con nuevos tramos, el
centroide con todos los nodos de la red que estén dentro del círculo mencionado. El
principal problema es la gran cantidad de nuevos tramos que se añaden a la red,
tramos que, por otra parte, tienen una condición especial: por ellos solo pueden
discurrir los movimientos procedentes del centroide original, pero los flujos de
otros orígenes no pueden pasar por estos tramos. Todo esto complica mucho
utilizar esta solución por lo que no se suele adoptar.
Una solución más sencilla, pero menos correcta, es añadir un único nuevo
tramo que relacione el centroide con el nodo de la red más próximo.
HERRAMIENTAS
INFORMÁTICAS PARA LA
SOLUCIÓN DE MODELOS DE
LOCALIZACIÓN ÓPTIMA
5Capítulo 5
5.1 INTRODUCCIÓN
Dentro del software existente actualmente para ayudar a la formación de
decisiones de localización de instalaciones y servicios uno especialmente asequible
es Flowmap, un veterano sistema de análisis y modelado espacial que incluye
también sencillas funcionalidades para la migración de datos desde formatos de
SIG populares. En este capítulo se presentará al lector esta herramienta, de cara a
su eventual elección para aplicaciones profesionales que requieran modelos de
optimización. Las prestaciones de Flowmap, las posibilidades de transferencia de
sus formatos de datos y su disponibilidad, gratuita en la versión educativa, le hacen
un candidato destacado para estudiosos e interesados con escasos recursos. En el
próximo apartado se realiza una sucinta presentación del mismo y luego de la
geoinformación necesaria resolver problemas de optimización. A continuación se
introduce el manejo básico del programa (importación de geodatos y visualización
de tablas y mapas), para exponer seguidamente la creación de matrices de
distancias entres orígenes y destinos, la resolución de supuestos con los modelos de
optimización disponibles y la obtención de mapas, estadísticos y tablas
documentando los resultados.
144 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
• Selección de geodatos.
• Puntos: se trata de un fichero DBF que, por un lado, sirve para indicar la
ubicación de la demanda y, por otro, expresa la ubicación, real o
potencial, de los centros de servicio. Es decir, para los modelos de
localización óptima, las capas de orígenes y destinos serán la misma.
Debe tener un nombre idéntico (de ocho caracteres) a la capa de
146 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
1. Ejecutar File / New Project. Con ello se abre una ventana como la
mostrada en la figura 5.1.
2. Especificar los ítems necesarios (varían según el tipo de análisis a
efectuar). Son los siguientes:
– Carpeta de trabajo (Work space).
3. Capa de red viaria: consta de los ficheros *.003 a *.006 y otro con
nombre similar seguido de *3.dbf (atributos de los arcos). Si se desea
realizar análisis con trayectos a través de red y no en línea recta, esta
capa es obligatoria para generar la matriz de distancia o costes de
transporte.
4. Capa de polígonos: ficheros *.001 a *.006. Esta capa es obligatoria para
visualizar datos por zonas y para resolver modelos de localización
óptima (sustituyendo entonces a la de la red).
150 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
– Se termina con Save o Save as, para guardar el fichero fpf. Tras ello
es posible ya operar con Flowmap.
© RA-MA CAPÍTULO 5. LOCALIZACIÓN ÓPTIMA CON EL PROGRAMA FLOWMAP 151
Figura 5.2. Manzanas, centroides y callejero de una zona con plano regular
21
Las entradas de la leyenda son editables haciendo clic sobre ellas.
152 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Figura 5.3. Círculos proporcionales a la población (homogénea) por manzanas en la zona de trabajo
Las opciones de la figura 5.4 fueron las adoptadas con la capa (vid.
Material adicional) de la red viaria (CALL120M.*) y la tabla de O/D
(MAN100M1.DBF) para generar la matriz de distancias (a la que se denominó
MAN2MAN_DCALLES.*).
Figura 5.4. Ventana para generar las distancias entre orígenes y destinos (centroides) de los
polígonos a través de la red viaria
154 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
• Airline distance. Puede ser creada habiendo definido como Map file (en
el fichero de proyecto) bien una capa de red, bien una de polígonos. Tras
seleccionar esta opción se ha de elegir en la ventana nueva los
parámetros convenientes. Tras aceptar, se generan 4 ficheros: *.010,
*.011, *.014 y *.015 con las distancias rectas entre los puntos orígenes y
destinos. Es posible añadir dicha matriz de distancias al proyecto
inmediatamente.
Una vez preparados los datos se puede pasar ya a resolver los modelos de
localización-asignación, según se describe en los apartados siguientes.
• Tabla DBF con los puntos (centroides) localizando los lugares con
demanda, centros de servicio actuales y potenciales. Conviene recordar
que debe tener nombre idéntico al de la capa de polígonos, excepto el
último carácter, que será 1. Contendrá como campos:
C
Figura 5.6. Ventanas del asistente para la resolución del modelo de p-mediano en Flowmap. En la
parte derecha de cada ventana se describen las opciones elegibles
Figura 5.7. Solución p-mediana para tres centros con el algoritmo de intercambio. Se exhiben las
ubicaciones tentativas iniciales (cuadrados pequeños) y las óptimas halladas (puntos)
22
El nombre propuesto es un acrónimo alusivo a PM (modelo p-mediano), 3C (tres
centros), I (algoritmo de intercambio).
158 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Figura 5.8. Solución p-mediana para tres centros obtenida con la metaheurística de
expansión e intercambio
Figura 5.9. Solución de cobertura del conjunto para cubrir todas las manzanas en un radio de 1 km
23
Se advierte que este problema es de resolución lenta (requiere 151 iteraciones).
160 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
• Find best: una cifra de centros prefijada (para identificar los que cubren
más demanda dentro de la distancia marcada).
Figura 5.10. Especificación de opciones para el modelo de cobertura máxima con el algoritmo de
expansión e intercambio
Figura 5.11. Solución para 4 centros buscando cobertura máxima dentro de 1 km (con demanda
homogénea por manzanas) y algoritmo expansión e intercambio
Como ejemplo con los geodatos del Material adicional se ha resuelto este
modelo usando la heurística Relocation (intercambio). Las opciones especificadas
en el asistente han sido:
Figura 5.12. Solución con algoritmo de intercambio para 3 centros buscando minimizar la distancia
máxima (demanda homogénea por manzanas)
Como ejemplo, con los geodatos del Material adicional se ha resuelto este
modelo usando la heurística Expansion and Relocation (adición e intercambio).
© RA-MA CAPÍTULO 5. LOCALIZACIÓN ÓPTIMA CON EL PROGRAMA FLOWMAP 163
Figura 5.13. Solución con algoritmo de adición e intercambio para 3 centros, maximizando la cuota
de mercado individual (con demanda desigual por manzanas)
A B
Figura 5.14. Asistente para la especificación de opciones para asignación de los puntos de demanda
a los centros de servicio
Figura 5.15. Mapa con las áreas de servicio y la asignación de cada manzana al centro más cercano
(solución p-mediana con algoritmo de intercambio para 3 centros). Los círculos representan la
magnitud de la demanda, constante en cada manzana
Figura 5.16. Opciones para construir el mapa de araña o líneas de deseo con la asignación
© RA-MA CAPÍTULO 5. LOCALIZACIÓN ÓPTIMA CON EL PROGRAMA FLOWMAP 167
Figura 5.17. Ventana para obtener la distribución de la demanda según la distancia y algunos
estadísticos de accesibilidad y equidad basados en la distancia o coste de desplazamiento
estadísticos más, como las distancias máxima y media (para los usuarios) y el
índice de Gini.
Figura 5.18. Diagrama de frecuencias acumuladas de la demanda (%) según la distancia al centro
de servicio más próximo (solución p-mediana, 3 centros, algoritmo de intercambio, demanda
constante)
Cumulative
Amount of Cumulative Cumulative
Meters Average
DEMANDAC Amount Percentage
Distance
0 30.0 30.0 1.1718750 0
240.0 60.0 90.0 3.5156250 160.0
360.0 240.0 330.0 12.890630 305.45460
480.0 380.0 710.0 27.734380 398.87320
600.0 460.0 1170.0 45.703130 477.94870
720.0 490.0 1660.0 64.843750 549.39760
840.0 400.0 2060.0 80.468750 605.82530
960.0 220.0 2280.0 89.06250 640.0
1080.0 180.0 2460.0 96.093750 672.19510
1200.0 70.0 2530.0 98.828130 686.79840
1320.0 30.0 2560.0 100.0 694.21880
Accessibility measures
Maximum or worst case distance: 1320.0 Meters
Average distance: 694.21880 Meters
Spatial inequality measures
Gini Coefficient: 0.1987176
Gini Index: 19.871760
Por ello, para el caso de un usuario final que desee efectuar análisis sobre
unos datos concretos, se requiere trabajar sobre una de tales aplicaciones en lugar
de hacerlo directamente sobre la librería, que es un producto principalmente
orientado a desarrolladores. Los ejemplos de este capítulo han sido realizados sobre
gvSIG, el SIG más popular de cuantos incorporan SEXTANTE, y que es la opción
recomendada por su mayor potencia y versatilidad frente a otros programas
similares. Al igual que SEXTANTE, gvSIG es también software libre, y la última
versión puede descargarse de su página web (http://www.gvsig.org/web/). Esta
versión ya incluye SEXTANTE, por lo que no es necesario instalar componentes
adicionales.
• Caja de herramientas.
• Modelizador.
• Línea de comandos.
Esta ventana se muestra al hacer doble clic sobre el nombre del algoritmo
en la caja de herramientas, o bien al seleccionarlo con el botón derecho y después
seleccionar la opción “ejecutar” en el menú contextual que aparece.
24
Todos los modelos se calculan usando el procedimiento de Teitz y Bart descrito en un
anexo de este libro.
174 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
– Cobertura máxima.
– Suma máxima.
• Distancia máxima. Este valor se emplea tan solo para el método de suma
mínima con restricción de alejamiento, y representa la distancia máxima
permitida entre un punto cualquiera de demanda y su punto más cercano
de oferta. Las unidades de esta distancia deben ser las mismas que las de
las capas de entrada (p. ej., metros en las coordenadas UTM).
Por último, un campo en el bloque “Salidas” denominado “Conexiones”
sirve para indicar al programa la ruta en la que se debe almacenar el resultado. Este
resultado consiste en una capa vectorial de líneas que enlaza cada punto de
demanda con su punto de oferta más cercano (mapa araña o de líneas de deseo),
incluyendo tanto los ya existentes, como los que se hayan establecido como nuevos
puntos de oferta en base a los cálculos realizados por el algoritmo.
Figura 6.3. Mapa de araña mostrando la asignación de los puntos de demanda a los centros óptimos
© RA-MA CAPÍTULO 6. LOCALIZACIÓN ÓPTIMA CON SEXTANTE 175
Figura 6.4 Tabla con resultados, tras resolver un modelo de localización óptima
Figura 6.6. Ventana de inserción de opciones con una tabla de distancias entre puntos de oferta y
demanda preexistente
ellos. En este supuesto, resulta de interés poder resumir todo ese proceso global en
uno solo, de forma que sea más sencillo de ejecutar, especialmente si esa cadena de
operaciones se ha de aplicar posteriormente a otros conjuntos de datos de partida.
El modelizador de SEXTANTE permite llevar esto a cabo.
En primer lugar deben definirse las entradas que el modelo requerirá. Éstas
serán las que se pidan al usuario en el momento de ejecutar el modelo, y las que
serán analizadas haciendo uso de los distintos algoritmos. En segundo lugar, se
debe definir la estructura del modelo como tal, incorporando los algoritmos a
ejecutar y la relación entre las entradas y salidas de estos. Todos los algoritmos que
se encuentran disponibles en la caja de herramientas de SEXTANTE lo están
también en el modelizador. Más aún, otros modelos previamente creados pueden
también emplearse como parte de un modelo mayor que los englobe y amplíe.
La figura 6.8 muestra el esquema de un modelo que toma como entrada las
capas necesarias para ejecutar el algoritmo de localización óptima. Una vez se han
asignado los nuevos centros de oferta en base al análisis de localización óptima, un
segundo algoritmo calcula un mapa de densidad de estos, que da como resultado
una capa raster. Se trata de un modelo muy sencillo, pero que sirve para ilustrar la
filosofía del modelizador. Puede, no obstante, crearse modelos más complejos con
tantos algoritmos distintos como se desee, encadenados según un flujo de trabajo
dado.
bien todos o parte de los que forman parte de un proyecto SIG, ampliando las
posibilidades de la herramienta.
6.5 CONCLUSIONES
SEXTANTE es una librería de análisis que incorpora algoritmos de
localización óptima y se integra en numerosos SIG y programas de otra índole.
Puesto que incluye además elementos de productividad, es una opción muy
recomendable para llevar a cabo este tipo de análisis, especialmente considerando
la buena integración en SIG, que permite conjugar estos análisis con otras
funciones propias de estos programas. De este modo, tanto la preparación de datos
como el análisis en sí, como la elaboración posterior de resultados, pueden ser
llevados a cabo dentro de una misma herramienta.
7Capítulo 7
25
TIC se refiere a las Tecnologías de la Información y la Comunicación.
184 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
En el caso que nos atañe, con un sencillo cliente WPS, el cual seguirá un
estándar y por tanto es menos susceptible a cambiar, se permite el procesamiento
de los modelos de localización-asignación. Muchas tareas de gestión pública
requieren de herramientas sofisticadas para la toma de decisiones geo-espaciales.
Por ejemplo, podríamos plantear el hipotético caso en que las distintas
delegaciones de educación de una comunidad autónoma necesiten ejecutar un
modelo de localización-asignación para asignar centros educativos a los alumnos.
Al tener un modelo implementado y seguir un estándar, cada delegación podría
hacer uso del servicio sin tener que disponer de hardware o software adicional pues
dicho procesamiento se lo puede ofrecer una Infraestructura de Datos Espaciales.
Lo único que habría que implementar es un front-end, que es el punto de
interacción del usuario con el sistema.
El servicio WPS tiene diversas entradas y salidas. Entre las entradas del
servicio WPS existen datos complejos y datos simples:
estructura del XML debe ser conocida por el cliente para poder ser
enviada al servicio WPS y que este último sea capaz de analizarlo
sintácticamente. En la figura 7.2 se muestra de qué forma representar la
distancia entre un punto de demanda y los puntos de oferta y candidatos
a ser instalados. La distancia está expresada en metros.
5. Se realizan los pasos 3 y 4 hasta que se prueban todos los cambios, una
vez que no se encuentran mejoras en la función objetivo, se llega a la
solución.
La zona de prueba es Alcalá de Henares y los datos son del año 2004.
Concretamente se dispone de una capa con los centros de salud disponibles, otra
capa con los posibles candidatos a ser centros de salud y otra con los puntos de
demanda, que se obtienen a partir de los centroides de las secciones censales,
además del valor de demanda. Los pasos seguidos son:
Figura 7.3. Resultados de ejecución del modelo Minisum con distancias a partir de rutas a pie,
incluyendo los centros de salud actuales como candidatos
© RA-MA CAPÍTULO 7. LOCALIZACIÓN ÓPTIMA CON WPS 191
Figura 7.4. Variación del valor de la función objetivo en función del número de centros a ubicar
Por tanto, se pueden generalizar para este tipo problemas los siguientes
puntos:
energético. Aunque no todo son ventajas. Hay que tener en cuenta que en este tipo
de computación, el cliente no tiene control sobre el sistema, simplemente lo
ejecuta. También existe un problema legal en cuanto a la privacidad de los datos, el
cliente debe confiar en el proveedor de servicios. Otro tema importante es la
necesidad de disponer de una red de comunicaciones de alta velocidad. Por último,
hay que destacar que pueden existir servicios de pago o gratuitos.
7.5 INSTALACIÓN
La ubicación natural de los servicios WPS implementados es una
infraestructura de datos espaciales. Los servicios están publicados en el portal
temático del departamento de Geografía de la Universidad de Alcalá. La URL del
servicio WPS es http://ide.geogra.uah.es:8080/deegree-wps-example-provider/
services? Además existe un cliente en modo texto con datos de prueba de entrada
para ejecutar los modelos, la dirección web es la siguiente:
http://ide.geogra.uah.es:8080/deegree-wps-example-provider/console/client/
client.xhtml.
7.6 CONCLUSIONES
La implementación de modelos de localización-asignación mediante un
estándar como es el WPS permite resolver problemas existentes con programas
anteriores, como son la falta de conexión de los modelos con un SIG o la escasa
interoperabilidad. Además se abre un nuevo abanico de posibilidades gracias al
avance en las telecomunicaciones. Éstas cambian y por tanto la forma de ofrecer
software también. Aquí se ha realizado una nueva propuesta teniendo en cuenta las
posibilidades tecnológicas actuales.
PARTE TERCERA
EJEMPLOS DE APLICACIÓN
8Capítulo 8
26
Traducido por Mª Dolores García Ramón (1985), en Teoría y Método de la Geografía Humana
anglosajona, Barcelona, Ariel, pp. 107-131; las citas y la paginación que se incluye en el texto
procede de esta versión.
© RA-MA CAPÍTULO 8. ACCESIBILIDAD EFECTIVA Y ELECCIÓN PERSONAL DE... 199
Por otro lado, dados los diferentes roles de género existentes aún en las
sociedades avanzadas respecto a las tareas domésticas y familiares, es necesario
recordar su papel esencial en la incorporación de la mujer al mercado laboral. Aún
a principios de la década de los noventa “las tareas domésticas recaen siempre y en
mayor medida en la mujer que en el hombre en todos los países de la OCDE”
(Sabaté, Rodríguez y Díaz, 1995, p. 157). Entre esas tareas domésticas se encuentran
el cuidado a niños y otros adultos dependientes dentro del núcleo familiar (Ramos,
1990, p. 20). Inevitablemente, este rol influenciará las condiciones de acceso de la
mujer al mercado de trabajo y sustentará la hipótesis de que la planificación de
equipamientos de atención a la primera infancia haya de tener en cuenta no solo las
necesidades psicopedagógicas del niño, sino también la situación, las necesidades y
las aspiraciones de los adultos, esencialmente mujeres, con menores dependientes.
27
Pueden revisarse las recopilaciones sobre historia de la educación infantil en el medievo, la edad
moderna y la edad contemporánea en Castillo Cebrián et al., 1991; Berea, 1992; y sobre todo en
Lebrero Baena, 1997.
200 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Esta ley consolida, por tanto, una ampliación de mínimos hacia la que
progresivamente iba tendiendo la normativa anterior y que nos acerca a los
estándares de países vecinos. De esas novedades, destacaremos tres. En primer
lugar, se da un aumento de las exigencias de reserva de suelo por vivienda (aunque
lejos aún de los 4,2 m2/viv. propuestos para la región parisina), por habitante, o de
metros construidos por puesto escolar (prácticamente se duplica la cifra anterior).
La segunda novedad es que el proceso ha incluido, con sus propias exigencias de
espacio y personal, a las edades más tempranas, hasta ese momento en un
lamentable vacío legal. Por último, señalaremos las condiciones más exigentes en
cuanto a características del espacio físico y de cualificación del personal, si bien
éstas provocarán la clausura de los establecimientos que no puedan afrontar la
nueva situación, con el consiguiente peligro de desabastecimiento de las áreas más
desfavorecidas (donde mayoritariamente encontramos estos centros
“infraestándar”).
28
Esta ley considera prioritaria la función educativa; ésta “supone una decisiva aportación al
desarrollo armónico del niño, a la par que puede ser una vía eficacísima para detectar posibles
carencias o desajustes educativos que tengan su origen en los diferentes ambientes sociales,
culturales, económicos y formativos en los que el niño se desenvuelve”. Se le asignan 4 funciones
básicas: (1) función de estimulación de los procesos de maduración y desarrollo evolutivo del niño
(autoconocimiento, autonomía y “dominio de sí mismo”, comunicación y relación con los demás,
observación y exploración del entorno natural, familiar y social); (2) función preventiva o de
normalización del comportamiento; desde este punto de vista permite abordar de forma temprana los
efectos negativos para la construcción de la personalidad del niño de entornos socio-culturales de alto
riesgo; (3) función propedéutica o preparatoria de aprendizajes para el acceso del nivel obligatorio
escolar, acentuada sobre todo en la etapa 4-5 años; y (4) función vicaria o subsidiaria de la familia
(Medina Rubio, 1997).
El R.D. de 14 de junio de 1991 (BOE 26/06/91) y la OM de 4 de noviembre del mismo año (BOE
14/11/91) regulan de forma muy precisa el número mínimo de unidades y de salas por centro, el
número máximo de alumnos por aula, la superficie mínima de las mismas, la superficie de patios y
espacios semicubiertos, la necesidad de que los edificios dedicados a este tramo de edad sean de uso
exclusivo, etc. (ver Visedo, 1998).
202 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Además, el trabajo de campo nos aportó los datos necesarios sobre la oferta
y sobre la demanda real del servicio. En cuanto a la primera, tras localizar todos los
centros de educación infantil en funcionamiento en la ciudad durante el curso
1992/1993, se concertaron entrevistas con los responsables de cada uno de ellos. La
tarea de inventariar los centros existentes se vio extraordinariamente dificultada por
la indefinición terminológica y legal de los mismos, y por su misma volatilidad (las
guarderías privadas son, en muchos casos, negocios pequeños que aparecen y
204 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
No obstante, este mapa no nos dice nada sobre la capacidad total de las
instalaciones o sobre otras características relevantes de las mismas. Es un hecho
que no todos los centros tienen la misma capacidad u ofrecen los mismos servicios;
ni siquiera todos ofrecen plazas para cada uno de los grupos de edad en la etapa
preescolar29.
29
Los datos mostraron que el grueso de las plazas se concentran en el grupo 2-3 años (1.065 de las
1.809 plazas ocupadas totales), mientras el grupo 0-1 años ocupa 384 plazas, y el de 4-5 años solo
360. Este, en apariencia, paradójico descenso de plazas en edades en que prácticamente el 100% de
los niños están escolarizados se debe, como ya hemos señalado con anterioridad, a que la mayoría de
los colegios de enseñaza primaria incorporan aulas de preescolar (4 y 5 años). Debido a ese
solapamiento en nuestro estudio se han excluido los niños de esas edades.
206 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Nº Nº plazas Nº plazas
Tipo Descripción
centros 0-1 años 2-3 años
Centros privados
Horario partido de 5 ó 5,5 horas
1 12 42 290
Media de 3,5 m2 por puesto escolar
Media de 17,5 alumnos por educador
Centros privados
Horario de más de 6 horas y, en la mayoría,
2 continuado 18 271 583
Media de 8 m2 por puesto escolar
Media de 14,7 alumnos por educador
Centros públicos
Horario continuado (entre 8 y 11 horas)
3 4 70 193
Media de 14 m2 por puesto escolar
Media de 11,9 alumnos por educador
Tabla 8.2. Clasificación de las guarderías y escuelas infantiles que funcionaron en Alcalá de Henares
en el curso 1992/93 en tres tipos
-200
-400
-600
Déficit
-800
-1000
-1200
-1400
Distr. I Distr.II Distr.III Distr.IV Distr.V Distr.VI Distr.VII Distr.VIII
Figura 8.1. Déficit de plazas en educación infantil (0-4 años) en los ocho distritos de la ciudad
sectores del casco histórico (distrito I) en el que solo está ubicada una
escuela infantil y en las zonas periféricas de los distritos situados al norte
de la vía de ferrocarril, fundamentalmente del distrito VI. Como puede
verse en el mapa 8.1, la trama urbana se ha extendido de forma radial a
partir de casco histórico, siguiendo los antiguos caminos que lo
comunicaban con localidades vecinas, especialmente en sentido este-
oeste. Tenemos, como consecuencia, una estructura viaria que no
favorece las comunicaciones entre los distritos de la periferia,
acentuando los problemas de accesibilidad a determinados servicios que
pudieran ofrecerse en ellos.
30
Por poner solo algunos ejemplos de estudios retrospectivos mencionaremos los realizados sobre el
impacto de las innovaciones tecnológicas en el ámbito agrario (paso de una explotación ganadera
tradicional a una moderna, Carlstein, 1974; Lenntorp, 1982, pp. 128 y ss.), el de las comunicaciones
(impacto del telégrafo en las comunicaciones inter e intraurbanas, Pred, 1977), el impacto en el
ámbito industrial (superación del modo de producción artesanal, impacto de cadenas de montaje y la
robotización en las condiciones laborales, Pred, 1981), la estandarización y rutinización que ha
afectado también a muchos otros ámbitos sociales (oficinas, hospitales, panfletos turísticos;
Hägerstrand, 1984), los impactos en el ámbito cotidiano de inventos como las lentes o gafas, el papel
y la imprenta, la luz eléctrica, etc. (Hägerstrand, 1987).
31
La Geografía del Tiempo es definida como enfoque contextual (Díaz, 1991), socio-ambiental
(Hägerstrand, 1970, p. 108; “socio-environmental web model” Carlstein, 1982), ecología socio-
técnica (Hägerstrand, 1974, p. 19 y ss.; Thrift, 1977a, p. 33), o ecología de la organización social
(Godkin y Emker, 1975, p. 2). “One of the general aim behind the development of the time–
geographic model is to obtain a profounder insight into relations between social, biological, technical,
economic and physical processes and conditions” (Lenntorp, 1977, p. 2).
© RA-MA CAPÍTULO 8. ACCESIBILIDAD EFECTIVA Y ELECCIÓN PERSONAL DE... 211
Mapa 8.2. Suma del número de plazas escolares alcanzables desde cada cuadrícula dentro de la
distancia óptima
para todos los individuos). Por otra parte, la Escuela de Lund reconoce las
“limitaciones de acoplamiento”, impuestas por la necesidad que el individuo tiene
de reunirse con otros individuos, herramientas y materiales a fin de llevar a cabo
las tareas cotidianas (Hägerstrand, 1970, p. 101; los trabajadores de un mismo
turno en una fábrica, un maestro y sus alumnos en horas de clase).
32
Posteriormente otros autores han utilizado términos semejantes para referirse a aspectos o
aplicaciones concretas del mismo concepto: potential path space (PPS) para las representaciones en
3D de ese espacio-tiempo potencialmente accesible, o potential path area (PPA) para su
representación en 2D, son términos recogidos en Parkes y Thrift, 1980; Miller (1991) denomina los
arcos accesibles de una red de calles o carreteras potential path tree (PPT), similar al potential
network area (PNA) de Okabe y Kitamura (1996; cit. en Miller, 2001); por su parte, Kwan (1999)
trabaja con el área alcanzable en alguno de los períodos de tiempo libre de un individuo a lo largo del
día (daily potential path area, DPPA). Por fin, en la literatura más reciente puede encontrarse también
un acrónimo del concepto original: space-time prism (STP) (Miller, 2001).
214 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
33
La revisión más amplia la hemos recogido en Lenntorp (1977); no obstante se pueden encontrar
otras referencias, quizá más accesibles, en Carlstein (1975); Thrift (1977a), pp. 25 y ss.; Thrift
(1977c), p. 435; Lenntorp, (1978); Parkes y Thrift (1980), pp. 259, 264-268 y Lenntorp (1981);
Golledge y Stimson, (1990), pp. 150-152.
© RA-MA CAPÍTULO 8. ACCESIBILIDAD EFECTIVA Y ELECCIÓN PERSONAL DE... 215
Se obtiene, para cada localización del área de estudio, una tabla que
muestra el número de posibles modos en que un programa de actividad puede ser
llevado a cabo, dadas unas restricciones de acoplamiento y capacidad impuestas
por la localización de los domicilios y los centros, sus horarios y el modo de
transporte empleado; resultados que pueden ser agregados según distintos criterios
dependiendo del problema a resolver. Por otra parte, el sistema permite variar
algunos de los parámetros de entrada, facilitando así la simulación de las
consecuencias de distintas estrategias de actuación; por ejemplo, incrementando la
frecuencia y/o la velocidad de los autobuses.
2. PPA final: descarte de aquellos arcos desde los que no daría tiempo a
llegar al nodo de destino a la hora límite; en otras palabras, aquellos en
los que la impedancia acumulada en la primera fase en alguno de los
nodos que los limitan más el número de minutos que consumiríamos
para llegar al nodo de destino excedieran el presupuesto temporal del
individuo.
216 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Por su parte, O’Sullivan et al. (2000) han logrado cartografiar no solo qué
arcos pertenecen o no al PPA, sino cuánto tiempo se podría permanecer en cada
nodo de la red utilizando distintos medios de transporte. Expresado de forma
gráfica, sería la longitud del segmento vertical incluido en el prisma de
accesibilidad potencial individual en cada punto del espacio (recuérdese el ejemplo
de la figura 8.2). Posteriormente, esos tiempos de permanencia adscritos a
elementos puntuales (nodos) se han transformado, mediante funciones de
interpolación, en superficies continuas, representadas mediante isopletas. Con este
método podrá evaluarse de forma más certera cuáles son los equipamientos
realmente accesibles a los usuarios (de nuevo, recuérdese el problema planteado en
la figura 8.2). Pero queda aún considerar la interacción de esos presupuestos
espacio-temporales individuales (PPA) con los horarios reales de trabajo y de
atención de los equipamientos a analizar. Ese fue el objetivo fundamental de este
trabajo. Describimos brevemente a continuación el tratamiento dado a los diarios
de actividad, de los horarios de apertura de los centros y de las velocidades de
desplazamiento en un sistema georrelacional.
Los gráficos para cada uno de los seis tipos mostraron la distribución a lo
largo del día de los distintos tipos de actividad mencionados en la tabla 8.4. En
cada uno de ellos se observó una uniformidad interna notable, lo que hace suponer
que el método empleado en la clasificación puede ser sólido y aplicable a otros
estudios. Sin embargo, el insuficiente número de casos en alguno de los grupos
obliga a ser cautos y a esperar a disponer de una muestra más amplia de individuos
para poder completar esta fase del estudio.
34
La afirmación de “muerte del espacio” provocada por la irrupción de las
telecomunicaciones no parece que pueda defenderse sin importantes matizaciones. Aunque
para determinadas tareas las nuevas tecnologías de la información pueden flexibilizar las
restricciones espacio-temporales de los individuos, numerosos estudios revelan que las
limitaciones de acoplamiento siguen siendo importantes (en muchos casos sigue siendo
necesaria una coincidencia temporal, aunque quizá no tanto espacial), y que no se ha dado
© RA-MA CAPÍTULO 8. ACCESIBILIDAD EFECTIVA Y ELECCIÓN PERSONAL DE... 225
Agradecimientos
9.1 INTRODUCCIÓN
En la sociedad moderna el acceso a los servicios públicos orientados a la
prevención, al cuidado y a la reparación de la salud, es considerado un derecho que
posee la población y, por tanto, debe garantizarse que su localización y distribución
responda a criterios de justicia o equidad territorial, es decir un acceso igualitario,
en términos de necesidad, para toda la población. En este sentido los hospitales
públicos, los centros de atención primaria para la salud, los puestos sanitarios
urbanos y rurales, entre otros, deben presentar un reparto espacial de manera tal
que, tanto los beneficios generados por su utilización como las desventajas por no
acceder a ellos, sean soportados por toda la sociedad de forma equitativa. A pesar
de esta expresión de justicia y equidad, la realidad siempre se muestra menos
ecuánime de lo que merecería la sociedad, por ello la contribución que presentamos
tiene como objetivos, por un lado, mostrar las características de la distribución
actual de los equipamientos sanitarios en el Área Metropolitana del Gran
Resistencia (en adelante AMGR) de la Provincia del Chaco y, por otro lado, sugerir
diferentes escenarios con los sitios óptimos destinados a una posible expansión del
servicio, todo ello considerando a la población sin obra social, plan médico o
mutual como potencial usuaria.
230 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
En concordancia con la línea de este texto, para alcanzar los objetivos que
se expusieron en el párrafo anterior, emplearemos, tanto Sistemas de Información
Geográfica (en adelante SIG), como Sistemas de Ayuda a la Decisión Espacial (en
adelante SADE), recursos o desarrollos que consideramos altamente valiosos para
abordar cuestiones relacionadas con la valoración de las distribuciones y, a la vez,
para mostrar las localizaciones óptimas destinadas a posibles nuevas instalaciones
o, como llamamos en el título del trabajo, para expandir la dotación de los
equipamientos.
35
Mayor información se podrá encontrar en http://flowmap.geog.uu.nl/
36
Los datos corresponden al Censo Nacional de Población, Hogares y Viviendas del año 2001. Si
bien se cuenta con datos provisorios del Censo realizado en el año 2010, los mismos solo se conocen
para el conglomerado y no para los radios censales, tal es el requerimiento para el análisis.
© RA-MA CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS... 231
social, plan médico o mutual, por esta razón, este colectivo será considerado como
la demanda potencial a ser atendida por los equipamientos sanitarios públicos que,
en el área de estudio, son dos hospitales públicos y 41 centros de salud37 (figura
9.2).
37
En la República Argentina, el sistema de salud vigente permite la coexistencia del servicio sanitario
público y privado. El primero es un servicio gratuito destinado a toda la población mientras que el
segundo es subvencionado económicamente por los usuarios.
38
Todas las figuras, mapas, tablas son de elaboración propia del autor.
232 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
39
El valor mínimo es 0 (fracción censal 7-radio censal 22) y el valor máximo 1699 (fracción censal
25-radio censal 21).
40
La obtención de esta información se logró tras la conversión de formatos de datos (vector-raster) y
asignación de demanda potencial a unidades espaciales menores.
© RA-MA CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS... 233
9.3 METODOLOGÍA
41
La localización puntual de los equipamientos sanitarios en el AMGR fue proporcionada por el
Ministerio de Salud de la Provincia del Chaco.
42
La base cartográfica correspondiente a los radios censales fue proporcionada por la Dirección de
Estadística y Censo de la Provincia del Chaco.
43
En el caso de Resistencia y Puerto Barranqueras la red vial que empleamos fue proporcionada por
los municipios respectivos. En los casos de Puerto Vilelas y Fontana el personal del Laboratorio de
Tecnologías de la Información Geográfica elaboró las redes correspondientes.
© RA-MA CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS... 235
En lo que atañe a los modelos elegidos para alcanzar las metas, se han
seleccionado dos de los modelos disponibles en Flowmap, el de “Cobertura
Máxima” (Maximize Overall Customer Coverage) que trata de identificar la
localización óptima de manera que se maximice la demanda contenida en un radio
de distancia fijado por el usuario; y el P-mediano o Minisum (Minimize Overall
Average Distance) que describe el conjunto de lugares que minimizan la distancia
media recorrida por la demanda, asignando cada punto de demanda al centro de
servicio más próximo.
intervalos de distancia: 500, 1.000, 2.000, 3.000 y más de 3.000 metros (figura
9.5), a partir de estos polígonos se calculó la cantidad de demanda contenida en
cada área según intervalos de distancia (tabla 9.1 y gráfico 9.1)44.
Figura 9.5. Áreas de servicio al equipamiento actual más cercano, según distancia
44
Si bien también es posible conocer la cantidad de demanda por cada intervalo de distancia y por
cada centro a los efectos de conocer las disparidades de demanda por centro y por distancia, por
razones de espacio no serán incorporadas en este aporte.
© RA-MA CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS... 237
Gráfico 9.1. Demanda potencial asignada por áreas de servicio, según distancia al equipamiento
más cercano
Un segundo tipo de análisis llevado a cabo surgió a partir del cálculo del
tiempo que la demanda emplea para acceder a los centros. Se utilizó la red vial del
AMGR, y se empleó como única medida de traslado una velocidad de 80 metros
por cada minuto, de este modo, el mayor desplazamiento alcanzó un registro
máximo de 243 minutos (recordamos que se trabajó sobre la idea de un
desplazamiento a pie, de esta forma cualquier alternativa mejoraría este registro).
Para definir las áreas de servicio se reconocieron 5 intervalos de tiempo de
desplazamiento: 10, 20, 30, 60 y más de 60 minutos (figura 9.6) y de las áreas de
servicio generadas se extrajo la demanda potencial por cada intervalo (tabla 9.2,
gráfico 9.2).
238 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Figura 9.6. Áreas de servicio al equipamiento actual más cercano, según tiempos de acceso
Gráfico 9.2. Demanda potencial asignada por áreas de servicio, según distancia al
equipamiento más cercano
Figura 9.7. Áreas de servicio delimitadas según intervalos de distancia al equipamiento más cercano.
Equipamientos actuales y óptimos según modelo Cobemax
Figura 9.8. Áreas de de servicio delimitadas según tiempos de acceso al equipamiento más cercano.
Equipamientos actuales y óptimos según modelo Cobemax
242 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Así, añadidos estos sitios óptimos a los actuales, podemos apreciar las
mejoras en la organización espacial del conjunto de equipamientos a partir de los
parámetros de distancias, promedio y desviaciones estándar, que se reducen en un
4,1%, es decir de una distancia media de 930,87 metros se pasa a 892,61 metros
(figura 9.9). De igual modo, la desviación estándar de las distancias medias
disminuye en un 1,5%, es decir de 724,20 se reduce a 713,33 metros (figura 9.9).
Así mismo, en el ejemplo que se muestra (figura 9.9) se puede observar que 32.277
usuarios potenciales, que representan el 16,45% de la demanda, tienen una
localización coincidente con el centro de oferta. En términos de modelización
geométrica, esto significa que el punto de demanda y el de oferta comparten el
mismo sitio en el espacio de análisis.
Figura 9.9. Salida de la información en Flowmap 7.4. Equipamientos actuales y 3 sitios óptimos
según el modelo Cobemax
Otro tipo de análisis que se realizó con miras a echar luz a las mejoras que
implicaría esta expansión del servicio, fue la de re-calcular las demandas
contenidas por intervalos de distancia y por tiempos de acceso, incorporando a los
43 centros actuales, los 3 nuevos sitios determinados con el modelo Cobemax. En
efecto, las figuras 9.7 y 9.8 muestran, además de los sitios óptimos ya señalados,
las nuevas áreas de servicio según distancia y tiempo respectivamente.
© RA-MA CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS... 243
Equip.
Distancias Equip. actuales actuales y Diferencias
sitios CbMx
Menos de 500 metros 21,94 22,38 2,02 (871)
500,1 a 1.000 metros 42,24 41,56 -1,62 (-1342)
1.000,1 a 2.000 metros 31,36 31,58 0,68 (419)
2.000,1 a 3.000 metros 3,03 3,01 -0,73 (-43)
más de 3.000 metros 1,42 1,47 3,45 (96)
Tabla 9.3. Demanda potencial asignada por áreas de servicio, según distancia al equipamiento más
cercano, sitios actúales y 3 sitios óptimos según modelo Cobemax
Tabla 9.4. Demanda potencial asignada por áreas de servicio, según tiempos de acceso al
equipamiento más cercano, sitios actúales y 3 sitios óptimos según modelo Cobemax
244 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Tabla 9.6. Demanda potencial asignada por áreas de servicio, según tiempos de acceso al
equipamiento más cercano, sitios actúales y 3 sitios óptimos según modelo P-median
Las tablas 9.5 y 9.6 contienen estos nuevos registros y allí se pueden
apreciar las modificaciones, en términos generales se ven más beneficiarios en los
segundos y terceros intervalos, mientras que la última sección, en ambos análisis,
muestra un incremento de demandantes, razón por la cual sería necesario encontrar
mejores alternativas, es decir aquellas que combinen los logros advertidos en los
primeros sectores pero manteniendo la situación que se aprecia en los últimos
sectores.
Figura 9.10. Áreas de servicio delimitadas según intervalos de distancia al equipamiento más
cercano. Actuales y óptimos según modelo P-median
246 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Figura 9.11. Áreas de servicio delimitadas según tiempos de acceso al equipamiento más cercano.
Actuales y óptimos según modelo P-median
Figura 9.12. Salida de la información en Flowmap 7.4. Equipamientos actuales y 3 sitios óptimos
según el modelo P-median
© RA-MA CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS... 247
Gráfico 9.3. Distribución de demanda, según intervalos de distancia al equipamiento más cercano.
Equipamientos actuales - Equipamientos actuales + Sitios Cobemax y Equipamientos actuales +
Sitios P-median
248 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Gráfico 9.4. Distribución de demanda, según intervalos de tiempo de acceso al equipamiento más
cercano. Equipamientos actuales - Equipamientos actuales + Sitios Cobemax y Equipamientos
actuales + Sitios P-median
10.1 INTRODUCCIÓN
En la provincia de Guadalajara, al igual que ocurre en el resto del país, la
población tiende a vivir en grandes núcleos donde, gracias a las políticas de
mercado, se concentran los servicios y las ofertas de trabajo, donde las
oportunidades son mayores para todos. Este modelo de vida ha traído consigo el
continuo crecimiento de la capital y localidades cercanas en el llamado “Corredor
del Henares” y el abandono casi total del resto del territorio.
45
Escuelas que están situadas en una zona geográfica con características de ruralidad, como puede ser
(además del número de habitantes) la lejanía a un núcleo grande de población, lejanía a redes
252 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Peculiaridades de un CRA
• Colegio que tiene sus aulas repartidas por localidades más o menos
cercanas.
47
Profesor/a habilitado para impartir, además de Educación Primaria, la especialidad
(Música, Educación Física o Ingles)
254 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
48
Recogidos en las instrucciones de la Dirección General de Centros Escolares de 27 de abril de 1993 por
las que se regula la planificación de la Red de Centros Rurales Agrupados.
© RA-MA CAPÍTULO 10. EL PROBLEMA DE LAS ESCUELAS RURALES EN... 255
49
El ordenamiento de estos centros está regulado por los apartados 95 al 102 de la Orden de 29 de junio
de 1994 (BOE 6/7/94) modificado por la Orden 9 de febrero de 1996 (BOE 9/3/96) por la que se aprueban
las instrucciones que regulan la organización y funcionamiento de los centros de E. Infantil y Primaria.
256 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
• Justicia espacial: Según este principio las distancias existentes entre las
cabeceras de los centros y las localidades del ámbito que hay que atender
no deberían ser excesivamente diferentes de unos CRA a otros, de este
modo las diferencias de los recorridos a efectuar por una parte del
profesorado no deberían ser demasiado elevados con relación a los que
258 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
PUESTOS Km/semana
CRA NÚCLEO NOMBRE UNIDADES OCUPADOS PROFESORES ITINERAN
OFERTA recorridos
CRA
1 Alcolea 8 160 74 10 + 2 5 556
Alcolea
CRA.
2 Almoguera 16 320 180 20 + 2 6 567
PIMAFAD
CRA
3 Atienza 9 180 82 14 + 2 3 450
Serranía
CRA Santa
4 Budia 10 200 121 11 + 3 3 312
Lucia
CRA
5 Checa Sexma de la 10 200 87 13 + 2 4 784
Sierra
CRA de
6 Chiloeches 12 240 191 14 + 2 2 145
Chiloeches
260 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
CRA de
7 Cogolludo 11 220 151 16 + 1 7 670
Cogolludo
CRA de
8 Horche 12 240 180 14 + 2 1 184
Horche
CRA de
9 Humanes 18 360 257 20 + 2 7 660
Humanes
CRA
10 Iriepal Francisco 7 140 90 10 + 4 3 390
Ibáñez
CRA
11 Pastrana Duques 15 300 198 19 + 3 4 568
Pastrana
CRA de
12 Tortuera 6 120 58 10 + 2 4 804
Tortuera
CRA de
13 Tendilla 10 200 123 13 + 3 4 756
Tendilla
CRA
14 Trijueque 9 180 98 12 + 3 3 335
Valcarria
SEGOVIA
SORIA
#
Atienza
#
r ZARAGOZA
# #
r Tortuera
#
r
Cogolludo
#
r # Nucleo
Cabecera CRA
#
r
# #
Humanes
#
# #
#
r
CRA Alcolea del Pinar
Trijueque
#
r #
CRA PIMAFAD Almoguer
CRA Serranía de Atienza
#
#
#
# Villanueva CRA Budia
Torrejon del Rey Budia
r #
r #
#
r
#
#
CRA Chiloeches
Chiloeches r Horche
#
r CRA Cogolludo
Checa
#
r #
CRA Horche
Tendilla
#
#
r
#
#
CRA Humanes
CRA Francisco Ibañez. Iri
# #
TERUEL
#
# #
#
#
0 20 40 Km.
Mapa 10.1. Cabeceras de CRA y ámbitos correspondientes a cada una de ellas en el curso 99/2000.
Fuente: Delegación Provincial de Educación de Guadalajara. Elaboración propia
© RA-MA CAPÍTULO 10. EL PROBLEMA DE LAS ESCUELAS RURALES EN... 261
50
La cabecera será el punto de partida del profesorado para atender al ámbito del CRA por lo que será
necesario buscar su localización mas óptima.
262 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
SEGOVIA SORIA
#
#
Atienza
r
#
#
ZARAGOZA
#
Alcolea #
#
N
r Tortuera
# Cogolludo #
r W E
r
#
S
# #
Humanes
#
# #
r #
#
r Trijueque #
#
#
#
r #
TERUEL
Torrejónr Iriepal Budia
Villanueva
#
#
r r
#
#
Horche #
#
#
r
Chiloeches r r
Checa
#
r Tendilla #
#
#
#
Cabecera CRA
# #
#
#
#
# r #
Pastrana
Asignación
r
MADRID #
#
#
#
#
CUENCA
#
r
#
# Almoguera 0 20 40 Km.
#
Mapa 10.2. Curso 99/2000. Cabeceras de CRA y asignación de ámbitos realizada por la Delegación
Provincial. Configuración que sirvió para las comparaciones
Objetivos de la investigación
El objetivo principal del estudio fue generar una metodología de análisis
como instrumento para la evaluación de la localización de los 16 C.R.A de la
provincia. Otros objetivos fueron:
Los datos de partida para los cálculos con el modelo MINISUM fueron:
Todos los mapas que figuran al final de este artículo son elaboración
propia. Los pasos seguidos para obtener la composición en ARC_View se indican
a continuación: cada cobertura obtenida con el programa araña ha de convertirse
con la orden CONVERT dándole un nombre al archivo de salida, optando por un
tipo de dato entero y un tipo de archivo binario. El siguiente paso es exportarlo con
la orden SHAPEIDR dándole un nombre al archivo de salida. En ARC_View lo
podemos incorporar como cobertura y de este modo obtener los mapas necesarios.
10 14 15 15 16 16
instalaciones instalaciones instalaciones instalaciones instalaciones instalaciones
Minisun Minisun Minisun Cobemax Minisum Cobemax
FOBJ D.Típica FOBJ D.Típica FOBJ D.Típica CT D.Típica FOBJ D.Típica CT D.Típica
Calculo
825896 99228 1242633 149285
Actual
Sin
556185 66818 653513 78510
Especialista
100% 457760 54908 348880 41848 343362 41215 385892 46287 320668 38464 355996 42701
Tabla 10.2. Cuadro resumen de soluciones obtenidas por los modelos para
configurar CRA totalmente nuevos.
Fuente: elaboración propia sobre datos ofrecidos por los programas
Minisum Cobemax
FOBJ: 825896 unidades de coste FOBJ: 1242633 unidades de coste
DTIP: 99228 DTIP: 149285
Profesorado: 54 Profesorado: 54
SEGOVIA SORIA
#
#
Atienza
r
#
#
ZARAGOZA
#
Alcolea #
#
N
r Tortuera
# Cogolludo #
r W E
r
#
S
# #
Humanes
#
# #
r #
#
r Trijueque #
#
#
#
r #
TERUEL
Torrejónr Iriepal Budia
Villanueva
#
#
r r
#
#
Horche #
#
#
r
Chiloeches r r
Checa
#
r Tendilla #
#
#
#
Cabecera CRA
# #
#
#
#
#
r #
Pastrana
Asignación
r
MADRID #
#
#
#
#
CUENCA
#
r
#
# Almoguera 0 20 40 Km.
#
Mapa 10.2. Curso 99/2000. Cabeceras de CRA y asignación de ámbitos realizada por la Delegación
Provincial. Configuración que sirvió para las comparaciones
270 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
En todos los casos obtuvimos costes globales de recorridos muy por debajo
del coste de la configuración existente en la realidad. Las soluciones también
mejoran la justicia espacial y reducen ligeramente la plantilla de profesorado. Se
forzó la disminución del número de centros a tan solo 10 cabeceras con sus
respectivos diez ámbitos, reduciéndose así en seis la configuración actual. Minisum
aportó también aquí una solución interesante ya que estableció ámbitos para todas
las cabeceras (sin cabeceras sueltas), y todos los CRA se conformaron con al
menos tres localidades. El coste global aumentó sensiblemente al ir reduciendo las
cabeceras a localizar pero en ningún caso se llegó a superar los costes actuales. En
cuanto a la plantilla de itinerantes el resultado es idéntico a la existente en la
actualidad.
14 15 16 16 17 18
Instalaciones Instalaciones instalaciones instalaciones instalaciones instalaciones
Minisum Minisum Minisum Cobemax Minisum/Cobemax Minisum
Cobemax Cobemax
FOBJ D.TIP FOBJ D.TIP FOBJ D.TIP CT D.TIP FOBJ D.Típica FOBJ D.Típica
CT CT CT
Cálculo
actual 825896 99228 1242633 149285
Tabla 10.3. Soluciones ofrecidas por los modelos para el caso de reducción/aumento de cabeceras
manteniendo las actuales. Fuente: elaboración propia sobre datos ofrecidos por los programas
Pasos seguidos:
de Molina de Aragón nos hace presuponer que el profesorado de dicha zona tendrá
bastantes más kilómetros a recorrer que si la operación de unión y aumento se
hiciese para cualquiera de los centros de la comarca de la Alcarria. Resulta muy
interesante comprobar que el modelo resuelve la situación de un modo
satisfactorio, a simple vista el planificador no apostaría por esta solución. Si
observamos la evaluación de la configuración global en ambos modelos se aprecian
importantes mejoras en los costes globales de recorrido, aportando mayor eficacia
y justicia espacial.
10.6 CONCLUSIONES
Utilizando dos módulos del programa LOCALIZA determinamos que la
localización actual de las cabeceras y los ámbitos que abarcan no es la más idónea,
por lo que resulta de baja eficiencia espacial y sin el necesario grado de igualdad
que debería existir para el acceso a las localidades de los diferentes ámbitos en
condiciones semejantes. Con estos módulos y las soluciones encontradas hemos
podido determinar las posiciones geográficas más apropiadas para cada cabecera de
CRA ya que se logra minimizar los costes tanto para profesores/as como para la
Administración, pero fundamentalmente para esta última.
SEGOVIA
Galve SORIA
#
r
ZARAGOZA
#
Villel
#
Majaelrayo #
r #
r #
#
N
#
Tortuera
#
r # Luzaga r # W E
Espinosa
#
#
S
#
r # #
#
#
# #
r #
Muduex
#
Zaorejas
Cabecera de CRA
#
#
r # r
#
Galapagos r
#
#
#
r #
r #
Poveda
#
# #
Alustante
#
r #
Pareja
#
#
#
#
#
Asignación
# #
# r #
#
Fuentelencina
#
#
r #
MADRID
#
#
# #
#
Loranca r
#
#
#
CUENCA TERUEL
#
#
0 20 40 Km.
Albares
#
#
r #
#
#
#
Mapa 10.3. Solución obtenida por Minisum para la localización-asignación de 16 nuevas cabeceras.
Supuesto 4, considerando la situación real de 1999
278 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
SEGOVIA
SORIA
Galve
#
Atienza
r
ZARAGOZA
#
r #
# #
Maranchón # N
r #
Luzaga
#
Tortuera W E
# r #
r #
Espinosa #
S
r # #
#
#
#
# #
r #
Corduente
Cabecera de CRA
#
#
Torija Zaorejas r # r
r #
Galapagos r #
#
#
#
Tordesilos
Localidad con escuela
r #
#
#
# #
# #
# #
#
#
#
#
Pareja r #
Asignación
# #
# r #
#
Checa
#
r #
MADRID Fuentelencina
# #
#
# #
#
Loranca r #
#
#
CUENCA TERUEL
#
#
# 0 20 40 Km.
#
r #
#
# Almoguera
#
Mapa 10.4. Solución obtenida por Minisum para la localización-asignación de 16 nuevas cabeceras.
Supuesto 3, un especialista en cada localidad
SEGOVIA SORIA
Galve
#
r # Atienza ZARAGOZA
r #
N
#
#
Maranchón #
Alcolea r #
r #
Tortuera W E
#
#
r #
r #
Cogolludo
S
#
# #
#
#
# Humanes #
r # #
r #
r Cabecera de CRA
# Trijueque #
#
#
Iriepal Budia r # #
#
Torrejón r #
#
r #
r # Villanueva #
#
#
Horche
#
#
r #
Asignación
#
r #
r #
#
#
r # #
Checa
Chiloeches # #
Tendilla
#
#
TERUEL
# #
#
#
#
# r # Pastrana
0 20 40 Km.
MADRID
#
#
#
#
r #
Almoguera
CUENCA
#
#
SEGOVIA SORIA
#
#
Atienza
#
#
#
ZARAGOZA
#
Alcolea
# Tortuera
#
Cogolludo # #
#
# #
#
#
N
# Humanes # #
#
# W E
#
Trijueque #
S
#
#
#
#
#
#
Iriepal Budia #
#
Torrejon #
#
# #
#
Chiloeches #
# #
Cabecera CRA
#
#
#
#
Checa r #
# # Tendilla
#
TERUEL
Asignación
#
# #
#
#
#
Pastrana
MADRID #
#
#
#
#
CUENCA
#
#
Almoguera
#
#
0 20 40 Km.
#
SEGOVIA SORIA
#
Galve
r #
Majaelrayo #
#
r #
ZARAGOZA
Maranchon #
Alcolea r #
r #
Tortuera N
#
#
r #
Carrascosa
W E
#
#
r #
#
#
#
# #
#
S
#
Usanos #
#
r #
r #
#
Tortola Villanueva
r # Alcoroches #
#
# #
#
#
r #
#
#
r #
#
#
#
#
Salmeron Peralejos #
Cabecera CRA
#
#
# r # Alhondiga r #
TERUEL r #
Pozo r # #
Asignación
#
# #
#
#
MADRID #
#
#
AlmonacidCUENCA
r #
#
#
#
r #
Mazuecos 0 20 40 Km.
#
11.1 INTRODUCCIÓN
En el desarrollo de la presente unidad se aborda una aproximación
cuantitativa a una de las dimensiones en la que pueden existir barreras o
facilitadores del acceso de cobertura efectiva (según modeló Tanahashi, 1978). Se
trata de la dimensión de accesibilidad a los servicios sanitarios, que se relaciona
con la forma en que los recursos están accesibles a la población. La Secretaría
Ejecutiva de Determinantes Sociales de la Salud, dependiente de la Subsecretaría
de Salud Pública del Ministerio de Salud, en el año 2009 identificó tres tipos de
barreras: (1) física, (2) financiera y (3) administrativa/organizacional. De ellas, es
de interés aquí la primera, que está determinada por la distancia (en tiempo, dinero
o esfuerzo) a los Centros de Atención Primaria de Salud (CAPS). La relevancia de
contar con esta información, estriba en las duras restricciones naturales al
poblamiento y movilidad humanos, entre y dentro de los territorios, que impone el
relieve chileno, sumado al hecho que la distribución espacial de la población tiende
a adaptarse, a grandes rasgos, a la distribución geográfica de las oportunidades y
beneficios que brinda el desarrollo.
(2006), Hare y Barcus (2007), Garza et al., 2008), Prat et al. (2009) y Fuenzalida y
Moreno (2010a).
Se interpreta como
Descubiertos por el servicio (3) Usuarios
d
(2) Lugares candidatos
(4) Interrelaciones
Instalación-Usuario
Se interpreta como la
Barrera de Accesibilidad Física
(1) Instalaciones
Se interpreta como
Cubiertos por el servicio
Maximizar ∑h x
j∈J
j j
sujeto a xj ≤ ∑a
i∈I
ij y i ∀j ∈ J (1)
∑y
i∈I
i ≤ p (2)
xj ∈ {0,1} ∀j ∈ J (3)
yi ∈ {0,1} ∀i ∈ I (4)
El segundo nivel corresponde a las postas de salud rural (PSR) que son
establecimientos de atención ambulatoria, localizados en una determinada área de
fácil accesibilidad para poblaciones de 600 a 1.200 habitantes y desarrollan
básicamente acciones de fomento y protección, ejecutan actividades curativas de
bajo nivel de complejidad y derivan a establecimientos de mayor complejidad las
situaciones que no puedan atender con sus medios. Las PSR están a cargo de un
auxiliar paramédico permanente, que vive en la localidad, y que recibe
periódicamente el apoyo del equipo profesional compuesto básicamente por
médico, enfermera y matrona, los cuales concurren en conjunto o en forma
alternada.
Sin embargo, los niveles de equidad entre los distintos grupos de status
socio-económico no se reparten de manera uniforme y/o de una sola tendencia a
nivel regional (ver tabla 11.1). De esta forma, encontramos valores desfavorables
en el nivel de cobertura para el status bajo y el alto, pero al menos es destacable el
hecho de que si se comparan con la situación actual, el primero sube de 47,2% a
53,8%, mientras que el segundo se mantiene igual (52,9%). El resto de los status se
sitúa un poco mejor, destacando en orden ascendente el medio-bajo que se
incrementa del 79,5% al 83,5%, el medio pasa de 74,4 a 81,0%, y el medio-alto
pasa de 72,9% a 80,5%.
nº % nº % nº % nº % nº % nº %
Cubierto 1.341.936 78,3 45.642 53,8 125.091 83,5 521.997 81 604.596 80,5 44.610 52,9
Total No
Región cubierto 372.779 21,7 39.245 46,2 24.715 16,5 122.837 19 146.298 19,5 39.684 47,1
Total 1.714.715 100 84.887 100 149.806 100 644.834 100 750.894 100 84.294 100
Cubierto 750.519 75,3 18.882 47 74.988 84,7 253.368 78,9 358.671 77,5 44.610 52,9
Viña del
Mar- No
Quillota cubierto 246.286 24,7 21.330 53 13.537 15,3 67.570 21,1 104.165 22,5 39.684 47,1
Total 996.805 100 40.212 100 88.525 100 320.938 100 462.836 100 84.294 100
Cubierto 362.761 78,4 457 3,8 1.203 15,7 204.091 80,2 157.010 83,3 0 0
Valparaíso-
San No
Antonio cubierto 99.731 21,6 11.444 96,2 6.449 84,3 50.463 19,8 31.375 16,7 0 0
Total 462.492 100 11.901 100 7.652 100 254.554 100 188.385 100 0 0
Cubierto 228.656 89,5 26.303 80,3 48.900 91,2 64.538 93,1 88.915 89,2 0 0
No
Aconcagua cubierto 26.762 10,5 6.471 19,7 4.729 8,8 4.804 6,9 10.758 10,8 0 0
Total 255.418 100 32.774 100 53.629 100 69.342 100 99.673 100 0 0
Tabla 11.1. Población (2008) según status, cubierta y no cubierta dentro de 20 minutos de tiempo de
acceso para el escenario de 78 CAPS (72 actuales y 6 nuevos maximizando la cobertura)
periferia doble), en el que se van degradando los status desde los ámbitos centrales,
potencia las oportunidades en el medio urbano del Área Metropolitana de
Valparaíso y, en forma más mesurada, en la periferia de la ciudad capital provincial
de San Felipe. En el resto del territorio regional, se patentiza una injusticia
territorial en cuanto al acceso, derivada de la localización de población en
asentamientos urbanos de menor jerarquía y en el medio rural.
Figura 11.4. Cobertura territorial y áreas de servicios de los 78 CAPS (6 nuevos óptimos),
región de Valparaíso
© RA-MA CAPÍTULO 11. DISEÑO DE PROPUESTAS ÓPTIMAS PARA AMPLIAR LA... 299
12.1 INTRODUCCIÓN
En el capítulo se recogen algunos de los resultados del proyecto
“Diagnóstico, seguimiento, control y mejora de la concesión de la recogida de
residuos sólidos urbanos y limpieza viaria en Alcalá de Henares”, financiado por el
Ayuntamiento de esta ciudad y ejecutado entre octubre de 2000 y septiembre de
2001 en el Departamento de Geografía de la Universidad de Alcalá.
Así, es de suponer que los mecanismos por los que se rigen estos servicios
son similares a los de otros servicios públicos y, por tanto, su estudio no tiene que
diferir mucho de los que habitualmente se realizan en este ámbito. También, como
para el resto de servicios públicos, su estudio y análisis puede verse muy
beneficiado y mejorado por las posibilidades que ofrecen algunos de los modelos
incluidos en los SIG sobre localización-asignación, dotación óptima, accesibilidad,
etc., ampliamente tratados en la literatura.
Otro tipo de posibles “errores” a considerar tienen que ver con el proceso
de generación de nueva información, nuevas coberturas espaciales incorporadas al
SIG, convirtiendo información analógica en digital, por ejemplo. Sería conveniente
abordar un exhaustivo trabajo de depuración, verificación, etc., de buena parte de
este tipo de información, buscando obtener mayor precisión y exactitud en la
georreferenciación de la misma para, así, dotarla de mayor validez. Esto, aunque
conveniente, no es siempre posible; en esta investigación, las limitaciones de
tiempo y de otro tipo hicieron inviable plantear un proceso de verificación de la
información de partida, aceptando como válida y “precisa” la facilitada por los
proveedores oficiales de la misma.
También hay que tener en cuenta que para la aplicación de este tipo de
modelos, en esta escala de trabajo y para este tipo de servicios, la red viaria se
convierte en referencia obligada para plantear cualquier posible análisis de los
mismos; marco de referencia también porque, como en este proyecto, la mayoría de
la información temática incorporada en el SIG iba referida a las calles o tramos de
calle y, además, muchas de las capas espaciales que fue preciso generar fueron
tomando como referencia dicho callejero.
© RA-MA CAPÍTULO 12. EVALUACIÓN DEL SISTEMA DE RECOGIDA DE RSU... 307
51
El programa LOCALIZA fue desarrollado en el Departamento de Geografía de la
Universidad de Alcalá en el marco del proyecto “LOCALIZA. Un sistema de ayuda a la
decisión espacial para la localización ‘óptima’ de instalaciones” (Ref. 06/0049/98)
financiado por la Comunidad de Madrid. Disponible en: http://www.geogra.uah.es
/joaquin/localiza
308 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
hecho de que esa transformación digital se debía hacer utilizando el callejero como
base, con la consiguiente generalización de una información que era muy compleja,
que tenía una enorme casuística y una compleja plasmación sobre el entramado
urbano.
Otra de las coberturas incorporadas al SIG con las que también se dieron
problemas de precisión localizacional fue la que recogía la posición de los puntos
52
El proceso de “volcado” de datos recogidos en el Padrón Municipal de Habitantes sobre
el callejero digital fue realizado mediante geocodificación de direcciones, utilizando el
programa ArcInfoNT, proceso por el que se asignan localizaciones geográficas a los datos o
atributos que describen entidades representadas por elementos de un mapa (González
Aguayo, 1995).
© RA-MA CAPÍTULO 12. EVALUACIÓN DEL SISTEMA DE RECOGIDA DE RSU... 309
Sin duda, este tipo de servicios, dadas sus características, el medio urbano
en el que se desarrollan y, por tanto, la enorme incidencia que en ellos tiene la red
urbana, se prestan más a tratamientos o análisis de tipo vectorial.
Pero utilizar un sistema de red para plantear estos modelos implica que los
puntos considerados de oferta y demanda deben formar parte del mismo como
nodos, y esto supone desplazarlos desde las localizaciones originales. En este tipo
de servicios, en donde se solicita la colaboración voluntaria del usuario, en donde
los desplazamientos son a pie y la distancia adquiere una gran importancia, esta
solución puede resultar poco realista y negativa a la hora de definir localizaciones
eficientes, accesibilidad a los servicios, dotación, etc.
Para dar mayor precisión a este modelo se decidió generar una nueva
cobertura de puntos con la que simular la distribución futura de los edificios en La
Garena a lo largo de los ejes de calle. Una simulación que, con las descripciones y
datos recogidos en Consorcio Urbanístico Alcalá-Garena (1999) y la información
facilitada por la Sección de Urbanismo del Ayuntamiento de Alcalá de Henares
312 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
sobre numeración prevista en las calles de este barrio, podría acercarse bastante a
lo que sería La Garena una vez completado el proyecto de urbanización.
53
Desde 1999 está implantada en la ciudad la recogida selectiva que exige al ciudadano la
separación en origen en su basura de diferentes tipos de envases ligeros (envases de
plástico, metal, brick, etc.) y la utilización del denominado “contenedor amarillo” para su
depósito, quedando el "contenedor verde" destinado al resto de fracciones de la basura
domiciliaria.
© RA-MA CAPÍTULO 12. EVALUACIÓN DEL SISTEMA DE RECOGIDA DE RSU... 313
Considerando también esta población por edificio, el paso final para fijar el
valor de la demanda sería aplicar la tasa media de generación de residuos calculada
para Alcalá de Henares en ese momento: 0,81 kg/habitante/día de residuos
depositados en los “contenedores verdes” (CCAAPP, 2001a).
54
Merlín, P. (1967): Les transports parisiens. Paris, Ed. Massons & cie. Estima la
velocidad media de un peatón en ciudad en 3,5 km/hora, lo que supondría unos 58 metros
por minuto.
316 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
55
Sistema de recogida de contenedores basado en la automatización del proceso de
recogida al utilizar camiones compactadores equipados con un novedoso sistema
informático y un circuito interno de cámaras. Un único operario, el conductor del camión,
controla desde la cabina todas las operaciones.
© RA-MA CAPÍTULO 12. EVALUACIÓN DEL SISTEMA DE RECOGIDA DE RSU... 317
ciudad y era previsible que fuera también ésta la modalidad de recogida de residuos
para los nuevos barrios. En este tipo de recogida se emplean contenedores de 2.400
litros y 3.200 litros de capacidad (URBASER, 200056) que, se pensó, se adaptarían
bastante bien a barrios de estas características, de amplias calles, no planteando
excesivos problemas de accesibilidad para los camiones de recogida, sin
obstaculizar demasiado el tráfico o el tránsito peatonal, etc.
56
Bajo esta denominación se incluye el conjunto de datos, informes, mapas y otro tipo de
informaciones facilitados por la empresa concesionaria de los servicios y el Ayuntamiento
de Alcalá de Henares para el año 2000, tanto en formato analógico como en digital.
57
Densidad de residuos depositados en contenedor = 110-230 kg/m3.
318 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
58
El término “distrito” hace referencia al conjunto de calles que es asignado a un operario
de barrido manual.
320 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Este conjunto de calles, junto con las que se salían del ámbito de actuación
de la empresa concesionaria (autovía, carreteras de acceso a la ciudad, calles de
polígonos industriales, etc.), no deberían ser consideradas a la hora de plantear el
análisis de áreas de influencia ya que no mantenían ninguna relación con los
“cuartelillos”.
Pero este tipo de arcos no pueden ser eliminados sin más del sistema de red
pues ello supondría acabar con buena parte de la interconectividad que debe
caracterizar a toda red y que permite el flujo de recursos a través de ella y, por
tanto, su consideración como sistema.
Los centers, según la terminología clásica del análisis de redes, serían las
localizaciones donde se encuentra una determinada oferta o algún tipo de
“atracción”.
En este caso, los centros serían los “cuartelillos” que, al igual que sucede
en otros análisis, deben ser localizados como nodos de la cobertura de redes para
poder aplicar el análisis; desde su localización inicial, recogida en una cobertura de
puntos, los “cuartelillos” debieron ser identificados con el nodo de la red más
cercano a su ubicación.
Primer escenario
Hay que destacar también la notable reducción del que era el ámbito del
“cuartelillo” de Puerta de Madrid; en este escenario dejaba sin cubrir un importante
sector en el entorno del Barrio del Pilar (en el oeste de la ciudad). La totalidad de
las calles de Nueva Alcalá (en el sur) aparecían también sin formar parte del área
de influencia de ningún centro.
Total
Capacidad Total
demanda
Cuartelillos máxima impedancia
atendida
(m) (minutos)
(m)
Gilitos 12.211,15 12.211,15 15,61
Puerta de Madrid 29.496,52 29.496,52 14,86
Plaza de Toros 40.232,12 40.232,12 25,55
Andújar 9.573,27 9.573,27 11,61
Segundo escenario
Total
Capacidad Total
demanda
Cuartelillos máxima impedancia
atendida
(m) (minutos)
(m)
Gilitos 23.309,76 23.309,76 20,58
Puerta de Madrid 23.309,76 23.309,76 14,65
Plaza de Toros 23.309,76 23.309,76 11,19
Andújar 23.309,76 17.911,95 30
Tercer escenario
Total
Capacidad Total
demanda
Cuartelillos máxima impedancia
atendida
(m) (minutos)
(m)
Gilitos 100.000 33.949,74 30
Puerta de Madrid 100.000 49.148,005 30
Plaza de Toros 100.000 32.849,72 30
Andújar 100.000 15.681,14 30
Éste se ubicaría en un nodo del sistema de red (del callejero digital) situado
en una posición marginal dentro del barrio, con la que se buscaba también que
pudiera atender calles de otros barrios cercanos, comprobando, así, si ello
implicaba alguna variación en las áreas preexistentes en este escenario.
Figura 13.1
No obstante, son muchos otros los factores que entran en juego a la hora de
llevar a cabo un proyecto de localización de estas características; en el siguiente
apartado realizaremos un breve repaso sobre los factores más utilizados en estudios
de este tipo y la contribución de las técnicas de evaluación multicriterio (EMC),
Sistemas de Información Geográfica (SIG) o la aplicación de modelos de
localización-asignación en esta materia.
Finalmente, podemos decir que los trabajos en los que se aplican estos
modelos de localización-asignación, se realizan utilizando instalaciones peligrosas
de manera genérica, ya que, en muchos casos, son trabajos teóricos o variantes a
los modelos ya existentes (Erkut y Neuman, 1989; Erkut y Neuman, 1992; Murray
y Church, 1995; Welch y Salhi, 1997).
eficiencia espacial será definida por criterios económicos y de tipo social, mientras
que la justicia espacial vendrá definida por la exposición al riesgo tecnológico.
Eficiencia económica
Eficiencia social
Ésta puede ser empleada para medir la exposición del territorio al riesgo, ya que
introduce el factor topografía en el cálculo de la exposición. En segundo lugar, se
utilizó la distancia a cada una de estas instalaciones, ya que parece lógico pensar
que el impacto disminuirá de manera progresiva, a medida que nos alejamos del
punto potencial de origen de los riesgos. En tercer lugar, la posibilidad de que
cualquier punto del territorio sea afectado por un incidente aumenta al hacerlo el
número de exposiciones a que está sometido. Así, para establecer el grado de
exposición al que se encontraba cada punto del territorio se sumaron todas las
cuencas visuales. El mapa final de exposición al riesgo vendría definido por estos
tres aspectos:
Figura 13.2
Figura 13.3
344 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Figura 13.4
Así, como puntos de oferta, fueron utilizados los centroides de cada una de
las mejores parcelas candidatas obtenidas para albergar una instalación de
tratamiento/eliminación de residuos peligrosos en el procedimiento de EMC
descrito en el anterior apartado.
Los resultados obtenidos una vez aplicado el modelo Maxisum con estos
siete candidatos aparecen en la figura 13.5. El modelo fue ejecutado hasta 10 veces
para comprobar la robustez de los resultados. En todas las ocasiones los candidatos
seleccionados fueron los identificados con los números 1, 6 y 7 (en cursiva). Como
podemos observar en la figura 13.5, dos de los candidatos se encuentran en el
extremo sur del territorio, en la frontera con la vecina provincia de Toledo,
© RA-MA CAPÍTULO 13. LOCALIZACIÓN ÓPTIMA DE PLANTAS DE TRATAMIENTO... 347
Figura 13.5
© RA-MA CAPÍTULO 13. LOCALIZACIÓN ÓPTIMA DE PLANTAS DE TRATAMIENTO... 349
Figura 13.6
© RA-MA CAPÍTULO 13. LOCALIZACIÓN ÓPTIMA DE PLANTAS DE TRATAMIENTO... 351
Como podemos observar en la figura 13.6, los mejores candidatos (con los
identificadores 2, 12 y 26) se encuentran ahora más repartidos. Esta vez no se
concentran en el sur de la comunidad, repartiéndose de noreste a suroeste y
bordeando las aglomeraciones urbanas más importantes.
también muy cercano a la población; por otro lado, el nuevo candidato 22, no se
encuentra tan cercano a la industria como cualquiera de los dos seleccionados en la
anterior ocasión y ahora desechados (es decir, 2 y 12), pero se encuentra más
alejado de la población que cualquiera de ellos.
No queremos dejar de recordar, por otra parte, que, desde el punto de vista
de la localización de este tipo de instalaciones en función de la distancia a
población y demanda (polígonos industriales), ha salido seleccionado como
candidato el depósito de seguridad de San Fernando, a pesar de que en el análisis
preliminar realizado con EMC no haya quedado entre las mejores opciones. De los
tres candidatos seleccionados es el que más demanda aglutina y el que registra la
distancia mínima a un centro poblado más reducida (algo más de 2 kilómetros).
13.5 CONCLUSIONES
A lo largo de este capítulo hemos podido comprobar la utilidad de las
herramientas de EMC, los SIG y los modelos de localización-asignación para la
resolución de problemas de localización “conflictivos” como los que aquí se
contemplan.
En esta aplicación concreta quedan claras las ventajas de este doble análisis
ya que con los resultados de ambos procedimientos hemos podido alcanzar una
solución más matizada y “justificada” desde el punto de vista del conocimiento
experto de la realidad del territorio que se evalúa. Si bien tras la aplicación de los
modelos de localización-asignación se ha comprobado que las instalaciones más
importantes de tratamiento/eliminación de residuos peligrosos de la Comunidad de
Madrid están relativamente bien situadas, no podemos olvidar el hecho de que los
resultados de la aplicación de la EMC no ofrecen resultados muy positivos, cuando
se tienen en cuenta, como es el caso, otros factores de tipo ambiental también
356 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Datos de partida
D
358 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
S* =[A,B]
2.1. Intercambio del punto C con cada uno de los de la solución de partida:
2.2. Intercambio del punto D con cada uno de los de la nueva solución.
S' = [A,D] F’ = 70
S’ = [B,A] F’ = 160
5. Solución.
Armstrong, M. P.; De, S.; Densham, P. J.; Lolonis, P.; Rushton, G..; Tewari, V. K.
(1990). A knowledgêbased approach for supporting locational decisionmaking,
Environment and Planning B: Planning and Design. 17(3), pp. 341̂364.
Bach, L. (1980). Locational models for systems of private and public facilities
based on concepts of accesibility and access opportunity, Environment and
Planning A, 12, pp. 301-320.
Bailey, T. y Munford, A.G. (1991). A case study employing GIS & Spatial
Interaction Models in Location Planning. EGIS'91, Second European Conference
on Geographical Information Systems. Brussels. pp. 55-65.
Ballard, K. Y Khun, R. (1996). Developing and testing a facility location model for
Canadian nuclear fuel waste, Risk Analysis; vol. 16, N.º 6, pp.821-832.
Birkin, M., Clarke, G. y Clarke, M. (1999). GIS for business and service planning,
Geographical Information Systems (Longley, P.A., Goodchild, M.F., Maguire, D.J.
y Rhind, D.W., (Eds)). John Wiley & Sons. New York. pp. 709-723.
Birkin, M., Clarke, G., Clarke, M. y Wilson, A. (1996). Intelligent GIS. Location
decisions and strategic planning, GeoInformation International. Cambridge.
364 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Bosque Sendra, J. Chicharro Fernandez, E., Diaz Muñoz, M. A., Escobar Martinez,
F. J. y Galve Martín, A. (1992). Datos perceptuales e individuales y el empleo de
un SIG en el estudio de problemas sociales. Su aplicación en la localización de
equipamientos urbanos, Actas del 1º Congreso de la AESIGYT, Madrid, abril de
1992, publicada en comunicaciones 1º Congreso AESIGYT, Los Sistemas de
Información Geográfica en la gestión territorial, Madrid, AESIGYT, pp. 392-409.
Bosque Sendra, J., Gómez Delgado, M. y Palm, F. (2006). Un nuevo modelo para
localizar instalaciones no deseables: ventajas derivadas de la integración de
modelos de localización-asignación y SIG, Cuadernos Geográficos, 39, pp. 53-68.
Bosque Sendra, J., Castro Aguirre, C. de, Díaz Muñoz, M.Á. y Escobar Martínez,
F.J. (1992). Prácticas de Geografía de la Percepción y de la actividad cotidiana,
Oikos-Tau, Barcelona.
Bosque Sendra, J., Chicharro Fernández, E., Díaz Muñoz, M.Á., Escobar Martínez,
F.J. y Galve Martín, A. (1992). Constraints and possibilities in using GIS to the
analysis on provision and allocation of social services, EGIS'92, Third European
Conference on Geographical Information Systems. Munich. pp. 998-1007.
Bosque Sendra, J., Díaz Muñoz, M.A., Escobar Martínez, F.J. y Salado García,
M.J. (1995). La información en Geografía humana. Algunos problemas de su
tratamiento con un sistema de información geográfica (SIG), Anales de Geografía
de la Universidad Complutense, N.º 15, pp. 141-155.
Bosque Sendra, J., Gómez Delgado, M., Moreno Jiménez, A. y Dal Pozzo, F.
(2000). Hacia un sistema de ayuda a la decisión espacial para la localización de
equipamientos, Estudios Geográficos, tomo LXI, 241, pp. 567-598.
Bosque Sendra, J.; Gómez Delgado, M. y Palm Rojas, F. (2006). Un nuevo modelo
para localizar instalaciones no deseables: ventajas derivadas de la integración de
366 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Bosque Sendra. J. (2001). Planificación y gestión del territorio. De los SIG a los
Sistemas de ayuda a la decisión espacial (SADE), El Campo de las Ciencias y las
Artes, 2001, N.º 138, pp. 137-174.
Bosque, J., Gómez, M., Moreno, A. y Pozzo, F. (2000). Hacia un sistema de ayuda
a la decisión espacial para la localización de equipamientos, Estudios
Geográficos, tomo LXI, N.º 241, pp. 567-598.
Bosque, J.; Gomez, M.; Rodriguez, V.M.; Diaz, M.A.; Rodriguez, A.E. Y Vela, A.
(1999). Localización de centros de tratamiento de residuos: una propuesta
metodológica basada en un SIG, Anales de Geografía de la Universidad
Complutense, vol. 19, pp. 295-323.
Boyne, G., Powel, M. y Ashworth, R. (2001). Spatial Equity and Public Services
An empirical analysis of local government finance in England, Public Management
Review 3(1), pp. 19-34.
Carlstein, T., Parkes, D. y Thrift, N. (eds.) (1978). Human Activity and Time
Geography, London, E. Arnold, 286 páginas.
368 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Chang, N.; Parvathinathan, G. and Breeden, J.B. (2008). Combining GIS with
fuzzy multicriteria decision-making for landfill siting in a fast-growing urban
region, Journal of Environmental Management, 87, pp. 139-153.
Chapin, F.S.Jr (1978). Human time allocation in the City, en Carlstein. T., Parkers,
D. y Thrift, N. Human activity and Time Geography, London, E. Arnold, pp. 13-
26.
Chen, P. et al. (1992). Weber problem with atraction and repulsion, Journal of
Regional Science, 32 (4), pp. 467-486.
Church, R. L. (2008). BEAMR: An exact and approximate model for the p-median
problem, Computers & Operations Research, 35, pp. 417-426.
Clarke, G. (1997). Applied spatial modelling for business and service planning.
Computers, Environment and Urban Systems, 21 (6), pp. 373-376.
Current, J. y Ratick, S. (1995). A model to assess risk, equity and efficiency in the
facility location and transportation of hazardous material, Location Science, 3 (3),
pp. 187-201.
de Jong, T., Ritsema van Eck, J. y Toppen, F. (1991). GIS as tool for locating
service centres. EGIS'91, Second European Conference on Geographical
Information Systems. Brussels. pp. 509-517.
Densham, P.J. (1996). Visual Interactive Locational Analysis. En: Spatial Analysis:
Modelling in a GIS Environment (Longley, P. y Batty, M., (Eds)), GeoInformation
International. Cambridge. pp. 185-206.
Descripción del Framework Deegree para WPS (n.d.). Consulta del 25/04/11 de
http://wiki.deegree.org/deegreeWiki/deegree3/ProcessingService
Díaz Muñoz, M.A. (1991). Unas notas sobre las posibilidades docentes y
aplicaciones de la Geografía del Tiempo, Serie Geográfica, 1, pp. 131-163.
Díaz Muñoz, M.A. (1995). El espacio-tiempo cotidiano. Ciudad y mujer, Actas del
Curso de Urbanismo y Mujer, pp. 107-117.
Díaz Muñoz, M.A. (1995). Género y estructura urbana en los países occidentales.
Anales de Geografía de la Universidad Complutense 15, pp. 267-279.
© RA-MA BIBLIOGRAFÍA 373
Dijst, M. (1999). Two-earner families and their action spaces: A case study of two
dutch communities, GeoJournal, 48, p. 195-206.
Dodson, R.F. (1991). VT/GIS. The von Thünen GIS Package. Santa Bárbara,
NCGIA, Technical Paper 91-27, 57 páginas y 1 disco.
Fotheringham, A.S. y Rogerson, P. (1994). Spatial Analysis and GIS, Taylor &
Francis, London.
Garza, M., Salinas, A., Núñez G., Villarreal, E., Vázquez, M., y Vásquez, M.G.
(2008). Accesibilidad geográfica para detección temprana de enfermedades
crónico-degenerativas, Revista Médica de Chile, 136 (12), pp. 1574-1581.
Geertman, S.C.M. y Ritsema van Eck, J.R (1995). GIS and models of accessibility
potential: an application in planning, International Journal of GIS 9 (1), pp. 67-80.
Ghosh, A. y McLafferty, S.L. (1987). Location Strategies for Retail and Service
Firms, Lexinton Books. Lexinton.
© RA-MA BIBLIOGRAFÍA 377
Goodchild, M.F., Anselin, L., Appelbaum, R.P. y Harthorn, B.H. (2000). Toward
Spatially Integrated Social Science, International Regional Science Review 23 (2),
pp. 139-159.
Hansen, P., Labbé, M., Peeters, D. y Thisse, J.-F. (1987). Facility location
analysis, Fundamentals of Pure and Applied Economics, 22, pp. 1-70.
Higgs, G. y White, S.D. (1997). Changes in service provision in rural areas. Part
1: The use of GIS in Analysing Accessibility to Services in Rural Deprivation
Research. Journal of Rural Studies 13 (4), pp. 441-450.
Horn, R.V. (1993). Statistical Indicators for the Economic and Social Sciences,
Cambridge University Press, Nueva York.
Innes, J.E. (1975). Social indicators and public policy: interactive processes of
design and applications, Elsevier Scientific, Amsterdam.
Johnston, R.J. (1997). W(h)ither spatial science and spatial analysis, Futures, 29
(4/5), pp. 323-336.
Kamiya, H. (1999). Day care services and activity pattern of women in Japan,
GeoJournal, 48, pp. 207-215.
Kirby, A.M. y Pinch, S.P. (1983). Territorial justice and service allocation,
Progress in Urban Geography (Pacione, M., (Ed.)) Croom Helm, London, pp. 223-
250.
Kouyoumjian, V. (2010). The New Age of Cloud Computing and GIS, consulta del
18/05/2011 de http://www.esri.com/news/arcwatch/0110/feature.html
Kuhn, H. y Kuenne, R. (1962). An efficient algorithm for the numerical solution for
the generalized Weber problem in spatial economics, Journal of Regional Science,
4, pp. 21-33.
Kulkarni, R.G., Stough, R.R. y Haynes, K.E. (2000). Towards a percolation model
of accessibility: an exploratory step, Computers, Environment and Urban Systems
24, pp. 421-434.
Levinson, D.M. (1998). Accessibility and the journey to work, Journal of Transport
Geography 6, pp. 11-21.
López de los Mozos, M.C. y Mesa, J.A. (2001). The maximum absolute deviation
measure in the location problems on networks, European Journal of Operational
Research, N.º 135, pp. 184-194.
Löytönen, M. (1998). GIS, Time Geography and Health, GIS and Health (Gatrell,
A. y Löytönen, M., (eds)), Taylor & Francis, London, pp. 97-110.
Mark, D.M., Egenhofer, M.J., Bian, L., Rogerson, P. y Vera, J. (SF). Spatio-
temporal GIS Analysis for Environmental Health, memoria de proyecto de
investigación consultada en agosto de 2002 en www.spatial.maine.edu/
~max/NIHproposal.pdf
© RA-MA BIBLIOGRAFÍA 387
Martensson, S. (1975). Time use and social organization, Rapporter och Notiser
17: 16.
Massam, B. (1991). The location of waste transfer stations in Ashdod, Israel, using
a multi-criteria Decision Support System, Geoforum, vol. 22, N.º 1, pp. 27-37.
Massam, B.H. (1993). The right place: shared responsibility and the location of
public facilities, Longman Scientific & Technical, Nueva York.
McCain, R.A. (2001). Equitable allocations and the case for access, International
Journal for Social Economics 28 (10/11/12), pp. 831-851.
Mendes, J.F.G.; Silva, J.M.F. (1996). Landfill facilities siting using GIS.
Pennsylvania-Geographer. 34/1, pp. 24-40.
Miller, H.J. (1991). Modelling accessibility using space-time concepts within GIS's,
International Journal of GIS 5 (3), pp. 287-301.
Miller, H.J. (1996). GIS and geometric representation in facility location problems,
International Journal of Geographical Information Systems 10 (7), pp. 791-816.
MOPTMA (1996). 100 Preguntas sobre residuos industriales. Guía práctica del
productor de residuos industriales, serie monografías, editorial Centro de
Publicaciones MOPTMA, Madrid.
Murray A. et al. (1998). Impact models for sitting undesirable facilities, Papers in
Regional Science, 77 (1), pp. 19-36.
Ndiaye, M. y Alfares, H. (2008). Modeling health care facility location for moving
population groups, Computers & Operations Research, 35, pp. 2154-2161.
Oberg, S. (1976). Methods describing physical access to supply points, The Royal
University, Departament of Geography, Lund.
O'Sullivan, D., Morrison, A. y Shearer, J. (2000). Using desktop GIS for the
investigation of accessibility by public transport: an isochrone approach,
International Journal of Geographical Information Science 14 (1), pp. 85-104.
Parker, E.B. y Campbell, J.L. (1998). Measuring access to primary medical care:
some examples of the use of Geographical Information Systems, Health & Place 4
(2), pp. 183-193.
Pearce, J. (2000). Techniques for defining school catchment areas for comparison
with census data, Computers, Environment and Urban Systems 24, pp. 283-303.
Prat, E., Pesquer, Ll., Olivet, M., Aloy, J., Fuste, J. y Pons, X. (2009). Metodología
para el análisis de accesibilidad a los recursos sanitarios: el caso de Cataluña,
GeoFocus (Artículos), 9, pp. 250-269.
Ramos Torres, R. (1990). Cronos dividido. Uso del tiempo y desigualdad entre
mujeres y hombres en España, Ministerio de Asuntos Sociales, Instituto de la
Mujer, Madrid.
ReVelle, Ch. (1987). Urban public facility location, en Mills, E. (ed.), Handbook of
regional and urban economics, Amsterdam, North Holland, vol. 2, pp. 1053-1096.
Rhind, D.W. (1991). Counting people: the role of GIS, GIS: principles and
applications (Maguire, D.J., Goodchild, M.F. y Rhind, D.W., (eds)), Longman
Scientific & Technical, London, pp. 127-137.
Ritsema van Eck, J.R. y de Jong, T. (1999). Accessibility analysis and spatial
competition effects in the context of GIS-supported service location planning.
Computers, Environment and Urban Systems, 23, pp. 75-89.
Rosero, L. (2004). Spatial acces to health care in Costa Rica and its equity: a GIS-
based study, Social Science & Medicine, 58, pp. 1271-1284.
Rosing, K. et al. (1979). The robustness of two common heuristics for the p-median
problem, Environment and Planning A, 11, pp. 373-380.
Sabaté Martínez, A., Rodríguez Moya, J.M. y Díaz Muñoz, M.A. (1995). Mujeres,
espacio y sociedad. Hacia una geografía del género, Síntesis, Madrid.
© RA-MA BIBLIOGRAFÍA 399
Shortt, N., Moore, A., Coombes, M. y Wymer, C. (2005). Defining regions for
locality health care planning: a multidimensional approach, Social Science &
Medicine, 60, pp. 2715-2727.
Siddiqui, M.Z., Everett, J.W. Y Vieux, B.E. (1996). Landfill siting using
Geographic Information Systems: a demonstration, Journal of environmental
engineering, vol. 122, N.º 6, pp. 515-523.
Sprague, J.R..H. y Watson, H.J. (1996). Decision support for management Upper
Saddle River, N.J., Prentice Hall.
Tanahashi, T. (1978). Health service coverage and its evaluation, Bulletin of the
World Health Organization, 56 (2), pp. 295-303.
Teitz, M. y Bart, P. (1968). Heuristic methods for estimating the generalized vertex
median of a weighted graph, Operations Research, 16, pp. 955-961.
Thomas, C.J. (1976). Sociospatial Differentiation and the Use of Services, Social
Areas in Cities, Spatial Perspectives on Problems and Policies (Herbert, D.T. y
Johnston, R.J., (eds)), John Wiley & Sons, Chichester, pp. 17-63.
Thouez, J-P. (1987). Organisation spatiale des systèmes de soins, Montreal. Les
Presses de l’Universite de Montéal.
Van Der Zwan, J., Van Der Wel, R., De Jong T., Floor, H. (2005). Manual
Flowmap 7.2, The Netherlands, Faculty of Geographical Sciences Utrecht
University, http://flowmap.geo.uu.nl, 160 páginas.
402 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
Vilhelmson, B. (1999). Daily mobility and the use of time for different activities,
The case of Sweden, GeoJournal, 48, pp. 177-185.
Weber, J. y Kwan, M.P. (SF) Bringing Time Back In: A Study on the Influence of
Travel Time Variations and Facility Opening Hours on Individual Accessibility,
Professional Geographer, in press.
Welch, S.B. Y Salhi, S. (1997). The obnoxious p facility network location problem
with facility interaction, European Journal of Operational Research; vol. 102, N.º 2,
pp. 302-319.
_________ (1977c). Time and theory in human geography. Part II. Progress in
Human Geography 1, pp. 413-455.
404 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
__________ (1982). Time, resources, society and ecology. On the capacity for
human interaction in space and time in preindustrial societies. Lund Studies in
Geography, serie B, 49.
Espacio . 19, 20, 21, 26, 27, 29, 30, 31, 73, 78, Localización óptima22, 23, 24, 25, 29, 68, 78,
110, 112, 117, 379, 393, 394 87, 90, 94, 97, 99, 109, 110, 111, 113, 393
Espacio continuo .................................29, 110 Localizaciones óptimas .............................102
Espacio de decisión ...................................117 localizar... 20, 22, 23, 27, 68, 76, 90, 108, 114
Espacio discreto ......................27, 30, 78, 112 Lugares candidatos. 70, 72, 88, 102, 103, 104,
Espacio subjetivo ........................................31 107, 114
Espacio-temporal.......................................393
España .......................................................391
Evaluación....... 19, 22, 96, 377, 378, 389, 391 —M—
Evaluación multicriterio 22, 96, 377, 378, 389 Manhattan ...................................................73
Maximin....................................................101
—G— Maxisum ...................................................100
Minisum69, 72, 74, 77, 85, 86, 100, 108, 110,
Geografía del tiempo...................................31 389
GIS ............................377, 378, 379, 389, 393 Modelo minisum ...................................77, 86
Modelos 18, 22, 24, 25, 26, 27, 29, 67, 68, 69,
76, 77, 78, 79, 80, 83, 84, 87, 90, 91, 92,
—H— 93, 94, 95, 96, 97, 99, 100, 101, 102, 103,
Hospitales........................................21, 97, 98 104, 105, 107, 108, 109, 110, 112, 113,
Huff .............................................................95 114, 116, 117, 377, 389, 393, 394
Multicobertura.....................................82, 103
—I—
—N—
Igualdad.................................................78, 80
Indicadores ......................................30, 78, 80 Necesidades ..........................................18, 68
Información geográfica 22, 25, 378, 391, 393, NIABY........................................................99
394 NIMBY .......................................................99
Infraestructuras......................................20, 23 Nodos ...................................... 30, 72, 73, 116
Instalaciones20, 21, 22, 23, 24, 25, 26, 27, 28,
29, 30, 68, 73, 75, 76, 77, 79, 80, 81, 82,
83, 84, 85, 86, 93, 94, 95, 97, 98, 99, 100,
—O—
101, 102, 103, 104, 105, 107, 108, 109, Oferta .......... 22, 26, 27, 28, 68, 88, 90, 92, 98
111, 112, 116, 377, 389, 393 Optimización espacial . 24, 25, 26, 29, 31, 117
Instalaciones deseables................68, 101, 108
Instalaciones no deseables.................377, 389
Interacción espacial...............................76, 93 —P—
Parámetros ..................................................95
—J— p-defensa...................................................104
p-dispersión...............................................104
Justicia espacial...........................................79 p-Mediano.. 70, 71, 72, 73, 75, 77, 86, 93, 98,
113, 114, 115
Población ... 21, 24, 28, 68, 74, 76, 78, 79, 80,
—L— 82, 90, 93, 94, 95, 96, 100, 101, 102, 103,
Localización17, 18, 19, 20, 21, 22, 23, 24, 25, 107, 108, 378, 379, 393, 394
26, 29, 31, 68, 69, 71, 73, 74, 76, 77, 78, Programación matemática.... 26, 70, 113, 115,
79, 80, 82, 87, 88, 89, 90, 93, 94, 96, 97, 116
98, 99, 101, 108, 109, 110, 111, 112, 113,
114, 117, 377, 378, 389, 391, 393, 394,
395, 396
—R—
Localización de equipamientos ...................31 Red20, 21, 23, 24, 27, 29, 30, 72, 73, 88, 110,
Localización espacial ............................18, 22 116
© RA-MA ÍNDICE ALFABÉTICO 411
—S— —T—
SIG ..... 22, 23, 24, 30, 89, 115, 116, 117, 378, Teoría de la localización .... 18, 19, 22, 29, 99,
391, 394 394