Bosque y Moreno (2012) Sistemas de Información Geográfica y Localización Óptima de Instalaciones y Equipamientos

Sistemas de Información
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
Joaquín Bosque Sendra

Antonio Moreno Jiménez
AUTORES
Manuel Fuenzalida Díaz

Montserrat Gómez Delgado
Concepción de Luz Medel
Víctor Olaya Ferrero
David Oliveros Escribano
Mirta Liliana Ramírez
Víctor Rodríguez Espinosa
María Jesús Salado García
La ley prohíbe
fotocopiar este libro
Sistemas de Información Geográfica y Localización Óptima de Instalaciones y Equipamientos. 2.ª Edición

actualizada
© Joaquín Bosque Sendra, Antonio Moreno Jiménez , Manuel Fuenzalida Díaz, Montserrat Gómez Delgado,
Concepción de Luz Medel, Víctor Olaya Ferrero, David Oliveros Escribano, Mirta Liliana Ramírez, Víctor
Rodríguez Espinoza, María Jesús Salado García
© De la edición Ra-Ma 2011
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
PRESENTACIÓN DE LA SEGUNDA EDICIÓN........................................................... 15
PREÁMBULO A LA PRIMERA EDICIÓN ................................................................... 19
AUTORES ........................................................................................................................... 21
CAPÍTULO 1. LA LOCALIZACIÓN ÓPTIMA COMO PROBLEMA:

CUESTIONES TEÓRICAS Y METODOLÓGICAS ..................................................... 25
1.1 EL PROBLEMA DE LA LOCALIZACIÓN: IMPORTANCIA Y TRADICIÓN
DE ESTUDIO ............................................................................................................. 25
1.2 COMPONENTES DE UN PROBLEMA DE LOCALIZACIÓN............................... 27
1.2.1 Tipos de problemas de localización .................................................................... 28
1.2.2 Teoría de la localización y SIG ........................................................................... 30
1.3 UN ESQUEMA METODOLÓGICO PARA LA LOCALIZACIÓN ÓPTIMA DE
INSTALACIONES ..................................................................................................... 33
1.4 ALGUNAS CUESTIONES BÁSICAS PARA LA FORMALIZACIÓN DE UN
PROBLEMA DE OPTIMIZACIÓN ........................................................................... 33
1.5 LA REPRESENTACIÓN DEL ESPACIO EN LOS PROBLEMAS DE
LOCALIZACIÓN ÓPTIMA....................................................................................... 37
CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,

ACCESIBILIDAD Y BIENESTAR SOCIAL ................................................................. 41
2.1 CONCEPTO Y ALCANCE DEL TÉRMINO “EQUIPAMIENTOS
COLECTIVOS” .......................................................................................................... 41
2.2 EL ESTUDIO DE LOS DESEQUILIBRIOS INTERJURISDICCIONALES EN
CUANTO A NIVELES DOTACIONALES ............................................................... 43
2.3 LOCALIZACIÓN Y ACCESIBILIDAD EN LA PLANIFICACIÓN DE LOS
EQUIPAMIENTOS COLECTIVOS .......................................................................... 45
8 SIG Y LOCALIZACIÓN ÓPTIMA DE INSTALACIONES Y EQUIPAMIENTOS © RA-MA
2.4 LA PERSPECTIVA ESPACIAL Y EL ANÁLISIS DE LA ACCESIBILIDAD.......... 49

2.4.1 Contexto histórico y científico de la nueva geografía o perspectiva espacial ... 49
2.4.2 La accesibilidad a los equipamientos colectivos desde la perspectiva espacial . 52
2.4.3 Incorporación de esta familia de medidas de accesibilidad a los Sistemas de
Información Geográfica ...................................................................................... 61
2.5 CONCLUSIÓN: ALCANCE E IMPLICACIONES DEL CONCEPTO
“ACCESIBILIDAD”.................................................................................................. 63
ANEXO 2.1. CLASIFICACIÓN DE DISTINTOS USOS Y COMPONENTES

DEL TÉRMINO “ACCESIBILIDAD”............................................................................. 67
CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE

INSTALACIONES Y EQUIPAMIENTOS ...................................................................... 73
3.1 INTRODUCCIÓN ...................................................................................................... 73
3.2 MODELOS DE LOCALIZACIÓN ÓPTIMA PARA INSTALACIONES
DESEABLES .............................................................................................................. 74
3.2.1 El objetivo de eficiencia...................................................................................... 75
3.2.2 El objetivo de equidad espacial........................................................................... 83
3.2.3 El objetivo de cobertura espacial ........................................................................ 85
3.2.4 La búsqueda de soluciones de compromiso entre eficiencia y cobertura
espacial ................................................................................................................ 90
3.2.5 El objetivo de eficiencia en la captación de demanda......................................... 92
3.2.6 Otras líneas de desarrollo .................................................................................. 101
3.3 MODELOS DE LOCALIZACIÓN ÓPTIMA PARA INSTALACIONES
INDESEABLES........................................................................................................ 104
3.3.1 Modelos contemplando la interacción entre instalaciones y población
afectada.............................................................................................................. 105
3.3.2 Modelos contemplando solamente la interacción entre instalaciones .............. 109
3.3.3 Valoración y tendencias de desarrollo .............................................................. 109
3.4 LA RESOLUCIÓN DE LOS MODELOS DE LOCALIZACIÓN ÓPTIMA ........... 115
3.4.1 La dificultad de resolver los problemas de localización ................................... 115
3.4.2 Procedimientos de resolución para los modelos de localización óptima .......... 115
3.5 COMENTARIOS FINALES .................................................................................... 122
CAPÍTULO 4. EL USO DE LOS SIG PARA LOCALIZAR EQUIPAMIENTOS

E INSTALACIONES ........................................................................................................ 123
4.1 EL PAPEL DE LOS SIG EN EL ESTUDIO DE LA LOCALIZACIÓN .................. 123
4.1.1 Posibilidades de uso de las distintas funciones de un SIG para el estudio de
problemas de localización ................................................................................. 123
4.2 INSUFICIENCIAS DE LOS SIG EN EL ESTUDIO DE LA LOCALIZACIÓN
ÓPTIMA .................................................................................................................... 124
© RA-MA ÍNDICE 9
4.3 SIG Y SADE ............................................................................................................. 127

4.4 LOS COMPONENTES DE LA BASE DE DATOS PARA TRATAR LOS
PROBLEMAS DE LOCALIZACIÓN ...................................................................... 132
4.5 EL CÁLCULO DE DISTANCIAS GEOGRÁFICAS Y SUS PROBLEMAS.......... 133
4.6 LA ORGANIZACIÓN DE LA BASE DE DATOS .................................................. 137
CAPÍTULO 5. LOCALIZACIÓN ÓPTIMA CON EL PROGRAMA

FLOWMAP ....................................................................................................................... 143
5.1 INTRODUCCIÓN .................................................................................................... 143
5.2 BREVE PRESENTACIÓN DE FLOWMAP, SUS FICHEROS DE DATOS Y
MODELOS ............................................................................................................... 144
5.3 PREPARACIÓN DE LA GEOINFORMACIÓN PARA ABORDAR
PROBLEMAS DE LOCALIZACIÓN ÓPTIMA...................................................... 145
5.3.1 Los geodatos necesarios .................................................................................... 145
5.3.2 Conversión de geodatos desde el formato shape al de Flowmap...................... 146
5.4 ETAPAS EN LA RESOLUCIÓN DE PROBLEMAS DE LOCALIZACIÓN
ÓPTIMA CON FLOWMAP ..................................................................................... 148
5.4.1 Creación de un proyecto en Flowmap (fichero *.fpf) ....................................... 149
5.4.2 Visualización de las capas................................................................................. 151
5.4.3 Creación de la matriz de distancias / costes de transporte entre los puntos-
lugares (orígenes y destinos) ............................................................................. 152
5.5 ALGORITMOS PARA SOLUCIONAR MODELOS DE LOCALIZACIÓN
ÓPTIMA ................................................................................................................... 154
5.6 RESOLUCIÓN GUIADA DE MODELOS DE LOCALIZACIÓN-ASIGNACIÓN
ÓPTIMA ................................................................................................................... 155
5.6.1 Modelo p-mediano ............................................................................................ 156
5.6.2 Modelo de cobertura del conjunto..................................................................... 158
5.6.3 Modelo de cobertura máxima............................................................................ 159
5.6.4 Modelo de minimización de la distancia máxima............................................. 161
5.6.5 Modelo para la captación de la máxima demanda por cada competidor
individual........................................................................................................... 162
5.7 ASIGNACIÓN DE LA DEMANDA A LOS CENTROS DE SERVICIO Y
MAPAS DE LAS ÁREAS FUNCIONALES............................................................. 163
5.8 CARACTERIZACIÓN DE UN PATRÓN ESPACIAL DE SERVICIOS CON
GRÁFICOS Y RESÚMENES ESTADÍSTICOS...................................................... 167
CAPÍTULO 6. LOCALIZACIÓN ÓPTIMA CON SEXTANTE................................. 169

6.1 DESCARGA E INSTALACIÓN DE SEXTANTE .................................................. 169
6.2 ELEMENTOS DE SEXTANTE ............................................................................... 170
6.3 LOCALIZACIÓN ÓPTIMA EN SEXTANTE......................................................... 171
6.4 USO DE ELEMENTOS DE PRODUCTIVIDAD EN SEXTANTE ........................ 176
6.5 CONCLUSIONES .................................................................................................... 181
CAPÍTULO 7. LOCALIZACIÓN ÓPTIMA CON WPS.............................................. 183

7.1 SOFTWARE ORIENTADO A SERVICIOS. WPS ................................................. 183
7.2 APROXIMACIÓN AL DESARROLLO DE MODELOS DE LOCALIZACIÓN
CON WPS .................................................................................................................. 185
7.3 APLICACIÓN A UN CASO CONCRETO. CENTROS DE SALUD EN
ALCALÁ DE HENARES ......................................................................................... 188
7.4 TRABAJO FUTURO................................................................................................ 192
7.5 INSTALACIÓN........................................................................................................ 193
7.6 CONCLUSIONES .................................................................................................... 194
CAPÍTULO 8. ACCESIBILIDAD EFECTIVA Y ELECCIÓN PERSONAL DE

LA ESTRUCTURA ESPACIO-TEMPORAL DEL SERVICIO DE
GUARDERÍAS Y ESCUELAS INFANTILES DE ALCALÁ DE HENARES.......... 197
8.1 APUNTES GENERALES SOBRE EL SERVICIO DE GUARDERÍAS Y
ESCUELAS INFANTILES....................................................................................... 199
8.1.1 Entre el enfoque asistencial y el educativo ....................................................... 199
8.1.2 Problemática y evolución del servicio de guarderías y escuelas infantiles en
la normativa española reciente .......................................................................... 200
8.2 ALCALÁ DE HENARES: ACCESIBILIDAD ESPACIAL Y SITUACIÓN
DOTACIONAL RESPECTO AL SERVICIO DE ATENCIÓN A LA PRIMERA
INFANCIA ..................................................................................................................... 202
8.2.1 Creación de la base de datos digital .................................................................. 202
8.2.2 Evaluación de la situación dotacional por distritos urbanos ............................. 204
8.2.3 La accesibilidad espacial................................................................................... 207
8.3 LA ACCESIBILIDAD ESPACIO-TEMPORAL A GUARDERÍAS Y
ESCUELAS INFANTILES EN ALCALÁ DE HENARES ...................................... 209
8.3.1 Los prismas de accesibilidad potencial en la Geografía del Tiempo y sus
posibilidades de integración en un Sistema de Información Geográfica vectorial .... 212
8.3.2 El tratamiento del contexto y secuencia espacio-temporal de los encuestados 216
8.4.1 Cálculo del número y características de los centros accesibles con las
limitaciones espacio-temporales indicadas en los diarios de actividad de los
encuestados................................................................................................................. 219
8.5 CONCLUSIONES Y FUTURAS LÍNEAS DE INVESTIGACIÓN ........................ 224
CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS

EQUIPAMIENTOS DE ATENICÓN PRIMARIA DE LA SALUD EN EL ÁREA
METROPOLITANA DEL GRAN RESISTENCIA CHACO (ARGENTINA) .......... 229
9.1 INTRODUCCION .................................................................................................... 229
9.2 EL AREA DE ESTUDIO Y LA POBLACION USUARIA POTENCIAL............... 230
9.3 METODOLOGIA ..................................................................................................... 234
© RA-MA ÍNDICE 11
9.3.1 La información de entrada ................................................................................ 234

9.3.2 Los recursos tecnológicos utilizados................................................................. 234
9.3.3 El análisis de accesibilidad y los modelos de localización óptima ................... 235
9.4 LA SITUACION ACTUAL EN EL AMGR ............................................................. 235
9.5 LOS SITIOS ÓPTIMOS PARA LA EXPANSIÓN DEL SERVICIO ...................... 239
9.5.1 Según el modelo Maximize Overall Customer Coverage................................. 240
9.5.2 Según el modelo Minimize Overall Average Distance..................................... 244
9.5.3 Comparación de resultados ............................................................................... 247
9.6 A MODO DE CIERRE ............................................................................................. 248
CAPÍTULO 10. EL PROBLEMA DE LAS ESCUELAS RURALES EN

GUADALAJARA (ESPAÑA). USO DE LOS MODELOS DE
LOCALIZACIÓN-ASIGNACIÓN PARA TRATAR EL PROBLEMA DE LOS
COLEGIOS RURALES AGRUPADOS (C.R.A.) ......................................................... 251
10.1 EL SISTEMA EDUCATIVO ESPAÑOL DE LOS AÑOS 90. NACIMIENTO
DE LOS COLEGIOS RURALES AGRUPADOS .................................................. 252
10.1.1 C.R.A Concepto, características y peculiaridades .......................................... 253
10.1.2 Criterios para su configuración ....................................................................... 254
10.1.3 Ordenación de un C.R.A ................................................................................. 255
10.1.4 Incidencia de la estructura educativa en el medio rural. ................................. 256
10.1.5 La planificación de equipamientos educativos. .............................................. 257
10.2 PROVINCIA DE GUADALAJARA, ÁMBITO GEOGRÁFICO EN EL CUAL
SE DESARROLLÓ EL ESTUDIO. ........................................................................ 258
10.3 PLANTEAMIENTO DEL PROBLEMA. HIPÓTESIS DE PARTIDA Y
OBJETIVOS............................................................................................................ 261
10.4 APLICACIÓN DE MODELOS DE LOCALIZACIÓN ASIGNACIÓN CON
OBJETO DE DETERMINAR LAS LOCALIZACIONES OPTIMAS DE NUEVAS
CABECERAS/ CENTROS............................................................................................. 263
10.4.1 Aplicación del modelo COBEMAX ............................................................... 264
10.4.2 Escenarios de la simulación: ........................................................................... 265
10.4.3 Criterios de valoración de las soluciones propuestas por los modelos: .......... 267
10.4.4 Soluciones obtenidas:...................................................................................... 268
10.5 LÍNEAS DE ACTUACIÓN FUTURAS................................................................. 276
CAPÍTULO 11. DISEÑO DE PROPUESTAS ÓPTIMAS PARA AMPLIAR LA

DOTACIÓN DE CENTROS DE SALUD EN LA REGIÓN DE VALPARAÍSO
(CHILE) ............................................................................................................................. 281
11.1 INTRODUCCIÓN .................................................................................................. 281
11.2 JUSTIFICACIONES METODOLÓGICAS ........................................................... 283
11.2.1 Medición del estatus socio-económico de la población.................................. 285
11.2.2 La medida de accesibilidad espacial a los CAPS............................................ 287

11.2.3 El modelo de localización-asignación adoptado ............................................. 288
11.2.4 Aplicación del método en Flowmap ............................................................... 289
11.3 DISEÑO DE ESQUEMAS DE LOCALIZACIÓN ÓPTIMA ................................ 292
11.3.1 Contexto actual del área de estudio................................................................. 293
11.3.2 Evaluación y presentación de esquemas de localización óptima de CAPS .... 294
11.4 BALANCE Y CONCLUSIONES........................................................................... 299
CAPÍTULO 12. EVALUACIÓN DEL SISTEMA DE RECOGIDA DE RSU.

LOCALIZACIÓN DE CONTENEDORES DE RSU EN ALCALÁ DE
HENARES, ESPAÑA ....................................................................................................... 301
12.1 INTRODUCCIÓN .................................................................................................. 301
12.1.1 Los servicios de recogida de RSU y limpieza viaria....................................... 302
12.2 LOS PROBLEMAS DE LA INFORMACIÓN EN EL MEDIO URBANO ........... 304
12.3 APLICACIÓN DE LOS MODELOS DE LOCALIZACIÓN-ASIGNACIÓN
EN EL SERVICIO DE RECOGIDA DE RESIDUOS............................................. 310
12.3.1 La localización óptima de los contenedores en el barrio de La Garena
(Alcalá de Henares).......................................................................................... 310
12.4 GENERACIÓN DE ÁREAS DE INFLUENCIA DE LOS “CUARTELILLOS”
DE LIMPIEZA VIARIA ......................................................................................... 317
12.4.1 Organización del servicio de barrido manual en Alcalá de Henares .............. 318
12.4.2 Generación de las áreas de influencia ............................................................. 320
12.4.3 Los escenarios ................................................................................................. 324
CAPÍTULO 13. LOCALIZACIÓN ÓPTIMA DE PLANTAS DE

TRATAMIENTO DE RESIDUOS PELIGROSOS EN LA COMUNIDAD DE
MADRID............................................................................................................................ 333
13.1 LOS RESIDUOS PELIGROSOS ........................................................................... 333
13.1.1 Producción de residuos peligrosos .................................................................. 334
13.1.2 Gestión de residuos peligrosos........................................................................ 334
13.2 LOCALIZACIÓN DE PLANTAS DE TRATAMIENTO/ELIMINACIÓN DE
RESIDUOS.............................................................................................................. 336
13.2.1 La problemática de las instalaciones no deseables ......................................... 336
13.2.2 SIG, EMC y modelos de localización-asignación en la selección y
localización de instalaciones de tratamiento/eliminación de residuos............ 337
13.3 LOCALIZACIÓN DE PLANTAS DE TRATAMIENTO DE RESIDUOS
PELIGROSOS EN LA COMUNIDAD DE MADRID............................................ 339
13.3.1 Eficiencia espacial: eficiencia económica y social ......................................... 340
13.3.2 Justicia espacial: exposición al riesgo tecnológico ......................................... 341
13.3.3 Mapas de adecuación para la localización de plantas de tratamiento físico-
químico, tratamiento biológico y depósitos de seguridad............................... 342
© RA-MA ÍNDICE 13
13.4 SELECCIÓN DE LOS CANDIDATOS FINALES A PARTIR DE MODELOS

DE LOCALIZACIÓN-ASIGNACIÓN................................................................... 344
13.4.1 Selección de candidatos a partir del modelo MAXISUM............................... 345
13.4.2 Selección de candidatos a partir del modelo MINMAXSUM ........................ 351
13.5 CONCLUSIONES .................................................................................................. 355
APÉNDICE. EJEMPLO DE APLICACIÓN DEL ALGORITMO DE TEITZ Y

BART (1968) AL MODELO P-MEDIANO................................................................... 357
BIBLIOGRAFÍA............................................................................................................... 361
MATERIAL ADICIONAL .............................................................................................. 407
ÍNDICE ALFABÉTICO................................................................................................... 409

PRESENTACIÓN DE LA SEGUNDA EDICIÓN
Desde que en 2004 viese la luz la primera edición diversas circunstancias

se han concitado para propiciar una creciente notoriedad a la temática tratada en
esta obra. Pese a la dificultad intrínseca de la misma, cabe reconocer que su
reconocimiento está trascendiendo al reducido ámbito de las comunidades
científicas y que sus utilidades potenciales están permeando entre muchos más
usuarios de estas técnicas.
Las razones de esa evolución son diversas. Desde el lado de la indagación

científica se ha evidenciado un aumento paulatino del número de investigadores y
publicaciones, lo que está permitiendo disponer de más modelos de localización y
mejor elaborados que, en suma, abren más posibilidades de aplicación. Los avances
en el desarrollo de software están igualmente favoreciendo la disponibilidad de
más productos tecnológicos, comerciales y libres, para resolver este tipo de
problemas. La progresiva inclusión de estos contenidos en los estudios
universitarios de grado y posgrado está, a la par que evidenciando su interés,
demandando textos actualizados para la enseñanza-aprendizaje.
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
están posibilitando precisamente eso, la sustentación de decisiones, incluso con

participación ciudadana, mucho mejor informadas que antes. No debe extrañar,
pues, que las aplicaciones reales se vayan también incrementando, dada la amplia
gama de problemas que los modelos de localización óptima permiten abordar.
Tras la experiencia acumulada por los autores de la obra y con el propósito

de ofrecer un producto actualizado, esta segunda edición se realiza ampliando y
modificando de manera sustancial algunos de sus capítulos, aunque se mantiene su
estructura general dividida en tres secciones: la primera destinada a las cuestiones
teórico-metodológicas, la segunda parte dedicada a las herramientas informáticas
disponibles para resolver este tipo de problemas (que ahora ha sido modificada
sustancialmente) y la tercera parte en la que se muestran diversos ejemplos de
aplicaciones prácticas.
En la parte primera se han revisado varios capítulos de los que se incluían

en la anterior edición. En primer lugar, el capítulo uno, en el que se plantea el
problema general de la localización de instalaciones y actividades, ha sido
actualizado para referirse a nuevas publicaciones, pero sin alterar su esencia
principal. En segundo lugar, se ha renovado igualmente el capítulo tres (modelos
de localización óptima), modificando su contenido para dar cuenta de parte de las
importantes novedades que continuamente se producen en este tema. Los otros dos
capítulos, el segundo sobre las cuestiones de accesibilidad y el cuarto, en torno al
uso de los SIG en estos temas, se han adaptado ligeramente a la nueva composición
de este libro, manteniendo las ideas básicas de la primera edición.
La parte segunda del libro es la que, como ya se ha indicado, ha sufrido las

más importantes modificaciones. Anteriormente los dos capítulos que la formaban
describían la elaboración y las características de una herramienta, el programa
LOCALIZA, especialmente diseñado para resolver problemas de localización. Sin
embargo, en las cuestiones informáticas el tiempo discurre muy rápido y este
programa, íntimamente relacionado con una versión del SIG IDRISI, ha sido
superado por la rápida evolución informática y ahora tiene pocas posibilidades de
ser utilizado con facilidad. Por ello, en esta nueva edición se ha sustituido por otras
herramientas accesibles, que permiten la resolución efectiva de diversos problemas
de localización.
De este modo se han incluido nuevos capítulos dedicados a describir dichas

herramientas. En primer lugar, se presenta el programa FLOWMAP, de libre
acceso y que proporciona prestaciones para resolver cinco modelos de
optimización espacial, además de medios para cartografiar y analizar los
resultados, con vistas a documentar las propuestas a los decisores. En segundo
lugar, se introducen las posibilidades que ofrece la biblioteca de análisis geo-
espacial, también de acceso libre, SEXTANTE, para la resolución de problemas de
© RA-MA PRESENTACIÓN DE LA SEGUNDA EDICIÓN 17
localización óptima. Finalmente, se plantean las potencialidades del nuevo estándar

elaborado por el Open Geospatial Consortium sobre servicios de geoprocesamiento
en la WEB para ayudar a resolver problemas y modelos de localización óptima, sin
tener que depender de un programa o SIG concreto. Se trata de una muy reciente
novedad, por lo que en este momento solo se puede dar una primicia de sus futuros
desarrollos, pero consideramos que, dada la presumible importancia que la
“computación en la nube” (cloud computing) puede alcanzar, resulta interesante y
útil dar cuenta de sus posibilidades en los temas de localización de instalaciones.
En resumen, el profesional o estudioso de los modelos de localización-asignación
cuenta ya con una amplia panoplia de medios accesibles para resolver problemas
de este tipo, y con estos nuevos capítulos se ofrece una útil información para que
cualquiera pueda hacerlo sin graves dificultades.
Finalmente, en la tercera parte, la de las aplicaciones prácticas, se ha

actualizado alguno de los capítulos anteriores; en concreto, la profesora M. L.
Ramírez ha modificado de manera sustancial el capítulo sobre atención primaria de
salud en una región argentina, adoptando como herramienta de solución de los
modelos seleccionados el programa FLOWMAP ya mencionado, de manera que se
dispone de mayor información sobre este sistema. Los restantes capítulos
existentes en esta sección se han retocado y actualizado ligeramente, manteniendo,
en su esencia, las ideas de la primera edición. Además se ha añadido otro ejemplo
nuevo de aplicación de estos procedimientos para resolver una cuestión relacionada
con la planificación de centros salud en una región de Chile.
En resumen, consideramos que el libro queda enriquecido y renovado, ya

que no solo se incorporan algunos de los conceptos e ideas más recientes, sino que
se proporcionan herramientas operativas para la solución de este tipo de cuestiones,
y, además, se muestran ejemplos de cómo aplicar esta metodología con dichas
herramientas, a la hora de decidir sobre problemas de organización espacial de
actividades muy relevantes.
Los coordinadores
PREÁMBULO A LA PRIMERA EDICIÓN
La localización lo más adecuada posible (“óptima”) de las actividades

humanas sobre el territorio es una tarea de gran importancia para la mejora de la
calidad de la vida de la población, por ello ha sido un tema estudiado por
numerosas disciplinas sociales, entre ellas destaca la Geografía, que ha dedicado
numerosos esfuerzos a su análisis y solución. En este libro se plantea una
metodología de análisis y unas herramientas operativas que ayuden a tratar de
resolver esta cuestión, pero en solo uno de los campos posibles de estudio: la
localización óptima de los equipamientos sociales y otras instalaciones semejantes.
Para describir estos elementos metodológicos, el libro se organiza en tres

secciones: en la primera de ellas se plantean los conceptos básicos necesarios para
poder llevar a cabo un tratamiento sistemático de este tipo de problemas (es decir la
teoría: definiciones de los conceptos principales, descripción de los modelos
matemáticos empleados, etc.); en la segunda sección se describe con cierto detalle
la herramienta operativa que hemos desarrollado para tratar estos problemas (el
programa informático LOCALIZA) y se analizan las dificultades resueltas para su
elaboración. Finalmente, en la tercera sección del libro, se ha incluido un amplio
número de ejemplos de estudio de problemas concretos de localización de
instalaciones y equipamientos de diverso tipo, que permiten comprobar la validez,
las ventajas y los inconvenientes de la metodología planteada y de la herramienta
utilizada. Consideramos que con este material, el lector interesado dispone de una
amplia serie de elementos para poder plantear sus propios problemas de
localización de instalaciones y tratar de resolverlos de la mejor forma posible.
Una característica importante de todo el texto es la insistencia en la

utilización de los Sistemas de Información Geográfica (SIG) para la resolución de
estos problemas de localización, de este modo los SIG se convierten en un
componente esencial de la metodología planteada, facilitando en grado importante

el abordaje de estas cuestiones.
El libro es el resultado de un largo proceso que, se puede pensar, empezó

alrededor de 1990 cuando se presentó, en uno de los primeros congresos de SIG
celebrados en Europa, un trabajo (Bosque y Moreno, 1990) en el cual se aportaba
un desarrollo inicial de una serie de programas informáticos, que mejoraban las
capacidades del SIG IDRISI para tratar cuestiones de localización. A partir de ese
momento, y apoyándose en la financiación pública, se han desarrollado diversos
proyectos de investigación, bajo la iniciativa de Joaquín Bosque Sendra, como
investigador principal, en el área de Geografía Humana del Departamento de
Geografía de la Universidad de Alcalá: 1º) “La utilización de un Sistema de
Información Geográfica en la formulación de políticas de localización de servicios
sociales en Alcalá de Henares”. Dirección General de Ciencia y Tecnología, ref.
PB90-0976; 2º) “Evaluación del impacto socio-territorial de los centros de
tratamiento de residuos tóxicos y peligrosos (radiactivos, químicos, biológicos....)”,
Comisión Interministerial de Investigación científica y técnica (CICYT), ref.
AMB94-1017; 3º) “Evaluación del impacto de los residuos tóxicos y peligrosos en
la Comunidad de Madrid mediante indicadores sociales”, Consejería de Educación
de la Comunidad de Madrid, ref. 05E/005/96; 4º) “Procedimiento para la
localización óptima de nuevos vertederos y centros de tratamiento para los residuos
urbanos e industriales en la Comunidad de Madrid”, Consejería de Educación de la
Comunidad de Madrid, ref. 06/0116/1997; y, muy en especial, el proyecto de
investigación: “LOCALIZA, un sistema de ayuda a la decisión para la localización
de equipamientos”, Consejería de Educación de la Comunidad de Madrid, ref.
06/0049/98. En la misma línea cabe añadir el proyecto “Metodología para el
análisis de localización de empresas minoristas basada en sistemas de información
geográfica”, Consejería de Educación de la Comunidad de Madrid, ref. 06/0023/98,
y sendas ayudas de la Comunidad de Madrid y el Ministerio de Educación y
Cultura respectivamente para proyectos de investigación en los Departamentos de
Geografía de la Université de Louvain (Louvain-la-Neuve) en 1987 y en la
University of Edinburgh (1999) llevados a cabo por Antonio Moreno Jiménez de la
Universidad Autónoma de Madrid. Tales estudios y aportaciones han desembocado
en este texto que, en buena medida, se puede considerar una síntesis de los
resultados más importantes conseguidos en todos esos años.
Los editores
AUTORES
• Joaquín Bosque Sendra, Departamento de Geografía de la Universidad

de Alcalá, Madrid, España (joaquin.bosque@uah.es).
• Antonio Moreno Jiménez, Departamento de Geografía de la
Universidad Autónoma de Madrid, Madrid, España
(antonio.moreno@uam.es).
• Manuel Fuenzalida Díaz, Instituto de Geografía, Pontificia Universidad
Católica de Valparaíso, Chile.
• Montserrat Gómez Delgado, Departamento de Geografía de la
Universidad de Alcalá, Madrid, España (montserrat.gomez@uah.es).
• Concepción de Luz Medel, Colegio Público San Blas, Cabanillas del
Campo, Guadalajara, España (cluz@roble.pntic.mec.es).
• Víctor Olaya Ferrero, Desarrollador de SEXTANTE, Universidad de
Extremadura, Plasencia, España.
• David Oliveros Escribano. Ingeniero Informático. Empleado de Indra
Sistemas (Geoespacial y movilidad). Alcobendas, Madrid, España
(doliverosescribano@yahoo.es).
• Mirta Liliana Ramírez, Departamento de Geografía de la Universidad
Nacional del Nordeste, Resistencia, Chaco, Argentina
(lramirez@hum.unne.edu.ar).
• Víctor Rodríguez Espinoza, Departamento de Geografía de la
Universidad de Alcalá, Madrid, España (victor.rodriguez@uah.es).
• María Jesús Salado García, Departamento de Geografía de la
Universidad de Alcalá, Madrid, España (mariaj.salado@uah.es).
PARTE PRIMERA
CUESTIONES TEÓRICAS
1Capítulo 1
LA LOCALIZACIÓN ÓPTIMA COMO

PROBLEMA: CUESTIONES TEÓRICAS Y
METODOLÓGICAS
1.1 EL PROBLEMA DE LA LOCALIZACIÓN:

IMPORTANCIA Y TRADICIÓN DE ESTUDIO
La localización de las actividades humanas es un problema central de la

Geografía como disciplina académica y, por ello, ha sido estudiada desde multitud
de puntos de vista: clásico o regional, neopositivista, comportamental, etc. La
cuestión de la localización se relaciona estrechamente con uno de los temas más
relevantes que han preocupado a la Geografía: la organización espacial del
territorio. Por ello, son principalmente las escuelas de pensamiento geográfico
centradas en esta amplia cuestión las que han analizado la problemática de la
localización con más profundidad. Las escuelas de pensamiento geográfico más
interesadas en la problemática de la interacción hombre-medio físico, por su parte,
han mostrado un interés menor por estos temas.
De este modo, tanto la Geografía regional francesa, como la Geografía

cuantitativa, ambas orientadas a describir y explicar la forma como se organizan
los hechos (tanto físicos como humanos) sobre la superficie terrestre, se han
dedicado a tratar y desarrollar conceptos, métodos e instrumentos para analizar la
localización de las actividades humanas sobre el territorio, desde un punto de vista
descriptivo y explicativo.
Por ejemplo, en el tratado de Geografía Humana de M. Derruau (1961) se

incluye un amplio capítulo (páginas 437-453) dedicado al estudio de la localización
de la industria, en el cual se discuten los factores más destacados que inciden en
esta cuestión, insistiendo en el papel esencial que tienen los costes de transporte en
las decisiones de localización de las industrias, aunque, de acuerdo con las
características metodológicas de esta escuela de pensamiento geográfico, el tema se
plantea en términos cualitativos y descriptivos sin emplear modelos precisos o
matemáticos.
Los desarrollos más importantes de la teoría de la localización espacial

provienen, por un lado, de economistas y científicos regionales que durante
decenios han ido aportando teorías y modelos operativos sobre la cuestión. En
muchos lugares se pueden encontrar resúmenes de estos planteamientos, por
ejemplo en el libro de David Smith (1971) existe un buen balance de los trabajos
seminales de A. Weber, T. Palander, E. Hoover, A. Losch o W. Isard. Por otra
parte, han sido los geógrafos cuantitativos cultivadores del también denominado
“enfoque espacial” los que, desde comienzos de los años sesenta de la pasada
centuria, iniciaron la aplicación y desarrollo de estas teorías y modelos para la
localización, destacando entre ellos P. Haggett, W. Bunge o R. L. Morrill y muchos
otros, los cuales recogieron los trabajos pioneros de Christaller en los años 30.
Posteriormente, a finales de los sesenta y en los setenta, los geógrafos de base
“comportamental” (behaviorista) han llevado a cabo una crítica y reorganización de
los conceptos de la teoría de la localización, haciéndola más realista y próxima a
las necesidades de los individuos. En cuanto al deasarrollo más técnico se debe
destacar las actividades de diversos grupos de matemáticos, especialistas en
investigación operativa, que han producido una plétora de módelos matemáticos
aplicables a estas cuestiones (Carrizosa, 2005).
En todos estos casos la preocupación central recayó en el establecimiento

de formulaciones matemáticas, basadas en teorías, que permitiesen describir,
explicar y predecir las localizaciones de los fenómenos humanos sobre el territorio.
Paralelamente una línea, minoritaria al principio, empezó a emerger en los años
sesenta del pasado siglo, preocupada por formalizar teórica y metodológicamente
una aproximación normativa o prescriptiva, en la que se priorizaba la búsqueda de
la localización que se consideraba más adecuada (óptima) para una actividad o
instalación.
Al respecto, Chuch y Murray (2009, p. 7-11) han enunciando algunos

principios básicos (ellos los llaman “leyes de la ciencia de la localización”) que
recogen evidencias generalmente constatadas:
© RA-MA CAPÍTULO 1. LA LOCALIZACIÓN ÓPTIMA COMO PROBLEMA: CUESTIONES... 27
• Algunas localizaciones son mejores que otras para un determinado fin.
• El contexto espacial puede alterar la eficiencia de un sitio.
• Los emplazamientos de un patrón espacial con múltiples instalaciones

deben ser seleccionados simultánea, en lugar de independientemente
unos de otros.
El reto de solventar problemas de ubicación de ese tenor exige

ineludiblemente haber dilucidado una cuestión previa: ¿en qué se sustenta la
excelencia o bondad de un lugar para un uso o actividad?, ¿cómo se define
conceptualmente lo mejor? En ese sentido, una constante en el campo de la teoría
de la localización ha sido explicitar los criterios que expresan y permiten valorar la
optimalidad de una alternativa o solución espacial. La identificación de esos
criterios ha sido el resultado de un amplio número de contribuciones,
eminentemente teóricas e incluso de autores no vinculados con esta parcela, que
han ido proponiendo y clarificando principios de valor que se consideran deseables
(económica, social, ambiental o políticamente), y que, por lo tanto, confieren
legitimidad a las prescripciones apoyadas en las “soluciones óptimas” generadas
por los modelos de localización. A la luz de la tradición investigadora, principios
como los de eficiencia y equidad espacial y justicia ambiental han servido de
notable inspiración para el desarrollo de modelos de optimización espacial. Otros
principios importantes y bien asumidos, tales como los de sostenibilidad, cohesión,
competitividad espacial, etc., restan aún por ser efectivamente explotados por los
desarrolladores de modelos. Una presentación asequible de ellos puede verse en
Moreno (2007, 2008 y 2010) y Moreno y Vinuesa (2009).
A continuación trataremos la teoría de la localización desde el punto de

vista de la Geografía cuantitativa, modernizada, hace ya algunos años, con
conceptos aportados por la Geografía del comportamiento y, en menor medida, de
la Geografía radical. En el trabajo de DeVerteuil (2001) se puede encontrar una
muy interesante evaluación de esta evolución.
1.2 COMPONENTES DE UN PROBLEMA DE

LOCALIZACIÓN
En general, podemos considerar que la localización de las actividades
humanas sobre el territorio está ligada, entre otros, a dos conceptos geográficos
fundamentales: 1) Los movimientos y flujos de personas y mercancías, y 2) la
distancia (accesibilidad) entre lugares.
De este modo, en la teoría de la localización podremos distinguir varios

componentes que son básicos y que, de una forma o de otra, siempre aparecen y
deben ser considerados por cualquier procedimiento de análisis.
• La actividad humana que se desea situar en algún lugar del espacio. En

muchas ocasiones, esta actividad se lleva a cabo en algún tipo de
instalación material específica, por lo tanto al final, en estos casos, lo
que se localizan son instalaciones. Cada una de estas instalaciones
ocasionará como resultado la aparición de flujos de otros elementos. En
otras ocasiones se trata de saber dónde se podrán desarrollar actividades
humanas más difusas, y menos relacionadas con instalaciones
materiales, por ejemplo dónde llevar a cabo cultivos de cierto tipo.
Vamos a denominar a cualquiera de estos elementos las
instalaciones/actividades a situar.
• Los elementos existentes en el medio que inciden en la posición más

adecuada para colocar una instalación. Pueden ser muy variables y
diferentes según el problema de localización que estudiemos: las
personas que demandan un servicio (los niños que van a los colegios,
por ejemplo), los productos obtenidos de la explotación del medio físico
que se utilizan en la producción industrial (el carbón extraído en
distintos lugares y que se emplea en la siderurgia), etc. Estos elementos
estimularán la aparición de flujos espaciales de ellos mismos o de otros
elementos. Los denominamos como los factores de la localización.
• Los sistemas e infraestructuras a través de los cuales se mueven sobre el

territorio los elementos anteriores. Es decir, la red de comunicaciones o
transportes.
En resumen, la teoría general de la localización tendrá diferentes variantes

dependiendo de cómo se consideren estos tres elementos. Podremos, por tanto,
plantear varios problemas de localización.
1.2.1 Tipos de problemas de localización

Varían en función de qué elementos tienen predefinida su posición sobre el
territorio y cuál es necesario localizar. Elementos posibles:
• Hechos que producen/atraen movimientos. O sea, los señalados con las

letras “a” y “b” en el apartado anterior.
• Redes por donde se producen los movimientos. Pertenecen a la letra “c”
del apartado anterior.
Problema A: Están fijos en el espacio los elementos que producen/atraen

movimientos (instalaciones/actividades y factores de localización). Se debe
entonces localizar, de la mejor manera posible, la red por donde se producen los
movimientos.
Es el problema del trazado óptimo de redes de comunicación: carreteras,

vías férreas, etc. Esta cuestión, a su vez, tiene dos variantes dependiendo de si lo
que se trata es de establecer una nueva red o tramo de una red o si, por el contrario,
se trata de escoger dentro de una red ya existente la trayectoria más adecuada para
un desplazamiento concreto.
Problema B: Está prefijado el sistema para encauzar los movimientos, la

red de comunicaciones. Se deben situar, de la mejor manera posible, los elementos
que generan los movimientos. Es el problema más clásico de localización de algún
tipo de instalación/actividad.
Refiriéndose únicamente a los problemas del tipo B antes mencionados, se

puede formular otra distinción entre variantes de esta opción básica, en función del
tipo de distribución espacial de los factores de localización de un hecho (una
instalación/actividad): puede ser continua u homogénea en el espacio o discreta y
heterogénea en el espacio.
Para el caso de que se pueda asumir una distribución aproximadamente

continua sobre el territorio, se formularon las teorías de Christaller o de Von
Thunen, teorías explicativas/descriptivas de la localización de actividades
urbanas/comerciales (Christaller) y agrarias (Von Thunen).
Más realista, en algunos casos, es la suposición de que la distribución

espacial de los factores de localización se presenta de forma discreta sobre el
territorio, en ese caso se ha elaborado la teoría de Weber para explicar/describir y,
en esta ocasión, también predecir la posición de las actividades industriales. Este
libro se ubicaría en este contexto concreto, pero con relación a instalaciones de
servicio o que proporcionan bienes a la población, tales como escuelas, hospitales,
etc.
Finalmente, en el caso de una distribución discreta de los factores de

localización, se puede establecer otra distinción entre otras dos formas del
problema, en este caso en función de si las posibles soluciones (localizaciones
concretas para las instalaciones) al problema se disponen de manera continua sobre
el espacio o de forma discreta.
Otra distinción que se puede establecer, dentro de las teorías de la

localización, es entre teorías normativas y explicativas. Algunas de ellas se pueden
considerar meramente descriptivas o, en algún grado, explicativas de las

situaciones existentes en un territorio, pero con poca capacidad predictiva o norma-
tiva. Por el contrario, otras teorías no intentan encontrar una explicación o una
descripción, buscan conseguir una solución “óptima” a un problema de
localización.
En este texto nuestra preocupación se dirige esencialmente a este segundo

tipo de planteamientos, los de carácter normativo, que buscan soluciones lo más
correctas posible a este tipo de problemas. Estamos, por lo tanto, lejos de un
enfoque estrictamente descriptivo o científico –explicativo–. Procuraremos
encontrar los mejores métodos para resolver, de la manera más adecuada posible,
problemas concretos y palpables. Por otra parte, supondremos que los factores de
localización y las instalaciones a localizar se disponen de modo discreto en el
territorio.
1.2.2 Teoría de la localización y SIG

Durante muchos años los desarrollos realizados sobre la teoría de la
localización espacial, en cualquiera de sus formas, incluso la más práctica y
aplicada, han tenido baja repercusión en la práctica. La razón era la escasa
disponibilidad de los numerosos datos que eran necesarios para su aplicación
realista y la dificultad de llevar a cabo los importantes cálculos numéricos que
exigen la mayoría de los modelos emanados de esta teoría, en la cual se integran
elementos importantes de la investigación operativa. Por ello, durante tiempo, los
trabajos y publicaciones tenían un interés eminentemente académico y teórico.
Esta situación ha empezado a cambiar en las últimas décadas con el

desarrollo de los Sistemas de Información Geográfica (SIG). Los SIG son
herramientas informáticas especialmente adecuadas al estudio de problemas de
localización, disponen de muchos de los elementos necesarios para su estudio:
coordenadas de posición que permiten estimar distancias y separaciones entre
lugares, informaciones sobre las características de la demanda y de la oferta, etc. Y
todo ello en un ambiente especialmente preparado para efectuar cálculos y
operaciones con estos datos y, por lo tanto, poder aplicar muchos de los conceptos
e instrumentos elaborados previamente por la Geografía, la Economía espacial y
otras disciplinas.
De esta manera es ahora posible encontrar numerosas aplicaciones y

publicaciones que muestran el uso de SIG en el estudio de problemas de
localización, sin ánimo de ser exhaustivo podemos citar, entre otras, las siguientes:
Barredo Cano (1995) y Gómez y Barredo (2004) describen un procedimiento que,
combinando SIG y técnicas de evaluación multicriterio, facilita encontrar las
mejores localizaciones para situar los distintos usos del suelo que deseamos
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.).
En resumen, los SIG están demostrando ser herramientas esenciales en el

estudio de los problemas de localización, aunque también es cierto que se han
encontrado limitaciones en sus posibilidades para resolver adecuadamente estos
problemas; más adelante se tratará con más profundidad esta cuestión.
En los estudios citados es posible observar cómo las características de las

bases de datos que se incluyen en los SIG determinan una nueva forma de
diferenciar distintos problemas de localización. Se fundamenta esta nueva
clasificación de los problemas de localización en el tipo geométrico de los
elementos a localizar. Esta clasificación responde a que, en un programa SIG,
existen ciertas diferencias en las técnicas para analizar datos puntuales frente a las
empleadas para datos lineales o poligonales. De este modo, podemos distinguir tres
tipos de problemas de localización óptima: a) localización óptima de instalaciones
puntuales, b) trazado óptimo de infraestructuras lineales y c) asignación espacial de
los usos del suelo poligonales.
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.
Como se puede comprobar en los trabajos anteriormente mencionados, los

SIG manejan los numerosos datos necesarios, que antes no estaban disponibles,
con una extraordinaria agilidad y, además, como ya hemos indicado, los SIG
facilitan la realización de algunos de los cálculos matemáticos imprescindibles para
la aplicación de las diferentes teorías de localización. Sin embargo, un análisis más

detallado de la literatura mencionada, y de otra que se podría añadir, muestra que la
mayoría de los SIG comerciales presentan importantes deficiencias para cubrir las
exigencias de las modernas teorías de la localización.
La constatación de estas insuficiencias ha llevado a plantear la ampliación

y mejora de las funciones de los SIG para adecuarlas a la operacionalización de
estas teorías. En concreto, se ha planteado el desarrollo de los denominados
Sistemas de Ayuda a la Decisión Espacial. En el capítulo 4 de este texto se amplía
dicha cuestión y se ofrecen soluciones al tema.
En tal contexto general se puede situar el problema más específico que

tratamos en este texto: la localización óptima de instalaciones. Como veremos con
más detalle en otros capítulos, nosotros nos centramos en cuál es la mejor posición
para centros y actividades de un tamaño, de una extensión superficial, muy
reducida (con relación a la superficie de la región de estudio), de modo que los
podemos representar digitalmente como si fuesen puntos.
Además, nos interesa también determinar el área de servicio de cada uno

de estos centros; para ello, como veremos, se emplean técnicas de optimización
espacial (modelos de localización-asignación) que tratan las dos cuestiones
mencionadas simultáneamente.
En su conjunto, este texto se puede situar en una tradición de trabajo que

ha sido denominada como “Teoría de la localización de instalaciones y
equipamientos públicos” en el artículo de DeVerteuil (2000), donde se lleva a cabo
una muy interesante historia y análisis crítico de dicha línea de investigación. En
buena medida compartimos la mayoría de sus conclusiones sobre los resultados
alcanzados por este enfoque, y sobre sus limitaciones conceptuales y prácticas, en
parte resueltas por el uso de los SIG.
En resumen, la teoría subyacente a la metodología tratada en este libro

parte de la base de buscar soluciones óptimas a problemas de organización espacial
de las dotaciones de servicios para la población. Naturalmente ello requiere de
múltiples especificaciones, siendo la primera, y ya de por sí discutible, establecer
de manera inequívoca qué se entiende por óptimo. Se asume, pues, que es factible
consensuar esa definición de óptimo y que, además, dicha situación es
caracterizable (medible) de forma inequívoca, lo que equivale a decir cuantitativa.
A partir de ahí, la aplicación de la metodología debe desembocar en la solución
ideal buscada. No debe extrañar que, ante tamaño reto, los logros disten mucho del
éxito completo; sin embargo, los progresos que se están realizando merecen una
consideración, por dos razones: en primer lugar porque con ellos se está avanzando
por el camino adecuado para perfeccionar la toma de decisiones, y, en segundo,
porque mientras no se tengan otros mejores, el recurso a los actuales métodos

parece legítimo, siempre que se tomen los resultados, que son prescripciones en el
sentido total del término, como aproximaciones limitadas a la solución. A tal efecto
cabe subrayar que los modelos de optimización espacial pueden ser de indudable
utilidad para varias finalidades: establecer ex novo una red de instalaciones,
ampliar el número de instalaciones/establecimientos, cerrar algunas instalaciones,
trasladar ciertos establecimientos, evaluar el esquema espacial actual (u otros
pretéritos) respecto a los óptimos, confrontar soluciones óptimas basadas en
diferentes criterios, cotejar y valorar ciertas propuestas concretas con las óptimas,
etc.
1.3 UN ESQUEMA METODOLÓGICO PARA LA

LOCALIZACIÓN ÓPTIMA DE INSTALACIONES
La inserción de las técnicas de optimización espacial dentro de un proceso
de investigación, precisa adoptar una metodología apropiada (vid. Moreno
Jiménez, 1995), cuya secuencia de etapas puede sintetizarse como se muestra en la
tabla 1.1. Conviene recordar que en este tipo de investigaciones, a diferencia de
otras, no se persigue comprobar hipótesis alguna; en su lugar ahora se trata de
solventar un problema de decisión o actuación y, por tanto, la consecución o no de
los resultados u objetivos perseguidos con la actuación dictaminará en qué medida
la investigación ha sido o no exitosa. No debe asumirse, sin embargo, que el
fracaso en los resultados de la actuación o plan significa necesariamente una
investigación deficiente. Las múltiples circunstancias y vicisitudes de la ejecución
de un plan pueden hacerlo fracasar (a veces por razones de pura estrategia política),
aunque técnicamente sea impecable.
1.4 ALGUNAS CUESTIONES BÁSICAS PARA LA

FORMALIZACIÓN DE UN PROBLEMA DE
OPTIMIZACIÓN
A la hora de llevar a cabo la representación formal (modelado) de un
problema, con vistas a aplicar una técnica de optimización, son numerosos los
aspectos que el analista debe contemplar. El resultado de tal proceso será algo
simplificado, por lo que una pérdida de información es ineludible. El dilema a
resolver estriba entre obtener una representación muy completa, lo que ocasionará
unos costes más elevados en recogida de información, manipulación de la misma,
complejidad del modelo y resolución del mismo, o tener una versión más
simplificada y asequible. Al respecto, las limitaciones más serias suelen provenir
de dos frentes: los costes de la información y la dificultad técnica de resolver
modelos de cierta complejidad, cuestión ésta que puede explicar el escaso
conocimiento de las técnicas de optimización entre muchos expertos y su limitada

aplicación en el mundo real, pese a sus innegables potencialidades y futuro
prometedor, sobre todo cuando confluyen con la tecnología de los sistemas de
información geográfica.
Planteamiento del problema a resolver:
• Identificar el problema.
• Identificar los decisores e implicados (stakeholders).
Determinación de los criterios u objetivos a optimizar:
• Número de los objetivos, tipo (e.g. basados en la eficiencia o equidad espacial),
etc.
Fijación de las restricciones:
• Desde la oferta, p. ej., lugares posibles (sitios candidatos), tamaño de las
instalaciones, etc.
• Desde la demanda, p. ej., servir toda o solo parte de la demanda.
• Desde las relaciones espaciales: desplazamientos (accesibilidad requerida),
forma de difusión espacial de los efectos, etc.
Formalización del problema:
• Matemática, p. ej., formulación del modelo matemático o adopción de uno pre-
existente.
• Geográfica, p. ej., modelización del espacio (discreto o continuo), definición de
los objetos abstractos (puntos, líneas, polígonos) que representarán a las
localizaciones de los equipamientos, de la demanda y afectados, y a las
relaciones espaciales, etc.
Recogida de datos.
Aplicación de las técnicas de optimización apropiadas:
• Programación matemática.
• Algoritmos heurísticos o de búsqueda iterativa.
Análisis de las soluciones obtenidas:
• Sensibilidad de los resultados a modificaciones en la especificación formal del
problema.
• Valorar las limitaciones de las soluciones, p. ej., por factores no considerados,
por reduccionismo en la formalización, etc.
Comunicación de los resultados: documentar la metodología, presentar las soluciones y
realizar las recomendaciones
Eventual iteración del proceso de análisis de acuerdo con informaciones provenientes de
decisores e implicados.
Decisión por parte de los responsables.
Puesta en práctica de la solución.
Seguimiento de la ejecución y de los resultados reales alcanzados.
Tabla 1.1. Etapas en la metodología de optimización de esquemas de localización de instalaciones
Fuente: Adaptado de Massam (1975, pp. 58 y ss.), Beguin (1987)
y Daskin (1995, pp. 383 y ss.)
Repasaremos sucintamente las principales cuestiones que, para la forma-

lización de problemas reales de localización de actividades de producción y
distribución de bienes y servicios y su resolución con modelos de optimización
espacial, han de contemplarse (vid. Colorni, 1987, pp. 257-274; Lea y Menger,
1991; y Daskin, 1995, pp. 10-18).
• Representación espacial del sistema: concierne a varios e importantes

aspectos (vid. Miller, 1996). A) Llanura isotrópica simplificada (plano),
versus espacio discreto con ubicación de la demanda y de la oferta solo
en ciertos lugares y con desplazamientos a través de cauces bien
definidos (e.g. a través de red de vías o líneas de transporte). B)
Ubicación de la demanda (p. ej., como puntos, a lo largo de líneas de
calles o en polígonos), de la oferta (como puntos o en parcelas) y del
modo de desplazamiento (peatonal, por vehículo, etc.).
• Medición de la distancia y los costes de desplazamiento: la fricción que

conlleva superar la separación espacial (p. ej., con el desplazamiento)
puede expresarse según diferentes métricas tales como distancias
lineales o euclidianas, rectangulares, percibidas, por vías de transporte,
en tiempo, como coste monetario, etc. (vid. infra).
• Número de instalaciones a localizar: se trata de una decisión a menudo

externa (por parte del decisor) que implica una mayor o menor
dispersión y tiene repercusión presupuestaria.
• Dimensión temporal: se puede contemplar un problema estático

(solución óptima para un momento concreto) o avistar a los cambios que
suceden en el tiempo (problemas de optimización dinámica).
• Número de productos o servicios contemplados: los bienes o servicios a

proveer por cada centro de servicio pueden ser uno solo o varios, lo que
obliga a contemplar modelos diferentes.
• 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.
• Objetivos avistados: dos cuestiones habrán de dilucidarse al respecto: A)

Qué criterio u objetivo se desea priorizar a efectos de buscar la solución
óptima (vid. Rushton, 1987; Carrizosa Priego, 1996, pp. 27-28), por
ejemplo, ¿minimizar los costes?, ¿maximizar los beneficios?,

¿maximizar la demanda real?, ¿maximizar la equidad?, ¿maximizar el
beneficio social? Debe recordarse, además, que el principio general
buscado tendrá que traducirse operativamente en algún indicador
cuantitativo apropiado, por ejemplo, que el tiempo de respuesta ante
requerimientos de socorro urgente sea mínimo. B) Número de objetivos
considerados. Puede contemplarse la búsqueda de soluciones óptimas
con un único objetivo o criterio o, por el contrario, considerar varios
aspectos simultáneamente, horizonte que, como es obvio, resulta más
realista, pero complica la resolución del problema.
• Agente que asume el desplazamiento en la provisión del bien o servicio:

con mucha frecuencia es el usuario o consumidor quien arrostra el coste
del desplazamiento (por ejemplo, en el uso de oficinas bancarias,
compras en establecimientos, etc.), pero en otros casos es el proveedor
quien gestiona, distribuye y a veces corre con los gastos del
desplazamiento. Los servicios de policía, bomberos, reparto de compras
a domicilio, ciertas rutas escolares de enseñanza pública obligatoria son
ejemplos de gestión por parte del proveedor.
• Comportamiento espacial de la demanda: la conducta espacial de los

consumidores, sujetos a menudo de los desplazamientos para la
consecución de los bienes o servicios, ha de representarse de la forma
más realista posible. A veces resulta elástica respecto a los costes de
desplazamiento, es decir, disminuye la frecuencia de visitas o número de
consumidores al aumentar estos, y a veces es rígida, por ejemplo, en el
caso de los alumnos de un colegio de enseñanza primaria.
• Regla de asignación de la demanda a los centros de servicio: la forma

como se imputa la demanda potencial a los centros de servicio es algo
habitualmente requerido y debe reflejar la conducta real de los
consumidores. Una regla común es hacerlo al centro más próximo, pero
en otros resulta más conveniente repartirla entre varios centros, según
una función de asignación probabilista.
• Instalaciones con capacidad limitada o no: en ocasiones los

equipamientos pueden conllevar una determinada capacidad de atender
usuarios muy estricta (caso de los centros de enseñanza), por lo que su
dimensión debe contemplarse de una u otra forma (e incluso exigirse
como restricción), en otros casos esta cuestión es menos rígida (por
ejemplo, las piscinas o parques) y podría solventarse a posteriori.
• Nivel jerárquico de las instalaciones: a veces puede asumirse que las

instalaciones sean todas homogéneas en cuanto a los bienes o servicios
que prestan, en otras ocasiones varían dicha oferta de acuerdo con una
jerarquía muy estructurada en varios niveles (caso por ejemplo de los
servicios de salud).
• Tipo de instalaciones: un cierto número de actividades pueden

considerarse globalmente como deseables por la población, en el sentido
de que se prefiera una accesibilidad o proximidad buena, en otros casos
puede ocurrir que se contemplen como indeseables, es decir, molestas,
insalubres o peligrosas, aunque resulten necesarias para la colectividad
(por ejemplo, cementerios, prisiones, vertederos, desguaces de
vehículos, depuradoras, etc.).
• Naturaleza del servicio: el carácter de algunos servicios puede exigir que

se provean de forma lo más rápida o urgente (caso frecuente de
bomberos, policía, urgencias sanitarias, etc.), en tanto que en otros tal
rasgo está ausente y se consideran ordinarios.
• Carácter competitivo o no de las instalaciones: en el caso de los servicios

privados resulta en general clara la pertinencia de aplicar el principio de
competencia entre instalaciones; en el caso del sector público, aunque las
decisiones no se inspiren en dicho principio, debe recordarse que en la
práctica también muchos equipamientos (bibliotecas, piscinas, hogares
de ancianos, etc.) atraen usuarios en detrimento de los establecimientos
próximos y, por tanto, con una lógica espacial bastante análoga a la
“canibalización” que emerge en la red de establecimientos de ciertas
empresas privadas (por ejemplo, franquicias o cadenas sucursalistas).
1.5 LA REPRESENTACIÓN DEL ESPACIO EN LOS

PROBLEMAS DE LOCALIZACIÓN ÓPTIMA
La formalización de los problemas de optimización espacial implica, como
se discute en otro capítulo de esta obra, asumir un modelo del espacio geográfico y
de las entidades del mundo real que quedan involucradas en el problema. A lo
largo de la tradición de investigación sobre la teoría de la localización se han ido
formulando modelos espaciales en los que explícitamente se asume una
determinada representación de la realidad. Dado que, en muchos de ellos, el
procedimiento de resolución que se diseñó es específico para esa representación,
resulta procedente recordar brevemente los tipos más comunes de las mismas, con
objeto de que el lector las conozca y pueda elegir convenientemente entre ellas a la
hora de tratar un problema empírico particular.
Una primera faceta importante concierne al concepto de espacio adoptado

para operacionalizar el modelo de optimización. Al respecto es posible discernir
entre espacio continuo y discreto. En el primer caso se suele asumir que el
territorio es una llanura isotrópica en la que los desplazamientos son posibles en
cualquier sentido y dirección con idéntico grado de dificultad o coste. Así mismo
se suele asumir que la ubicación de las instalaciones o equipamientos es posible en
cualquier punto de dicho espacio continuo, por lo que se concibe que forman un
conjunto ilimitado. No hay pues restricciones ni barreras. Evidentemente este
concepto del espacio resulta harto reduccionista y simplificador y puede parecer, a
primera vista, tan alejado de la realidad que resultaría inútil a efectos prácticos. No
obstante lo anterior, dos virtualidades deben reseñarse para el mismo. Por un lado,
ese concepto ha resultado históricamente muy conveniente a la hora de desarrollar
la teoría de la localización y los modelos de optimización, por cuanto permitió
profundizar en aspectos hasta entonces inexplorados. Recuérdese que las teorías de
Christaller, Lösch, Hotelling, Pallander, etc. recurrieron a ese concepto de espacio.
Y por otro lado, pese a su simplicidad, en ocasiones ese concepto de espacio puede
no estar demasiado lejos de cómo funciona el sistema real o problema a resolver, o
puede ser la vía más operativa, de momento, de aproximarse a la solución. En
ciertos casos de difusión de riesgos o efectos negativos desde una fuente emisora,
podría resultar una aproximación razonable. En no pocas determinaciones legales
de tipo ambiental late este concepto de espacio continuo, por ejemplo, cuando se
establecen distancias de protección a espacios singulares o radios de alejamiento
mínimo a instalaciones peligrosas. Eventualmente, ciertos desplazamientos, como
los de los servicios de urgencia por helicóptero, podrían ajustarse a ese concepto de
espacio.
En el caso del espacio discreto se asume, por el contrario, que los

movimientos solo se pueden realizar a través de determinadas vías de transporte o
comunicación, caracterizadas por unos atributos concretos (velocidad, sentido,
coste, ...). Adicionalmente, la ubicación de las instalaciones únicamente es factible
en un conjunto finito de lugares conocidos de antemano, por ejemplo en ciertos
nodos de una red de transportes. Como se puede intuir, el recurso a este concepto
de espacio permite una mayor flexibilidad y verosimilitud en la modelización de la
realidad y del problema, a cambio de unos mayores requerimientos de información
y de manipulación de datos. A medida que esta exigencia está siendo solventada
satisfactoriamente por los proveedores de cartografía digital, apta para su uso en
SIG, este concepto de espacio va popularizándose en las aplicaciones reales.
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).
Tipo de espacio Métrica Ejemplo de indicadores de distancia

Distancia en línea recta o por vías de
Absoluto Euclidiana
tráfico
Relativo Temporal o económica Tiempo de trayecto, coste monetario
Distancia percibida/
Percibido Estimación mental
estimada entre dos lugares
Incomodidad/
Afectivo/Sentido Sentimental
repulsión sentida en trayecto
Tabla 2.2. Tipos de espacio y métricas asociadas
Frente a las representaciones más habituales de tipo absoluto o relativo, la

riqueza que añaden los conceptos de espacio subjetivo (mapas y distancias
percibidas/sentidas), aboga por no desdeñarlos como alternativas, ya que aunque
costosos a la hora de desvelarlos y sometidos aún a investigación experimental para
representarlos, permitirían abordar mejor, bajo una óptica comportamental, los
problemas de localización de equipamientos. Una aportación al respecto la realizó
Escobar (1996). Su interés radica en la potencialidad para incorporar algunos
factores de la conducta de los usuarios/consumidores que resultan claves a la hora
de seleccionar los lugares de compra y realizar los desplazamientos, lo que
permitiría una aproximación más realista a ciertos problemas de localización. A
cambio presenta el inconveniente de que la información necesaria para representar
el espacio subjetivo resulta laboriosa de obtener y difícil de utilizar operativamente.
En la práctica apenas si hay experiencia todavía de emplear los dos últimos tipos de
espacios en problemas de optimización espacial, lo que supone un sugestivo frente
de investigación pendiente de explorar.
Una última cuestión destacada, que será tratada en este texto, es el

problema del tiempo; el uso de una instalación requiere, en la mayoría de los casos,
atenerse a un horario de apertura, de modo que tenemos que calcular los costes de
recorrido hasta ese lugar sin olvidar la interacción entre ese horario de apertura y
nuestra propia disponibilidad de tiempo. En este sentido se puede recurrir a los
conceptos de la Geografía del Tiempo para tratar esta decisiva cuestión. En los
capítulos 2 y 8 de este texto se estudiarán estos temas.
2Capítulo 2
LOCALIZACIÓN DE LOS EQUIPAMIENTOS

COLECTIVOS, ACCESIBILIDAD
Y BIENESTAR SOCIAL
Una larga tradición en la planificación territorial confiere a los

equipamientos colectivos un papel relevante como instrumentos de desarrollo
urbano y regional. Tanto las actividades económicas como la cohesión y el
bienestar social se benefician de un sistema de dotaciones para el consumo
colectivo adecuadamente trabado (Leal y Ríos, 1988; Bond, 1999; Wang, 1999;
Boyne et al., 2001; Joerin et al., 2001)1. En este capítulo trataremos, en primer
lugar, de clarificar el propio término “equipamientos colectivos” y su papel en el
bienestar social de la población para, más tarde, ocuparnos del peso que estos
aspectos espaciales, la localización y la accesibilidad, juegan en la calidad del
servicio prestado por esas infraestructuras, o, si se quiere, en qué medida acercan
los objetivos de eficiencia y/o equidad con que fueron planteados.
2.1 CONCEPTO Y ALCANCE DEL TÉRMINO

“EQUIPAMIENTOS COLECTIVOS”
En principio, el lenguaje urbanístico asume como tales los “espacios
construidos de consumo colectivo, de uso público, distintos de la vivienda, del
espacio productivo, del espacio de transporte y comunicación” (Leal y Ríos, 1988,
1
Como contrapunto o matización para ciertos casos puede consultarse (Linneker y Spence, 1996) o
(Banister y Berechman, 2001).
p. 15). Otros autores destacan, además, su relevancia en la estructura social y

territorial. Así, Hernández Aja (1997) los define como “aquellas dotaciones que la
comunidad entiende como imprescindibles para el funcionamiento de la estructura
social, y cuya cobertura, por consiguiente, debe ser garantizada por las
administraciones públicas” (ibid., p. 153); de lo que se sigue que planificar áreas
exclusivamente residenciales equivaldría a “negar realidades y derechos que tiene
toda persona, como son el acceso a la cultura, bienestar y relaciones sociales”
(Kapstein y de la Barra, 1979, p. 32).
En la misma línea, se ha afirmado en repetidas ocasiones que “una ciudad

se constituye a partir de sus espacios colectivos. Calles, plazas, cines, museos,
hospitales, mercados, son el aglutinante del espacio de vivienda y del espacio
productivo. Tratar los espacios colectivos supone tratar la esencia de la ciudad”
(Leal y Ríos, 1988, p. 15). Espacios en que la comunidad se reconoce a sí misma
que, al tiempo, son “elementos particularmente fijos y estables dentro de la trama
urbana” (ibid., p. 109), en gran medida por formar parte del patrimonio público.
Además, son piezas del entramado urbano que, en razón de su singularidad formal
o simbólica, contribuyen de forma decisiva a la cualificación del espacio
residencial y ofrecen, por ello, la posibilidad de reordenar las rentas de posición y
de regenerar áreas degradadas (operación Pasillo Verde de Madrid, Guggenheim de
Bilbao, etc.).
Las acepciones mencionadas abarcan un abanico importante de matices e

implicaciones de cara a la planificación, pero todas con un factor común:
consideran a los equipamientos espacios de consumo colectivo, es decir, el objeto
de consumo en ellos es un servicio organizado y gestionado colectivamente que, o
bien responde a reglas distintas de las del mercado, o bien se sufraga parcialmente
con impuestos (ver Pinch, 1985, pp. 5-14). Toda la población, por tanto, debería
poder acceder a los mismos en unas condiciones más o menos similares.
Numerosos estudios comparativos a distintas escalas muestran que esto no

es siempre así, y que el espacio es un factor discriminante en el uso y disfrute de
estos servicios. Esa dimensión espacial en la evaluación y planificación de recursos
de consumo colectivo está recibiendo además una atención preferente en lo últimos
años por parte de las autoridades, conscientes de que la complejidad de los
problemas en las áreas más deprimidas precisa políticas con base territorial que
acometan de modo integral y coordinado esos problemas poliédricos e
interconectados (Committee on Spatial Development, 1999; Kearns et al., 2000;
Gleeson y Carmichael, 2001). Analizaremos en este capítulo diferentes
posibilidades de abordar el análisis de la dimensión espacial de los equipamientos y
el bienestar social.
© RA-MA CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,... 43
2.2 EL ESTUDIO DE LOS DESEQUILIBRIOS

INTERJURISDICCIONALES EN CUANTO A
NIVELES DOTACIONALES
Sustentado en el hecho evidente de que los servicios a la población
dependen de una administración con jurisdicción sobre un área dada, el análisis
comparativo de situaciones dotacionales de distintos países, distintas regiones o
provincias, de medios rurales frente a medios urbanos, etc., constituye una primera
forma de contemplar las diferencias que el espacio introduce en este tema. Es
además un enfoque muy usual para evaluar el bienestar de la población y la
equidad en el reparto de los recursos de consumo colectivo. En este tipo de
estudios encontramos multitud de aproximaciones diferentes:
• Los que utilizan cocientes simples: gasto público en educación en

dólares por habitante, tasas de escolarización, porcentaje de la población
con acceso al agua potable, número de médicos por 1000 habitantes, m2
de zonas verdes por habitante o vivienda, etc. Son éstas aproximaciones
muy comunes en las estadísticas habituales de organismos
internacionales o en publicaciones periódicas a nivel nacional (pueden
consultarse en la red, por ejemplo, el índice de desarrollo humano
publicado anualmente por la Agencia de Naciones Unidas para el
Desarrollo, UNDP; o los diferentes indicadores sobre salud, educación,
etc., manejados por UNICEF; o para el caso español la publicación del
Instituto Nacional de Estadística “España en cifras”).
• Los que se basan en medidas usuales entre los geógrafos y economistas

como son el índice de disimilitud, el cociente de localización de Sargent
Florence, la curva de concentración o de Lorenz y el índice de Gini
(Joseph y Phillips, 1984; Moreno y Escolano, 1992; Olivera, 1993;
Jensen-Butler, 1999).
• Los que tratan de construir bien un sistema de indicadores o bien un

único indicador sintético que recoja un amplio abanico de factores
considerados partes significativas del bienestar social. De entre las
distintas tentativas llevadas a cabo desde la década de los setenta2, quizá
sea especialmente interesante, por su repercusión posterior, el sistema de
indicadores redactado para la OCDE (1981). En él se contemplan diez
áreas de estudio (crecimiento y distribución geográfica de la población,
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.
vivienda, empleo, distribución del tiempo, etc.), entre las que se

mencionan de forma específica la disponibilidad y eficiencia de los
servicios de enseñanza, de empleo, de asistencia social, de salud y de los
lugares, medios y servicios de esparcimiento (Pena, 1977). También en
los países en vías de desarrollo se está haciendo un esfuerzo en este
sentido en los últimos años (véase, por ejemplo, el caso de Filipinas en
Reyes y Alba, 1994). Además de estos trabajos desarrollados desde la
perspectiva económica o sociológica, la Geografía desarrolla también en
esa época su interés por la descripción y medición a diversas escalas de
las diferencias zonales en cuanto a niveles de bienestar y acceso a los
servicios colectivos (Smith, 1980; Barral y Redondo, 1989; la “geografía
del no-consumo” de Cater y Jones, 1989; o el intento de dibujar la
“anatomía de la miseria” en Escocia de Pacione, 1995 y Kearns et al.,
2000).
• Los que, buscando una explicación más completa de esa desigual

situación dotacional entre las distintas áreas analizadas, acompañan la
fase descriptiva con análisis de su relación con ciertas características
demográficas (magnitud de la demanda o de un segmento de demanda
concreto), socioeconómicas (asociación con otros indicadores de
desventaja social), políticas (partido gobernante) (ver, por ejemplo,
Moreno, 1991b).
En este sentido, los Sistemas de Información Geográfica, por su capacidad

de manipular y superponer grandes volúmenes de datos georreferenciados, de
combinar datos recogidos en unidades areales, lineales y puntuales, en uno o varios
momentos temporales y de incorporar diversos métodos de análisis y visualización
de esos datos, resultarían herramientas especialmente útiles en este tipo de análisis.
Una extensa literatura muestra la amplitud de posibles aplicaciones tanto en el
ámbito público como privado de los servicios asistenciales, de seguridad,
sanitarios, educativos, etc.3
Hay que considerar, sin embargo, algunos de los problemas siempre

inherentes a este enfoque. En primer lugar, la asunción de unas fronteras
impermeables nos sitúa ante los conocidos problemas de la falacia ecológica4 y de
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
la unidad espacial modificable5 (Martin, 1991; Bosque, 1992; Bosque y Palomar,

1995; Martin y Longley, 1995; Openshaw, 1996; Miller, 1999). Las tendencias más
recientes piden una mayor desagregación de las unidades espaciales de análisis, lo
que aminoraría el problema. Sin embargo, esa subdivisión tiene un límite, impuesto
por la necesaria confidencialidad de los datos y por el hecho de que una
segmentación detallada en exceso puede obligarnos a trabajar con grupos de
población demasiado pequeños e “inestables”. Esa segmentación encierra así
mismo el problema que Openshaw (1996) denomina UMAUP (user modifiable
area unit), provocado por la posibilidad de que cualquier usuario acceda a datos
censales muy desagregados (a nivel de manzana, por ejemplo) y cree sus propias
unidades de análisis, ofreciendo resultados poco comparables con estudios previos.
Las propias herramientas de los SIG, que permiten transformar datos puntuales en
información zonal (cálculo de corredores o de polígonos de Thiessen) o en
superficies continuas (métodos de interpolación), o combinar datos procedentes de
unidades espaciales no coincidentes (zonas sanitarias y distritos censales, por
ejemplo; Massam, 1972; Martin, 1991; Martin y Longley, 1995; Birkin, et al.,
1999; Eagleson et al., 2002), pueden ayudar a superar esta dificultad.
2.3 LOCALIZACIÓN Y ACCESIBILIDAD EN LA

PLANIFICACIÓN DE LOS EQUIPAMIENTOS
COLECTIVOS
Ahora bien, ¿puede decirse que la población de dos áreas con similares
ratios de camas hospitalarias por 1.000 habitantes tiene idéntico nivel de acceso a
estos servicios? No, por cierto, si la población de una de ellas ha de desplazarse
decenas de kilómetros para poder hacer uso de los mismos, mientras la de la otra
no necesita hacer ese esfuerzo. Si nos atenemos a los numerosos estudios sobre el
efecto de la distancia entre oferta y demanda, habremos de admitir que en verdad,
aun no siendo el único factor explicativo, ésta tiene un peso notable en el uso
efectivo que la población hace de estos servicios, y, por tanto, en su nivel de
bienestar (por citar solo tres ejemplos recientes: Higgs y White, 1997; Parker y
Campbell, 1998; Rahman y Smith, 2000).
proceso de agregación; las características de un área no pueden ser atribuidas automáticamente a un

individuo situado en ella, por lo que, además, nunca puede recuperarse el detalle original de los datos.
5
“There are a very large number of possible areal units which may be defined, even with the
imposition of certain size and contiguity constraints, and none of these has intrinsic meaning in
relation to the underlying distribution of population, hence they area ‘modifiable’” (Martin, 1991a, p.
59).
En otras palabras, si la localización introduce un factor de discriminación

en el uso de los servicios colectivos, además de la mayor o menor disponibilidad
de centros de servicios en las distintas áreas jurisdiccionales, nos interesará analizar
las relaciones espaciales entre la oferta y la demanda. Esa es la base de los estudios
de localización y accesibilidad entre los que se cuenta la presente obra.
Revisaremos, pues, el contenido del término accesibilidad y las formulaciones más
comunes hechas en la literatura para hacerlo operativo en tareas de evaluación y
planificación.
Aunque frecuente y largamente utilizado, el término accesibilidad no tiene,

ni mucho menos, una única y consensuada acepción (Pooler, 1995; Kulkarni et al.,
2000; o Gutiérrez, 2001, entre otros). En general, se ha entendido en términos
geométricos, como “cercanía”, como potencial u “oportunidad relativa de
interacción y contacto” (Öberg, 1976; Gregory, 1987; Jiang et al., 1999), bien sea
ésta de tipo económico (comercio, puestos de trabajo; Levinson, 1998) o social
(educación, ocio; Handy y Niemeier, 1997); o, más cercano a la temática de este
libro, como “facilidad con que un servicio pueda ser alcanzado desde una
localización” (Dalvi, 1978, cit. en Arentze, et al., 1992; Gutiérrez y Gómez, 1999).
En este sentido, además de la lejanía física entre los agentes de esa interacción, la
red de transporte sería decisiva (en alguno de los trabajos examinados se define la
accesibilidad como el principal producto del sistema de transporte: Joly, 1999).
Helling (1998), además, al definirla como potencial para llevar a cabo

interacciones deseadas (“potential for desired interaction”, p. 58) incorpora las
aspiraciones, los destinos valorados o los tipos de interacciones deseadas por
distintos segmentos de población. Otros autores destacan los posibles obstáculos o
restricciones, también diferentes según casos particulares, definiéndola como la
habilidad o la capacidad de alcanzar determinados servicios por parte de la
población (De Jong y Ritsema van Eck, 1996; Higgs y White, 1997; Joly, 1999;
Kulkarni et al., 2000; Joerin et al., 2001). Así, frente a las consideraciones
meramente físicas o locacionales de las definiciones del párrafo anterior, esa
accesibilidad puede ser diferente para diferentes grupos de individuos, debido tanto
a sus distintas aspiraciones como a sus propias restricciones, incluso si se
encuentran en la misma localización al mismo tiempo. Para ilustrar la complejidad
del término, sin ánimo de ser exhaustivos, detallamos en la tabla 2.1 diferentes
formas de conceptuarlo y medirlo halladas en la literatura revisada para elaborar
este capítulo (ver la relación completa en el anexo al final del capítulo):
1) Según los elementos contemplados en el problema:

a) Eficacia de la red de transporte.
b) Interacción transporte, usos del suelo y grupos sociales.
2) Según el tipo de espacio, métrica o elementos geométricos empleados:
a) Distancias euclidianas, manhattan o a través de una red.
b) Espacios isotrópicos o anisotrópicos.
c) Unidades del medida: distancias físicas o cognitivas, costes económicos, etc.
d) Tipo de elementos geométricos considerados: puntos, líneas y polígonos.
e) Análisis topológico de la red.
3) Según las características del servicio a evaluar:
a) Deseable, semideseable o no deseable.
b) Localización fija, móvil o servicio de reparto o atención domiciliaria.
c) Existencia o no de jerarquía en la organización y provisión del servicio.
d) Servicio de emergencia (bomberos) o no (biblioteca).
e) Servicio de primera necesidad (panadería) o no (comercio especializado).
f) Servicio con límite de capacidad (escuela) o no (oficina postal).
g) Servicio planificado y gestionado por una entidad pública o privada.
h) Número de factores de atracción (o rechazo) considerados en la ponderación de
las distintas instalaciones.
i) Nivel dotacional previo (establecerá lo que se considera o no una mejora
aceptable).
4) Según las características de la demanda:
a) Nivel de agregación espacial de la demanda: datos individuales o agregados
espacialmente.
b) Nivel de agregación temática o grado de segmentación de la demanda.
c) Consideración o no de la posible competencia entre demandantes para acceder al
servicio.
5) Según las características del modelo de accesibilidad empleado:
a) Aproximaciones inductivas (demanda revelada) o deductivas (demanda
potencial).
b) Áreas de influencia prefijadas (uso de umbrales de distancia) o no (utilización de
modelos de interacción espacial).
c) Criterios de eficacia y/o equidad espacial.
d) Fase del estudio: fines descripción/evaluación o de prescripción/optimización.
e) Tipo de problema: localización, asignación o ambos (modelos de localización-
asignación).
f) Grado de competencia entre instalaciones: total, parcial o nula.
g) Tipo de viajes considerados: mono o multipropósito; solo con origen en el
domicilio o no.
Tabla 2.1. Clasificación de distintos usos y componentes del término “accesibilidad”
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).
Accesibilidad locacional Accesibilidad personal

(Place accessibility) (Individual accessibility)
Datos agregados. Datos individuales.
Predominio del enfoque deductivo Predominio del enfoque inductivo
(accesibilidad potencial). (accesibilidad revelada o efectiva).
Sobre asunciones de la Sobre asunciones de otras escuelas
Geografía teórica y cuantitativa. geográficas surgidas tras la Geografía
teórica.
Dominante en las aplicaciones de los Reciente interés en la posibilidad de
Sistemas de Información Geográfica a incorporar esas asunciones a los SIG.
estos temas.
Tabla 2.2. Accesibilidad locacional vs. accesibilidad personal
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.
La misma estructura del presente libro denota tanto el sesgo hacia la

perspectiva espacial que hasta ahora han tenido los Sistemas de Información
Geográfica, como ese creciente interés de ampliar el horizonte de los estudios de
accesibilidad hacia condicionantes individuales. En este capítulo introductorio nos
centraremos en algunas de las medidas de accesibilidad más comunes dentro de esa
perspectiva espacial que se aplicarán en muchos de los capítulos de la tercera parte
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.
2.4 LA PERSPECTIVA ESPACIAL Y EL ANÁLISIS DE LA

ACCESIBILIDAD
Sobre la base del efecto de caída de la demanda con la distancia (ver
figura 2.1) se han desarrollado los modelos de interacción espacial y la mayoría de
los índices de accesibilidad que pueden encontrarse en la literatura sobre estas
cuestiones. Un breve apunte histórico nos permitirá situar en su contexto las
aportaciones de esta corriente geográfica al problema de la localización de
equipamientos y las críticas que más tarde han recibido las asunciones que
subyacen a esas medidas de accesibilidad espacial, dominantes como decíamos en
el ámbito de las aplicaciones de los Sistemas de Información Geográfica a estos
temas.
2.4.1 Contexto histórico y científico de la nueva geografía o

perspectiva espacial
Los profundos cambios económicos, sociales y territoriales que se dan en
los países occidentales tras la Segunda Guerra Mundial necesitan programas de
ordenación ambiciosos y nuevos instrumentos de análisis más allá de las
aproximaciones regionales o cronológicas dominantes en la geografía hasta ese
momento. La creciente interdependencia entre lugares y grupos humanos cada vez
más distantes, como consecuencia de la especialización territorial y económica, se
ajusta mal a la región tradicional estudiada por Vidal de la Blache y los geógrafos
clásicos.
Por otro lado, la necesidad de trabajar en grupos interdisciplinares y la

insatisfacción con las aportaciones de la geografía regional empuja a los geógrafos
hacia nuevos enfoques y el acercamiento a otras disciplinas como la economía o la
física6; disciplinas que, por su parte, habían desarrollado ramas cercanas, en sus
objetos de estudio, a la geografía. Hablamos de la economía espacial, sustentada a
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).
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).
La economía espacial se desarrolla rápidamente a partir de principios del

siglo XIX (el ejemplo más conocido son los trabajos de Von Thünen, 1826),
aunque sin llamar la atención de los grandes teóricos (Capel, 1987; Claval, 1987).
Desde los años treinta del siglo XX los estudios de economía espacial se hacen más
sistemáticos. Lösch sintetiza aportaciones anteriores, entre las que se cuentan las
del geógrafo alemán W. Christaller y los modelos gravitatorios aplicados a la
migración o a la atracción comercial de las ciudades7, y las integra en la teoría
económica general. Según su teoría de la demanda espacial (1954), el precio final
de un servicio estaría constituido por el precio de producción (en origen) más el
coste de los desplazamientos necesarios para hacer uso de él (figura 2.1a). Al
aumentar el precio o coste final conforme crece la distancia, la demanda
disminuye, dibujando el conocido cono de caída de la demanda (figura 2.1b y c).
En otras palabras, el grado de proximidad entre oferta y demanda parece ser una de
las claves del mayor o menor uso de los equipamientos por parte de la población,
hipótesis corroborada por los resultados de abundantes estudios empíricos (Claval,
1987)8.
Parece que la idea de que la renovación de la geografía debería provenir

del tratamiento de los hechos de alejamiento y del papel de la distancia procede de
Ullman. Llega a EEUU huyendo del nazismo y allí difunde la teoría de Christaller,
de la que tuvo noticia a través de Lösch. En un mundo intensamente urbanizado, de
lugares cada vez más especializados y complementarios, llega a la convicción de
que los problemas de circulación, las posiciones relativas y la distancia deben estar
en el corazón de la disciplina (Capel, 1987; Claval, 1987; García Ramón, 1985;
Johnston, 1997). En la Universidad del Estado de Washington, en Seattle, se forma
en torno a él y a Garrison un grupo de jóvenes geógrafos (Dacey, Berry, Bunge,
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.
etc.) que añaden la utilización sistemática en estudios urbanos de la economía

espacial, como instrumento que sirviera en el mundo de los negocios y la
administración (Johnston, 1997).
Figura 2.1. Teoría de la demanda espacial y cono de caída de la demanda.

Fuente: Berry, 1971 (p. 79); ver gráficos de (Clarke et al., 1998)
Así, tras la guerra mundial, parte de la Geografía humana anglosajona,

inducida por una nueva confianza en el poder de la ciencia concebida sobre el
modelo de la física, adopta el método hipotético-deductivo y un lenguaje
matemático altamente formalizado9. La llamada nueva geografía pasa, pues, del
estudio de lo excepcional y único a la búsqueda de regularidades y de modelos de
carácter general con capacidad explicativa y predictiva que permitan afrontar los
retos de ese nuevo marco económico y social (Gómez, 1982; Wilson, 1985; Claval,
1987). Para estos geógrafos, la ciudad o la región únicas de la tradición regional se
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.
convierten en conjuntos de nodos, masas, funciones, distancias e interrelaciones en

los que se buscan leyes generales que expliquen su ordenación y jerarquía y que
permitan, en definitiva, planear su desarrollo futuro.
Por otra parte, la atención preferente concedida a las teorías económicas

junto con las nuevas posibilidades de cálculo aportadas desde esa década por los
ordenadores (Wilson, 1985) lanzan a los geógrafos a la elaboración de modelos
sobre la influencia de la distancia sobre el reparto de las actividades, considerando
criterios básicos de cualquier organización espacial la minimización de distancias y
la maximización de la utilidad. Más tarde podría matizarse ese distinto peso de las
distancias o relaciones espaciales “de lugar a lugar, de población a población, de
contexto a contexto” (Johnston, 1997, p. 111).
2.4.2 La accesibilidad a los equipamientos colectivos desde la

perspectiva espacial
Desde esta perspectiva, por tanto, los equipamientos colectivos se han
conceptualizado habitualmente como nodos o puntos de oferta que sirven a una
población demandante que, ya sea considerada de forma individual o agregada, se
localiza de forma irregular en una superficie más o menos extensa (Dear, 197910;
Joseph y Phillips, 1984; Arentze, et al., 1994; Miller, 1996). Sobre la configuración
espacial de la demanda y de la oferta la perspectiva espacial, aplicada a la
evaluación de la situación dotacional en un área, tratará de medir la eficiencia y la
justicia espaciales en cuanto a accesibilidad de la población a los centros de
servicios deseables y el grado en que se ve afectada por los no deseables. Dejando
de lado la accesibilidad topológica, Arentze et al., (1992) o Handy y Niemeier
(1997) agrupan distintas medidas de accesibilidad y de establecimiento de áreas de
influencia en tres clases: cumulative opportunities measures, gravity-based
measures y random utility theory based measures.
Dentro de la primera (indicadores que miden la disponibilidad de

equipamientos dentro de un alcance espacial dado, cumulative opportunities
measures), pueden tomarse como datos significativos el número de equipamientos
existentes dentro de un alcance espacial dado, la capacidad de los mismos, la
población servida o no servida dentro de ese radio de influencia, la eficacia y/o la
justicia espacial dentro de cada zona de servicio, el cociente entre oferta y demanda
dentro del alcance espacial prefijado (indicador de congestión; la accesibilidad
aumentará conforme lo haga el número de plazas o los m2 de los centros existentes
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).
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.
El segundo grupo mediría la accesibilidad considerando el tamaño de la

oferta y los costes del viaje (gravity-based measures). Como se ha mencionado
más arriba, los modelos gravitatorios o de interacción espacial fueron introducidos
en la Geografía desde la escuela de la física social, sobre la analogía que parecía
existir entre la interacción de los grupos humanos y la atracción de las masas
(Geertman y Ritsema van Eck, 199511). Pueden plantearse sobre ello medidas de
accesibilidad que consideren la relación inversa entre esa atracción y la distancia
que separa oferta y demanda12. En este marco teórico, la formulación más clásica
de la accesibilidad (o del potencial de población) sería la que plantea Knox (1980)
para un ámbito intraurbano (bien sea considerando un descenso lineal de la acción
de la distancia ({1}), bien un descenso exponencial de esa acción de la distancia
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).
({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:
Ai: Accesibilidad del distrito i (o potencial en el punto i).
Sj: Tamaño de los equipamientos disponibles en el distrito j, medido, por

ejemplo, en términos de amplitud del horario de apertura (factor de
atracción).
Dij: Distancia entre los puntos o centros geométricos de los distritos i y j.
K: Efecto de la fricción de la distancia: habitualmente entre 1 y 2; cuanto

mayor sea el exponente más acusada será la acción disuasoria de la
distancia. En el estudio Knox: e-1,52D (identificado sobre un análisis de
regresión anterior).
Aunque, como decimos, formulaciones similares han sido ampliamente

utilizadas, existen varias cuestiones a tener en cuenta en su aplicación. Handy y
Niemeier (1997) refieren las siguientes:
• Necesidad de especificación del grado de desagregación de la

información a distintos niveles (espacial, grupos sociales, propósito del
viaje, tipo de equipamiento).
• Necesidad de una adecuada definición de orígenes y destinos: ¿es

siempre la mejor elección tomar el domicilio como origen de los
desplazamientos? ¿hasta qué punto pesan los viajes multipropósito y
deberíamos conocer, por tanto, las distancias entre los puntos de oferta
(Thomas, 1976; Arentze et al., 1992)?.
• Otro de los componentes de la fórmula a valorar apropiadamente es la

medida del atractivo del centro (¿es mejor utilizar magnitudes físicas
como superficie, número de tiendas o de plazas escolares? ¿o las más
subjetivas de calidad del servicio?).
• Por último, la elección acertada de la función que represente la fricción

de la distancia en ese contexto determinado (es sabido que diversos
factores influyen sobre el gradiente de caída de la utilización de un
servicio con la distancia, Joseph y Phillips, 1984).
El calibrado de las funciones se dificulta además por el hecho de que “el

comportamiento revelado no es necesariamente igual al comportamiento preferido”
(Handy y Niemeier, 1997). Geertman y Ritsema van Eck (1995) señalan además el
problema de la interpretación de unos resultados que no son una magnitud física y
que necesariamente habría que contemplar como cifras relativas (el punto o distrito
x goza de una mayor accesibilidad que el punto o distrito y o que la media de la
ciudad, el momento t menos que el t-1, etc.; también se considera así en Handy y
Niemeier (1997).
Otros estudios han matizado o ampliado esta formulación clásica. El propio

Knox (1980) afina la apreciación sobre la accesibilidad en cada punto i
incorporando medidas de movilidad de los residentes ({3}). En la misma línea, más
recientemente, el auge de las tecnologías de la información ha llevado a plantear un
índice de accesibilidad que combine las posibilidades de teletrabajo y las de trabajo
presencial (Shen, 1998).
donde:
Ai(t): Accesibilidad en tiempo del distrito.
Ci: Porcentaje de propietarios de coche en ese distrito.
T c: Tiempo empleado en recorrer en coche una unidad de distancia

(derivado empíricamente).
T p: Tiempo empleado en recorrer en transporte público una unidad de

distancia (derivado empíricamente).
Por su parte, en Joseph y Bantock ({5}, así mismo recogido en Joseph y

Phillips, 1984), se considera la relación entre tamaño de la oferta en j (GP; general
practicioners, médicos de familia) y la demanda que atender ese servicio en j (Dj:
{4}) (siendo Pj = población en j).
También en el marco de los modelos de interacción espacial, pero en este

caso desde el punto de vista de los centros de oferta, puede analizarse su capacidad
de atraer desplazamientos desde una serie de puntos de demanda. Este tipo de
análisis, muy utilizado en la evaluación y planificación de centros del sector
privado13, permite el cálculo de áreas de captación o de mercado, la estimación,
dentro de las mismas, del volumen y las características demográficas y
socioeconómicas de la población, así como de su comportamiento de compra, del
tamaño adecuado de un centro, de la eficacia y la justicia espacial en la distribución
de los centros de servicios, e indirectamente, las localizaciones óptimas de nuevas
instalaciones en términos de acceso y maximización de beneficios (Haynes y
Fotheringham, 1985). Los primeros estudios en este ámbito adoptan una
formulación determinista; veamos un ejemplo. Si la atracción que ejercen los
centros i y j se expresa como {6} y {7}, atraerán de un punto x {8} y {9}
respectivamente (Haynes y Fotheringham, 1984). Ver un ejemplo en la figura 2.
Derivado de estas mismas fórmulas resulta especialmente útil y de fácil

manejo el método de Converse (1949), que permite hallar el punto de ruptura entre
dos áreas de influencia, entendiendo como tal aquel en el que se igualarían las
fuerzas de atracción de dos núcleos unidos en línea recta (Ai = Aj) ({10}, o de
forma más general, {11}). De modo similar se podría dibujar la línea de ruptura
que separaría ambas áreas de influencia (ver Ghosh y McLafferty, 1987); o generar
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).
el mosaico de áreas de influencia de múltiples centros (Haynes y Fotheringham,

1984)
Sin embargo, las aplicaciones de estos modelos sencillos y de corte

determinista a problemas de planificación demostraron ajustes pobres a los datos
reales, sobre todo a escala intraurbana, en que las posibilidades de elección son
más numerosas y no están tan mediatizadas por la distancia como en las áreas
rurales.
Figura 2.2. Atracción que ejercerían los centros i y j sobre la demanda residente en x
Tomado de Haynes y Fotheringham (1985)
Sobre bases semejantes, pero superando las asunciones normativas en

cuanto a comportamiento de los consumidores, y admitiendo, por el contrario, que
ese comportamiento estaría determinado por una serie de atractivos de los puntos
de oferta (tamaño, por ejemplo) que contrarrestarían los inconvenientes de la
distancia, Huff (1964) plantea un modelo de áreas de captación continuas y
probabilísticas, más adecuado, en principio, para entornos urbanos (en {12} Σ PAi
= 1; Berry, 1971; Thomas, 1976; Massam, 1980; Ghosh y McLafferty, 1987;

Geertman y Ritsema van Eck, 1995; ver también Satani et al., 1998)14:
donde:
PA1: Probabilidad de que un consumidor que reside en A visite el centro 1.
S1…r: Tamaño de los r centros existentes.
TA1: Tiempo que el consumidor tarda en recorrer la distancia entre la

distancia entre su área de residencia (A) y el centro 1.
α: Parámetro que mide la fricción de la distancia.
“Aplicando este modelo a diversas áreas residenciales obtendremos, para

cada una de las áreas un cuadro de probabilidades de visitar cada uno de los
centros”, o lo que es lo mismo, hablando en términos de geomarketing, un cuadro
de la penetración de mercado de cada uno de los centros considerados (Berry,
1971). Esa matriz puede representarse mediante isolíneas (curvas de probabilidad)
con centro en cada uno de los equipamientos. (Ver, por ejemplo, el gráfico de
Berry, 1971; Bosque y Moreno, 1990).
Este modelo proporciona además una estimación de la demanda que

acudiría a cada centro y los gastos que se realizarán en él: “para un establecimiento
j y un área i, Ci el número total de consumidores que residen en el área i y Wk el
promedio de gasto semanal que el grupo de renta k realiza en compras del bien en
cuestión, el producto PijCi nos da el número total de consumidores del área i que
acuden al establecimiento j, y PijCiWk, el volumen de ventas del establecimiento
procedentes de dicho área. La suma de los resultados obtenidos en todas las áreas
dará las ventas totales” (Berry, 1971). O la posibilidad de determinar el tamaño
óptimo de un centro (ver Haynes y Fotheringham, 1984).
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.
Por último, el tercer grupo de indicadores mediría la accesibilidad

considerando la distancia y atributos variados de los centros de oferta (random
utility theory based measures). Este último grupo de medidas de accesibilidad, muy
utilizado en las investigaciones recientes sobre localización de centros de servicios
(Ghosh y McLafferty, 1987), evaluaría la utilidad relativa que el usuario obtendría
acudiendo a una instalación determinada, frente a la utilidad del resto de posibles
elecciones. El marco teórico es el llamado modelo de utilidad aleatoria, que asume
que (Golledge y Stimson, 1987; recogido en Moreno y Escolano, 1992).
• El usuario se enfrenta a un número limitado de alternativas de elección.

• La regla que rige la elección por parte del usuario es la de maximización
de la utilidad.
• La elección es probabilística.
• La utilidad de cada alternativa para cada individuo se divide en dos
componentes: uno sistemático y observable (traduce los atributos de las
alternativas) y otro, estocástico y aleatorio (debido a los atributos
relevantes pero no considerados en la categoría anterior y a las diferentes
valoraciones que de los atributos observados hacen los individuos).
• El componente aleatorio se distribuye de forma independiente e idéntica.
En este marco teórico y derivados del modelo de Huff, han aparecido otros
modelos como el multiplicativo de interacción competitiva de Nakanishi y Cooper
(1974) (se menciona una aplicación a los servicios bancarios en Moreno y
Escolano, 1992; o en Moreno, 2000) o el modelo logit multinomial de McFadden
(1986), aplicado a la modelización del uso de hospitales por Lee y Cohen (1985)
(ver Ghosh y McLafferty, 1987; Moreno y Escolano, 1992; o Birkin et al., 1996).
Este último se formularía como sigue ({13}).
donde:
Pij: Probabilidad de que el usuario i elija visitar el equipamiento j

(j=l…n).
Xhij: Cualquiera de los h=1,…m atributos de los j equipamientos tal como

aparecen al usuario.
Bhij: Parámetro que determina el efecto de cada atributo h sobre la

probabilidad de elección del equipamiento j por el usuario i.
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).
Figura 2.3. Localización dispersa (A) o concentrada (B) de los equipamientos.

Tomado de Arentze et al., 1992
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).
Existe, por tanto, un reconocimiento tácito de que las medidas agregadas

de accesibilidad enmascaran detalles importantes. Los estudios recientes parecen
tender hacia representaciones más desagregadas, más complejas, aunque ello hace
más costoso el cálculo y más difícil la interpretación de los resultados. Handy y
Niemeier (1997) hacen patente, por ejemplo, que la desagregación por propósito
del desplazamiento es más reveladora que la medida general. A la luz de diversos

estudios sobre movilidad diferencial femenina, este criterio también podría
incluirse como discriminante en el estudio de la accesibilidad (Palm y Pred, 1974;
Arranz, 1986; Sabaté, 1986; Díaz, 1995). Por otra parte, Handy y Niemeier (1997)
constatan que los resultados son muy sensibles a la forma en que se midió y que,
para corregir estos posibles sesgos, las medidas cuantitativas pueden ser
combinadas con evaluaciones cualitativas, lo que proporcionaría una comprensión
más rica de la accesibilidad de un barrio o comunidad. En definitiva, se muestra la
necesidad de profundizar en alguno de los dos enfoques ya señalados por Öberg
(1976) o Joseph y Phillips (1984): patrones de utilización real de los servicios
(base comportamental; ver figura de la p. 140 en Joseph y Phillips, 1984), o
barreras a la utilización potencial. En esta última dirección, estaría encaminada la
Geografía del Tiempo de la Escuela de Lund, de la que hablaremos en extenso en
el epígrafe siguiente. Ahora bien, cabe preguntarse en qué medida los Sistemas de
Información Geográfica pueden asumir o no estas demandas e, incluso, cómo el
notable crecimiento de su uso a partir de la década de los ochenta (Rhind et al.,
1991) ha condicionado los propios planteamientos teóricos con que los geógrafos y
otros profesionales abordan el análisis de la problemática territorial.
2.4.3 Incorporación de esta familia de medidas de

accesibilidad a los Sistemas de Información Geográfica
En la misma esencia de los Sistemas de Información Geográfica se
encuentra la posibilidad de incorporar esos índices o medidas de accesibilidad al
análisis del territorio, puesto que esencial es en ellos la posibilidad de realizar
mediciones espaciales o establecer relaciones topológicas. Muchas de las
posibilidades apuntadas en la tabla 2.1 pueden aplicarse directamente en los SIG
comerciales o mediante una serie de operaciones básicas secuenciadas. Por
ejemplo, lo que allí se decía sobre las distintas métricas o los espacios isotrópicos o
anisotópicos que es posible emplear en el análisis de la accesibilidad de la
población a los equipamientos colectivos. El cálculo de distancias euclidianas,
distancias manhattan o de superficies de coste son comunes en los SIG raster
(Bosque, 1992; Chrisman, 1996). Los sistemas vectoriales manejan habitualmente
distancias en línea recta o medidas a través de una red (Chrisman, 1996; ver figura
2.4); en ambos casos esa magnitud espacial puede ponderarse mediante algún
factor de corrección para trabajar con impedancias (medida de la resistencia al
movimiento o, dicho de otro modo, coste económico o temporal de atravesar un
arco o un nodo de la red; Chou, 1997). Incluso, como también mencionábamos,
existe la posibilidad de incorporar en una red vectorial distancias cognitivas
extraídas de una encuesta a la población, bien como atributo de cada arco de la red,
bien como representación alternativa del espacio (Bosque et al., 1992a; Bosque et
al., 1992b; Bosque et al., 1995; Escobar, 1995; Escobar, 1996).
Otro ejemplo, relacionado también con la evaluación de la accesibilidad y

niveles de dotación de servicios colectivos, es la progresiva incorporación a estos
sistemas de los llamados modelos gravitatorios y modelos de localización-
asignación (Bosque y Moreno, 1990; Church y Sorensen, 1996). Como se sabe, los
primeros buscarían la mejor localización para un nuevo establecimiento sobre
formulaciones semejantes a las revisadas en el epígrafe anterior, mientras estos
últimos resuelven simultáneamente tanto el problema de la localización óptima de
los centros de servicios (los criterios de optimización o funciones objetivo serán
distintos según el tipo de equipamiento), como la asignación de usuarios a los
mismos (con las restricciones que se consideren convenientes), proporcionando una
evaluación numérica de las soluciones alternativas (Massam, 1980; Hillsman,
1984; Ghosh y McLafferty, 1987; Ghosh y Rushton, 1987; Moreno y López de los
Mozos, 1989; Bosque y Moreno, 1990; NCGIA, 1990; Moreno, 1991b; Bosque,
1992; Church, 1999; en este libro se les dedica íntegramente el tercer capítulo).
Figura 2.4. Distancia euclidiana o en línea recta (A), distancia Manhattan (B)
y distancia a través de la red (C)
La integración de estos modelos en alguna de sus múltiples variantes en los

SIG comerciales o la posibilidad, como se muestra en esta obra, de que se
programen módulos adicionales que los incluyan, ha tenido dos efectos principales.
Ha contribuido, por una parte, a ampliar sus posibles aplicaciones en diferentes
campos temáticos (localización de centros educativos, sanitarios, comerciales, de
servicios de emergencia, de reservas de biodiversidad, etc.). Por otra, los SIG han
contribuido a “rejuvenecer” estos y otros métodos de análisis espacial, cuyo
predicamento entre la comunidad geográfica había declinado junto al de la
geografía cuantitativa (algunos autores sostienen que el análisis espacial ha sido
reinventado por los SIG; Openshaw, 1996). Es indudable que los Sistemas de
Información Geográfica facilitan la introducción de mejoras en los modelos
tradicionales, sobre todo en los aspectos de integración, manejo y visualización de
datos diversos y de representación de sistemas espaciales (Longley y Batty, 1996).
Además podrían ser utilizados como herramienta analítica que permitiera un
modelado prescriptivo, aunque éste es un aspecto en el que aún se reconocen
múltiples déficit. En numerosas ocasiones se ha insistido en que a pesar de ser un
camino ya iniciado en etapas anteriores es necesario un nuevo salto cualitativo: se
demanda la posibilidad de incorporar modelos de simulación complejos capaces de
generar y evaluar alternativas, de explorar los datos espaciales, de confirmar

hipótesis y modelos, de ligar los SIG con paquetes estadísticos y módulos de
visualización de resultados más potentes y flexibles. En definitiva, de integrar los
SIG en los Sistemas de Apoyo a las Decisiones Espaciales (SADE, o SDSS por sus
siglas inglesas15; Fotheringham y Rogerson, 1994; Birkin, 1995; Arentze, et al.,
1996; Birkin, 1996; Birkin et al., 1996; Densham, 1996; Bosque, 1999a).
No obstante, este formidable esfuerzo de desarrollo instrumental no debe

hacernos olvidar todo ese bagaje crítico elaborado durante décadas en el seno de la
disciplina geográfica. Para conjurar el peligro de que el esfuerzo por formular
modelos cada vez más complejos, más matizados, nuble esas otras consideraciones
teóricas parece preciso apostar por el desarrollo de una Ciencia de la Información
Geográfica (CIG), amplia y necesariamente interdisciplinar (con las enormes
dificultades en cuanto a articulación de un lenguaje y unos métodos comunes que
ello conlleva; Bosque, 1999a; Mark, 1999; Mennins et al., 2000). Entre las
preocupaciones que aparecen de forma recurrente en escritos dedicados a la CIG se
incluyen las del tratamiento de la dimensión temporal y de las variables
contextuales, y la cognición geográfica. Por ello, en este texto, se dedica el capítulo
8 a la posibilidad de integrar en un Sistema de Información Geográfica la
dimensión temporal, con la finalidad de evaluar la accesibilidad a un tipo de
equipamiento colectivo.
2.5 CONCLUSIÓN: ALCANCE E IMPLICACIONES DEL

CONCEPTO “ACCESIBILIDAD”
Para terminar, queremos resaltar la creciente importancia de este concepto
en un mundo en el que la creciente movilidad o capacidad de elección locacional
está conduciendo a una polarización entre las “comunidades de elección”
(communities of choice) y “las comunidades de sino” (communities of fate) (Jordan,
1996; cit. en Kearns et al., 2000, p. 1536). En esta coyuntura, es necesario recordar
la distinción clásica en los estudios sobre localización de equipamientos colectivos
entre los bienes públicos puros (libre y equitativamente distribuidos por parte del
Estado entre todos los ciudadanos; radio y televisión públicas, por ejemplo), de los
bienes públicos impuros (aquellos en que los necesarios desplazamientos para uso
de ellos introducen condiciones más ventajosas para unos ciudadanos que para
otros), o de los bienes públicos distribuidos de forma impura (dotaciones más
numerosas de policía en barrios especialmente conflictivos, por ejemplo; Johnston
et al., 1987). Cabe hablar, por tanto, de eficiencia y justicia espaciales en la
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).
provisión de equipamientos. Antes de concluir esta revisión haremos una última

reflexión sobre el significado de estos términos.
• Eficiencia espacial: cuando dada una determinada configuración espacial

de la demanda, la distribución de la oferta permite alcanzar bien un valor
mínimo (o máximo, según el tipo de equipamiento) de la suma total de
movimientos entre oferta y demanda o bien una distancia máxima entre
un punto de demanda y alguno de los centros de oferta (Moreno y López
de los Mozos, 1989; Fernández y Bosque, 1991); criterio profundamente
influido por la teoría de la localización de Weber (DeVerteuil, 2000).
• Equidad: puede manifestarse como igualdad, pero no son dos palabras
que se tengan que emplear necesariamente como sinónimos. La equidad
podría entenderse como imparcialidad o justicia, generalmente aplicada
a la distribución de ingresos y otras oportunidades. Generalmente, es
admitido como justo que diferentes niveles de necesidades sean
atendidos por una distribución desigual de los recursos. En un contexto
geográfico la equidad en la distribución entre áreas distintas se alcanza si
las diferencias o desviaciones desde la igualdad son proporcionales a las
diferencias aceptadas como necesidades” (Joseph y Phillips, 1984;
Johnston et al., 1987; Pacione, 1990; ver la completa revisión de Jensen-
Butler, 1999).
• Igualdad: incluye igualdad de oportunidades de acceso, igualdad de uso,
igualdad de gasto (recursos per capita) o de resultados (idéntico nivel
educativo medio para todos los grupos y todas las áreas; o en el nivel de
salud; Joseph y Phillips, 1984). Si dos grupos sociales o dos áreas parten
de situaciones o necesidades desiguales no será posible obtener la
igualdad de resultados más que a través de la discriminación positiva en
los niveles de gasto; para conseguir una verdadera justicia territorial no
basta la igualdad en la inversión de recursos, sino que es necesario
tender hacia la igualdad de resultados (Bradford y Kent, 1993; Olivera,
1993), teniendo en cuenta las dificultades intrínsecas a la definición,
evaluación y tratamiento de las necesidades sociales.
Como puede comprobarse, también respecto a esto existe pluralidad de

enfoques. Así, al término justicia espacial o territorial podría dársele un contenido
más restringido (minimización de diferencias en cuanto a distancia recorrida), o un
contenido más amplio (igualdad en cuanto a necesidades satisfechas), en paralelo a
la conceptualización que se haga de la accesibilidad. Sin querer caer en el
fetichismo espacial, tantas veces denostado en la geografía cuantitativa, apuntamos
algunas de las características de la accesibilidad que la hacen un concepto muy
interesante de cara al análisis y la planificación del bienestar social:
• Es, como se ha podido comprobar a lo largo del capítulo, un concepto

flexible, que admite desde medidas muy simples a formulaciones mucho
más elaboradas; tiene tanto un valor diagnóstico como el de poder ser
fuente de soluciones integradoras al problema de la desventaja social
(Helling, 1998).
• Tiene además la posibilidad de relacionar fenómenos de esferas
diferentes (usos del suelo, sistema de transporte, igualdad de
oportunidades de acceso al trabajo y a los servicios; Helling, 1998).
• Puede combinar criterios de eficacia y equidad territoriales y
ambientales, y tiene por ello implicaciones en la esfera de la
sustentabilidad y en las formas y relaciones espaciales emergentes, en la
configuración de nuestras ciudades y paisajes (Hodge, 1997).
Hasta qué punto pueda utilizarse esta idea-fuerza en la planificación del

bienestar social sigue siendo un debate aún abierto. Lo que sí parece claro es que la
cuestión de la justicia territorial, que fue una preocupación importante entre los
geógrafos a partir de la década de los setenta (Kirby y Pinch, 1983; Joseph y
Phillips, 1984), vuelve a serlo de nuevo en la década de los noventa, tras años de
relativo olvido (Smith, 1994; Gleeson, 1996; Jensen-Butler, 1999; Burton, 2000;
Boyne et al., 2001; McCain, 2001). De la misma manera, los estudios de
localización de instalaciones han sido progresivamente reconocidos e incorporados
en las estrategias del sector privado, apoyados en unas herramientas más
sofisticadas de análisis y en una mayor disponibilidad de datos (Clarke, 1997).
Mencionábamos también en un apartado anterior, el nuevo peso de las políticas de
base espacial parecen estar cobrando a distintas escalas (Committee on Spatial
Development, 1999; Kearns et al., 2000; Gleeson y Carmichael, 2001).
En una interesante reflexión, (Goodchild et al., 2000) plantean, incluso, la

posibilidad de que el espacio constituya el eje de una nueva ciencia espacial
integrada. Dado el creciente peso que el análisis de las cuestiones de localización
ha ido cobrando en distintas áreas de la investigación social y de la necesidad de
abordar los problemas sociales y ambientales desde una perspectiva
interdisciplinar, no es disparatado pensar en el análisis espacial (o espacio-
temporal) como una fuerza integradora de aproximaciones hasta ahora aisladas.
Agradecimientos
Al Department of Geospatial Sciences, RMIT University (Melbourne,

Australia) y al Departamento de Geografía de la Universidad de Alcalá (Madrid,
España).
Anexo 2.1
CLASIFICACIÓN DE DISTINTOS USOS Y

COMPONENTES DEL TÉRMINO
“ACCESIBILIDAD”.
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).
b) Interacción transporte-usos del suelo (Helling, 1998; Gutiérrez y Gómez,

1999):
i) Transporte y forma urbana (urban sprawl).
ii) Sostenibilidad y transporte (polución, congestión).
c) Interacción transporte, usos del suelo y grupos sociales (Helling, 1998).
i) Equidad y transporte (accesibilidad de distintos grupos sociales).
ii) Equidad y reorganización de los usos del suelo (spatial mismatch).
2) Según el tipo de espacio o métrica empleados:
a) Tipo de distancia:
i) Distancia euclidiana.
ii) Distancia manhattan o raster.
iii) Distancia a través de una red.
b) Grado de abstracción del espacio:
i) Espacio isotrópico.
ii) Espacio anisotrópico.
c) Unidades del medida:
i) Unidades espaciales: metros, millas, etc.
ii) Unidades de tiempo.
iii) Costes económicos.
iv) Distancias cognitivas.
d) Tipo de representación geométrica de los componentes del problema:
combinaciones posibles entre puntos, líneas y polígonos (Miller, 1996):
e) Espacio topológico (teoría de grafos: Ingram, 1971; Mackiewicz y
Ratajczak, 1996; Jiang et al., 1999; Joly, 1999; Makrí y Folkelsson, 1999).
i) Forma, conectividad o eficacia de la red en su conjunto (integral
access).
ii) Accesibilidad topológica o centralidad de nodos concretos de la red
(relative access).
3) Según las características del servicio a evaluar:
a) Deseable, semideseable o no deseable (Hodgart, 1978; Rahman y Smith,
2000).
b) Localización fija, servicio móvil, o servicio de reparto o atención

domiciliaria (Higgs y White, 1997).
c) Existencia o no de jerarquía en la organización del servicio (el servicio
médico es un ejemplo claro de prestación jerárquica de servicios; para
evaluar el sistema sanitario completo habría que tener en cuenta esa
jerarquía: Rahman y Smith, 2000).
d) Factores de atracción (o rechazo) considerados para ponderar las distintas
instalaciones:
i) Ninguno: no se contemplan diferencias entre las instalaciones del área.
ii) Factor único. Por ejemplo, el tamaño de un centro comercial es
habitualmente utilizado para ponderar el distinto peso de los centros de
este tipo presentes en el área.
iii) Múltiples factores: modelo logit multinomial, análisis multicriterio
(Joerin et al., 2001).
e) Otras características:
i) Servicio de emergencia (bomberos) o no (biblioteca).
ii) Servicio de primera necesidad (panadería) o no (comercio
especializado).
iii) Servicio con límite de capacidad (escuela) o no (oficina postal).
iv) Servicio planificado y gestionado por una entidad pública o privada.
v) Nivel dotacional previo (establecerá lo que se considera una mejora
aceptable o no): áreas rurales frente a áreas urbanas, áreas
subdesarrolladas frente a áreas desarrolladas.
4) Según las características de la demanda:
a) Nivel de agregación espacial: datos individuales (Pirie, 1979; Kwan y
Hong, 1998) o datos agregados, bien sea tomando límites administrativos o
bien una malla geométrica regular (Geertman y Ritsema van Eck, 1995;
Handy y Niemeier, 1997).
b) Nivel de agregación temática, bien considerando a la población
demandante como un todo uniforme o bien segmentándola según criterios
que ayuden a establecer necesidades específicas y preferencias de
diferentes grupos (Boyne et al., 2001):
i) Objetivos: edad, sexo, disponibilidad o no de vehículo propio, etc.
ii) Subjetivos: estilos de vida, gustos, percepciones, etc.
c) Consideración o no de la posible competencia entre demandantes para

acceder a un servicio (o un puesto laboral: Wee et al., 2001).
5) Según las características del modelo de accesibilidad empleado:
a) Tipo de aproximación:
i) Inductiva (demanda revelada: Thomas, 1976; Moreno, 1991b;
Fernández-Mayoralas y Rodríguez, 1992; Joerin et al., 2001).
ii) Deductiva (demanda potencial, más utilizada en tareas de
planificación: Thomas, 1976; Wilson, 1980; Bailey y Munford, 1991;
Grothe y Heuvelmans, 1991; de Jong, Ritsema van Eck y Toppen,
1991; Moreno, 1992; Helling, 1998).
b) Áreas de influencia y carácter del modelo (de Jong y Ritsema van Eck,
1996; Handy y Niemeier, 1997; Makrí y Folkelsson, 1999; Ritsema van
Eck y de Jong, 1999; sobre ello volveremos más tarde):
i) Áreas de influencia preestablecidas mediante umbrales de distancia
fijos (modelos de corte determinista): corredores de radio determinado,
zonificación por polígonos Thiessen o primeros modelos gravitatorios
(Pearce, 2000). También denominadas cumulative opportunities
measures (Handy y Niemeier, 1997; por ejemplo, número de colegios
dentro de un radio de un kilómetro).
ii) Establecidas según distintas funciones de caída de la demanda con la
distancia sobre un espacio continuo (modelos estocásticos basados en
alguna variante de los modelos más recientes de interacción espacial):
dan lugar a superficies de accesibilidad suavizadas (muy utilizadas:
Haynes y Fotheringham, 1984; Helling, 1998; Levinson, 1998; Joly,
1999; Joerin et al., 2001; una solución intermedia entre los escalones
abruptos de la primera posibilidad y la función decreciente continua de
la segunda, es la que llevan a cabo de Jong y Ritsema van Eck (1996),
discretizando ese espacio continuo mediante una malla de exágonos
regulares y calculando la accesibilidad solo entre los centroides de los
exágonos. En la terminología de Handy y Niemeier (1997)
equivaldrían a gravity-based measures y, si se tienen en cuenta varios
factores de atracción, random utility theory based measures.
c) Evaluación según el tipo y número de criterios (uno o varios criterios; de
eficacia, equidad o de ambos tipos: Yeh y Chow, 1996; Jensen-Butler,
1999; Rahman y Smith, 2000):
i) Objetivos habituales cuando se trata de mejorar la eficacia espacial en
la localización de un centro de servicios: minimizar las distancias
medias o totales recorridas por la población demandante (por ejemplo,
como se verá en uno de los capítulos siguientes: familia de modelos de

localización-asignación p-mediano).
ii) Objetivos habituales cuando se trata de mejorar la equidad espacial en
la localización de un centro de servicios: minimizar las distancias
máximas recorridas por la población demandante, minimizar la
desviación típica de las distancias recorridas, maximizar la población
que se encuentra a menos de un umbral de distancia de un centro de
servicios (ver por ejemplo: Burton, 2000; López de los Mozos y Mesa,
2001).
d) Fase del estudio en que son empleados (Ritsema van Eck y de Jong, 1999;
Rahman y Smith, 2000):
i) Con fines de descripción/comparación/evaluación.
ii) Con fines de optimización/prescripción/planificación.
e) Medios previstos de mejorar la interacción espacial entre oferta y demanda
(sin tener en cuenta mejoras en el transporte):
i) Localización de nuevos establecimientos (Grothe y Heuvelmans, 1991;
de Jong, Ritsema van Eck y Toppen, 1991).
ii) Reasignación de las áreas de influencia manteniendo los centros
existentes (Massam, 1972; Öberg, 1976; Jong, Ritsema van Eck y
Toppen, 1991; Hyman y Mayhew, 2001).
iii) Aplicación simultánea de ambas posibilidades (modelos de
localización-asignación: Thomas, 1987; Moreno y López de los
Mozos, 1989; Bosque y Moreno, 1990; Lakerveld, 1992; Bosque y
Franco, 1995; Bosque, et al., 2000)
f) Inclusión de la competencia entre los nuevos establecimientos planificados
o entre los nuevos y los ya existentes (de Jong y Ritsema van Eck, 1996;
Ritsema van Eck y de Jong, 1999):
i) Situación de total competencia entre los establecimientos.
ii) Situación de competencia parcial (varios establecimientos pertenecen a
una misma empresa o cadena comercial; compiten solo con los de otras
empresas)
iii) Situación de competencia nula (todas las nuevas sucursales o centros
pertenecen a la misma empresa o entidad).
g) Tipo de viajes que se consideran:
i) Viajes mono o multipropósito (Arentze et al., 1992; de Jong y Ritsema
van Eck, 1996).
ii) Determinación de orígenes y destinos: la mayoría de los estudios

utilizan indicadores que toman como origen el domicilio de la
demanda, aunque quizá no es la opción más adecuada en todos los
casos (Handy y Niemeier, 1997).
3Capítulo 3
MODELOS DE LOCALIZACIÓN ÓPTIMA DE

INSTALACIONES Y EQUIPAMIENTOS
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.
Conviene advertir que, a la hora de seleccionar los contenidos, se han

excluido ciertos métodos atingentes, por ejemplo, a la optimización de esquemas
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/
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.
Esta distinción es deudora sobre todo de la producción científica dominante

sobre el tema e implícitamente supone que las instalaciones pueden clasificarse de
forma esquemática en dos categorías: las que generan bienestar y las que ocasionan
malestar. Tal simplificación debe entenderse como un artificio didáctico, acorde
con un estadio en el progreso hacia modelos más complejos –actualmente en
desarrollo– que contemplen simultáneamente tanto los efectos beneficiosos, como
los perjudiciales que suelen ocasionarse por cualquier actividad humana sobre el
entorno circundante. Para los modelos expuestos se describirá su lógica y
enunciado, algunas de sus propiedades y, en ciertos casos, su formulación y
referencias de su aplicación. Dada la estrecha inspiración que estos modelos tienen
en los principios de eficiencia y equidad espacial o ambiental (vid. Moreno, 2007 y
2010) estos se referirán cuando proceda. En la parte final se comentarán algunos de
los procedimientos más habituales para la resolución de los modelos.
3.2 MODELOS DE LOCALIZACIÓN ÓPTIMA PARA

INSTALACIONES DESEABLES
El principio latente bajo un buen número de modelos, ya ciertamente
populares, radica en que suponen que las instalaciones a localizar, generan efectos
positivos, es decir, que se contemplan como beneficiosas para la población, dado
que satisfacen necesidades de ésta; por tal motivo, y consecuentemente, se postula
que la población tenga una buena accesibilidad espacial a dichas instalaciones, es
decir, que se encuentren razonablemente próximas. Entre ellas se han considerado,
por ejemplo, los equipamientos educativos, sanitarios, culturales, comerciales,
sociales, deportivos, etc.
Un rasgo común en este conjunto de modelos radica en que abordan y

resuelven un doble problema: por un lado determinar la localización óptima de los
equipamientos y por otro asignar la demanda (usuarios o consumidores) a servir a
los puntos de oferta, de lo que se deriva la definición de las áreas de servicio o de
mercado. Por esta razón, una denominación frecuente de los mismos, muy
© RA-MA CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE INSTALACIONES... 75
extendida, es la de modelos de localización-asignación18. Para su exposición los

hemos agrupado según el objetivo perseguido y comentaremos sucintamente su
enunciado general y formulación de la función objetivo19.
3.2.1 El objetivo de eficiencia

Se parte de un concepto de eficiencia en términos espaciales, en el sentido
de que la solución al problema tenga una relación insumos-resultados óptima. La
tradición investigadora identificó ya desde hace tiempo un problema de
optimización centrado en la reducción al mínimo de los costes de desplazamiento.
Si una actividad ocasiona en su funcionamiento espacial un coste de transporte,
bien para los usuarios, bien para el proveedor, derivado del desplazamiento entre el
lugar del consumidor y el punto de servicio (el colegio, el centro de salud, el
almacén de distribución, etc.), es lógico que se persiga minimizar en lo posible
dicho coste.
Prescindiendo de otras consideraciones, conviene recordar que esta

preocupación desembocó en un tipo de problema, planteado dentro de la lógica de
la localización industrial por A. Weber en 1909, aunque con antecedentes previos
en el siglo XVII e incluso en la antigüedad (vid. Wesolowsky, 1993), que ha
generado mucho interés y, por tanto, un amplio número de publicaciones.
3.2.1.1 EL PRINCIPIO COMÚN DE LOS MODELOS MINISUM/

P-MEDIANO
Un primer objetivo, acorde con la anterior exposición, que ha devenido una
cita clásica, se podría expresar así: dado un número de centros de servicio a
instalar, averiguar, de entre los emplazamientos posibles, el conjunto que
minimizaría el desplazamiento total de los usuarios, asignándolos al centro más
próximo. En su expresión, por tanto, el acento recae en la minimización de los
costes totales por el desplazamiento de la demanda a los centros de servicio. Se
trata de una formulación que permite manejar dos facetas: el número de centros y
el desplazamiento total. Un aumento de la cifra de centros de servicios permitiría
una presencia en más lugares, por lo que el desplazamiento total disminuiría, y
viceversa. La limitación presupuestaria implica así un trade-off o relación de
intercambio entre financiar la instalación de más centros (y por ende difundir
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).
espacialmente más el servicio) o asumir costes en el transporte más elevados;

ambos podrían asignarse respectivamente a los capítulos de costes fijos y variables
u operativos.
Antes de introducir formalmente el modelo estableceremos la siguiente

notación: i = 1, ..., m, índice de los puntos de demanda, j = 1, ..., n, índice de los
sitios aptos para acoger equipamientos (sitios candidatos), di = demanda en el lugar
i, tij = coste de transporte del punto de demanda sito en i al centro sito en j, k =
número de equipamientos a instalar, xij = proporción de la demanda de i asignada al
centro j. En este problema se asume que solo toma dos valores 1 y 0, en función de
que j sea o no el centro más próximo a i, lo que significa que se asignará toda la
demanda de forma determinista (en otros casos no tiene que ser necesariamente así
y puede tomar cualquier valor entre esos límites).
La formalización de este problema ha sido realizada como un modelo de

programación matemática de la siguiente manera:
m n
Minimizar Z = ∑ ∑d tβ xi ij ij {3.1}
i =1 j =1
La interpretación de la anterior expresión es que se trata de minimizar el

valor Z resultante de sumar, tanto para cada lugar de demanda, i, como para todos
los lugares candidatos, j, el producto de la demanda en cada uno de tales lugares,
di, por el coste de transporte, tij, desde cada lugar al centro j más próximo. A
menudo el coste de transporte se ha tomado sencillamente como la distancia entre i
y j y el exponente β que lo modifica se asume 1 por defecto, aunque eventualmente
podría variarse para significar un cambio no lineal de los costes de transporte con
la distancia. En cualquier caso, estas dos primeras variables deben ser conocidas, la
tercera, xij, no lo es y se tendrá que dilucidar en el transcurso de la resolución del
problema. Es lo que se llama una variable de decisión. Esta última puede
interpretarse como una matriz o cuadro (con m filas y n columnas) en la cual y
mediante unos y ceros se establecería a qué centro se asigna cada punto de
demanda. Dado que cada punto de demanda se asignará a un único centro, en cada
fila solo habrá un uno, siendo cero el resto de los valores de la misma. En la tabla
3.1 se muestra de forma gráfica, y con la notación aquí empleada, un ejemplo
simple y su solución.
La fórmula anterior constituye lo que se llama la función objetivo, pero su

resolución necesita una serie de condiciones que han de formularse para completar
el enunciado y poder resolverlo. Serían las siguientes:
Tabla 3.1. Ilustración simple del problema p-mediano
Expresión formal del problema:
Demanda Costes de transporte Variable de Variable de asignación

Sitios candidatos localización Sitios candidatos
⎡ ⎤ ⎡ A B C⎤ ⎡ A B C ⎤
⎢ d1 ⎥ ⎢1 t . t1C ⎥⎥
⎢ ⎥ Origen ⎢ 1A [ yA yB yC ] Origen ⎢⎢1 x1A . x1C ⎥⎥
d
⎢ 2⎥ ⎢2 . t ij . ⎥ ⎢2 . xij . ⎥
⎢d 3 ⎥ ⎢ ⎥ ⎢ ⎥
⎢ 3 . . . ⎥ ⎢3 . . . ⎥
⎢ ⎥
⎣d 4 ⎦ ⎢⎣4 t 4 A . t 4C ⎥⎦ ⎢⎣4 x 4 A . x 4C ⎥⎦
Función objetivo:
Min F = d1 t1A x1A + ..... + d1 t1C x1C +

d2 t2A x2A + ..... + d2 t2C x2C +
d3 t3A x3A + ..... + d3 t3C x3C +
d4 t4A x4A + ..... + d4 t4C x4C
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 ⎥⎦
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.
yj ∈ {0,1}, ∀ j= 1,...,n {3.4}
Esta restricción expresa que la variable yj es binaria, por ejemplo solo

puede tomar valores enteros, cero o uno, representando así las incógnitas que se
han de resolver: en aquellos lugares candidatos j que obtengan un uno se localizará
el centro de servicio, en los que obtengan un cero no lo habrá. Se trata por tanto de
otra variable de decisión.
0 ≤ xij ≤ yj, ∀ i=1,…,m; j=1,…,n {3.5}
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.
Conviene insistir, para finalizar, en una cuestión terminológica. De las

variables incluidas en la formulación algunas son datos conocidos y que el
estudioso ha de proveer (por ejemplo, di y tij), otras (xij e yj) son incógnitas y se las
denomina variables de decisión.
El modelo anterior se ha formulado tanto para espacios continuos (llamado

entonces “minisum”), como para espacios discretos; por ejemplo en una red de
transporte formada por nodos y arcos o segmentos (denominado entonces “p-
mediano”). La variación estriba en cómo se miden los costes de transporte y en la
definición de los sitios candidatos, cuestiones tratadas más ampliamente en otros
capítulos de este libro. Conviene recordar que en el primer tipo de espacio los sitios
candidatos pueden ubicarse en cualquier lugar y que el coste de transporte suele
expresarse como distancias en línea recta (eventualmente rectangulares o de
Manhattan), lo cual supone simplificaciones fuertes y, a menudo, excesivas. Bajo
estos supuestos la función objetivo puede ser escrita así:
∑ d [( p ]
m n
− X i ) + (q j − Yi )
2 1/ 2
Minimizar Z = ∑
2
i j xij {3.6}
i =1 j =1
siendo pj = coordenada x de la instalación j y qj = coordenada y de la instalación j.

Observe que el cambio introducido reside en la sustitución de la variable de costes
de transporte por una expresión (entre corchetes) que calcula la distancia entre los
puntos de demanda y las instalaciones de acuerdo al teorema de Pitágoras. Bajo
estos supuestos, y cuando se trata de un único punto o instalación, la localización
del mismo estaría determinada idealmente según muestra la figura 3.1.
En el segundo tipo de espacio nos situamos en uno de carácter discreto,

localizándose los emplazamientos candidatos (y la demanda) en ciertos puntos o
nodos de la red y evaluándose el coste de transporte con alguna función asociada a
los caminos mínimos (en tiempo, en distancia, en percepción subjetiva, etc.) a
través de las vías existentes en la red de transporte. Desde su primera formulación
como programa lineal en los setenta del siglo pasado, el modelo p-mediano ha sido
re-expresado por diversos autores, en aras de facilitar su solución de forma más
eficiente (vid. Church, 2008). Una ilustración del modelo p-mediano se muestra en
las figuras 3.2 y 3.3.
En cualquier caso, el principio que inspira la búsqueda de la solución

óptima es el de la eficiencia y puede verse en la figura 3.4 cómo haciendo variar el
número de equipamientos se modifica el coste total de desplazamiento. En
realidad, se ha dicho que el modelo plantea un trade-off entre costes de las
instalaciones (que con frecuencia se asumen por el proveedor, vía presupuestos) y
de los desplazamientos (asumidos más bien por los usuarios). Ejemplos de
aplicación de este modelo pueden verse en Moreno (1988), Moreno y López de los
Mozos (1989), Fernández Gutiérrez y Bosque Sendra (1991) y en varios capítulos
de la tercera parte de esta obra.
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
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
3.2.1.2 LA MAXIMIZACIÓN DE LA ACCESIBILIDAD

Frente al modelo anterior, en el que la inaccesibilidad espacial se traduce
como costes de transporte o distancia, otros conceptos de accesibilidad se han
adoptado como criterios para evaluar la bondad de posibles esquemas de
localización de dotaciones, dando lugar a formulaciones diferentes, aunque con
cierto parentesco con la anterior, por cuanto buscan la solución que maximiza la
accesibilidad espacial de la población.
Un ejemplo de ellas lo conforma la familia de modelos propuesta por Bach

(1980) de la cual expondremos uno. El modelo LA4 del autor busca la solución que
maximiza el potencial de los centros de servicio sobre el punto de demanda más
próximo, o lo que es lo mismo, la oportunidad de acceso. Se parte de una noción de
accesibilidad como índice de potencial según la fórmula:
πi = Qj / (a + tßij) {3.7}
Siendo πi = el potencial calculado sobre el punto de demanda i,

Qj = indicador del atractivo de la instalación a situar en el lugar j (por ejemplo, el
tamaño), a = constante (habitualmente 1, para evitar la división por cero),
tij = distancia entre el punto de demanda i y la instalación a situar en j, y
β = exponente que modula la fricción de la distancia. En esta fórmula se introduce
la idea de que el potencial de atracción que ejerce una instalación sobre el punto de
demanda depende directamente del atractivo de la misma (que debe ser constante
para todas las instalaciones y conocido de antemano) e inversamente de la distancia
que les separa. La función objetivo se escribiría entonces:
m n
Maximizar F = ∑ ∑π i X ij {3.8}
i =1 j =1
Una particularidad de este modelo estriba en que podrían existir varias

soluciones óptimas equivalentes en F.
Esta línea de modelos preocupados por la optimización de funciones que

incorporan la lógica de la interacción espacial ha sido objeto de desarrollos teóricos
más amplios, véase Leonardi (1978, 1981 a y b). En otra dirección se inscriben los
modelos propuestos por Bloxham y Church (1991) quienes introducen una novedad
interesante: incorporar la dimensión temporal, considerando las horas de apertura
de los centros de servicio. En uno de los modelos de estos dos autores el objetivo
radica en localizar un conjunto de instalaciones y establecer sus horarios de
apertura a través de una función que minimiza la distancia ponderada recorrida por
todos los usuarios al centro de servicio más próximo que esté abierto.
3.2.1.3 EN BUSCA DEL ESQUEMA DE LOCALIZACIÓN QUE

MAXIMIZA LOS BENEFICIOS
Otro problema, de amplia difusión en la bibliografía y muy emparentado
con el minisum/p-mediano, es el de la localización de instalaciones con capacidad
ilimitada, conocido por las siglas inglesas UFLP (uncapacitated facility location
problem) o SPLP (simple plant location problem). Se trata de un problema
orientado hacia la maximización del beneficio como resultado de la diferencia
entre los ingresos y los costes de un productor-vendedor. En este sentido contempla
no solamente los costes fijos de las instalaciones, sino también los costes variables
(de transporte y de producción), por todo lo cual resulta más completo que el
modelo minisum/p-mediano (vid. Hansen et al., 1987, pp. 23-25; y Ghosh y
Harche, 1993, pp. 86-87). El modelo puede ser reformulado de forma que permita
determinar el número, tamaño y localización de instalaciones, minimizando
exclusivamente los costes (fijos de las instalaciones y variables del transporte y de
la producción), con la exigencia de satisfacer toda la demanda. La fórmula sería:
m n m
Minimizar Z = ∑ ∑ d i (v j + t ij )xij + ∑ f j y j {3.9}
i =1 j =1 j =1
siendo di = demanda del lugar i, vj = coste de producir para un consumidor en la

instalación j, tij = coste de transporte de servir a la demanda sita en i desde la
instalación sita en j, xij = proporción de la demanda de i servida en j, fj = coste fijo
de la instalación en el lugar j, yj = variable de decisión que toma el valor 1 si se
implanta un centro de producción en el lugar j y 0 en caso contrario. Conviene
observar que, al quedar involucrados costes operativos y fijos en la anterior
expresión, la ausencia de referencia temporal es una limitación patente, lo que

obliga al analista a establecer un período de tiempo apropiado para la
cuantificación de los costes variables.
Peeters et al. (1998) adoptaron este modelo en un sugerente análisis sobre

cómo la forma de las redes de transporte (radial, radio-concéntrica y en malla
cuadrada) propicia esquemas de localización de actividades distintos, lo que
desemboca en patrones más concentrados o dispersos de las mismas, y por tanto
afecta a los (des)equilibrios territoriales.
3.2.2 El objetivo de equidad espacial
Una segunda idea que ha inspirado otro conjunto de interesantes modelos

es la de conseguir que la accesibilidad espacial de la demanda a los puntos de
servicio no sea muy desigual. La inaccesibilidad provoca una penalización bien
clara para aquellos que la sufren, por lo que el principio de reducirla al mínimo se
ha aducido reiteradamente como prioritario para muchos tipos de equipamientos. A
la hora de concretar dicho principio, sin embargo, surge el problema de la
multiplicidad de enfoques y formas de medir la accesibilidad espacial, alguno de
los cuales ya hemos visto antes. La adopción de unos u otros indicadores ha
generado distintos modelos que, en general, buscan conseguir que la accesibilidad
entre los diferentes lugares sea lo menos dispar posible. Es decir, se pretende
identificar la situación que origina la menor desigualdad entre los asentamientos.
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
nombre de problema k-centros. La formulación sería (vid. Hansen et al, 1987,

pp. 12-14; Derycke y Gilbert, 1988, pp. 123-124):
Minimizar F = Max d i t ij xij {3.10}

i =1,..m
En esencia, la función objetivo busca identificar y reducir al mínimo la

máxima distancia/coste de desplazamiento ponderada (multiplicada) por la
demanda del lugar más perjudicado, considerando los m puntos de demanda
existentes. En la solución influyen tanto la población de cada lugar como las
distancias, pero nótese que el valor que toma la función a minimizar F depende
solamente del peor caso, es decir, del asentamiento cuyo producto di · tij sea mayor.
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:
Minimizar F = Max t ij xij {3.11}

i =1,..m
Muy atentas a la consideración de la justicia espacial, las soluciones

óptimas arrojadas por estos modelos pueden presentar ciertas inconveniencias ya
que los casos anómalos, por remotos, ocasionan que la localización de los
equipamientos se vea fuertemente condicionada y en consecuencia se alejen del
grueso de la demanda. Dicho de forma más contundente, este criterio privilegia
sobre manera a la población más perjudicada, con notoria desconsideración hacia el
resto. Por ello, el examen crítico de los resultados resulta obligado.
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?
Nota: círculos tramados: lugares de demanda (orígenes). Puntos negros:

sitios candidatos.
Resolución:
Par de sitios Áreas de servicio Mayor distancia mínima

A,C A= {1,2} C= {3,4} t3c
B, C B= {2,3} C= {1,4} t1c
A, B A= {1,2,4} B= {3} t1A
Solución: Visualmente se aprecia que la mínima de las distancias mayores

se consigue con el par A y B.
Otras formulaciones guiadas por el objetivo de maximizar la igualdad en

las oportunidades de acceso de la población a los centros de servicio han sido
desarrolladas por Bach (1980, pp. 310 y ss.). Recurriendo a la noción de
accesibilidad como potencial de las instalaciones sobre los puntos de demanda, el
modelo primero calcula ese indicador de accesibilidad para cada punto de demanda
y luego la desviación típica de dichos indicadores. Las funciones objetivo (modelos
denominados LA5 y LA6 por el autor) busca precisamente minimizar esa
desviación típica de las accesibilidades, es decir, trata de que las desigualdades en
el índice de accesibilidad sean mínimas entre todos los lugares, teniendo en cuenta
la población residente en cada uno de ellos. La diferencia entre ambos modelos
radica en que en el LA5 se asume que la demanda se asigna a un único centro de
servicio, mientras que en el LA6 no sucede así.
3.2.3 El objetivo de cobertura espacial

En no pocas situaciones las decisiones de localización de instalaciones no
se guían tanto por el deseo de optimizar, cuanto por disponer de una solución
satisfactoria. El concepto de cobertura se puede adscribir a esa perspectiva. Resulta
bastante común hallar en normativas de planificación o políticas de servicios
públicos una exigencia de que la demanda o población quede dentro de un radio de
distancia o tiempo de desplazamiento del punto de servicio más próximo. Tal
distancia se interpreta como razonablemente satisfactoria y por tanto la población
cubierta dentro de ese radio gozaría de un nivel de accesibilidad aceptable. Para
servicios de tipo urgente (bomberos, policía, salud, etc.) o que atienden a
poblaciones con particulares dificultades de desplazamiento (niños, ancianos,
enfermos) este objetivo de cobertura resulta especialmente relevante. Bajo este
prisma general se ha desarrollado un amplio número de variantes que avistan a
objetivos y problemas de optimización distintos, dando lugar a abundantes modelos
que gozan de notoriedad e interés, como se pondrá de manifiesto en las

aplicaciones contenidas en varios capítulos de la parte tercera de esta obra. Aquí
expondremos los principales, remitiendo al lector a otros textos para revisiones más
amplias (vid. Schilling, Jayaraman y Barkhi, 1993).
3.2.3.1 EL PROBLEMA DE COBERTURA DEL CONJUNTO
El denominado en la bibliografía como “modelo de cobertura del conjunto”

(set covering problem) es el seminal dentro de esta categoría. El problema fue
planteado por primera vez por Hakimi a mediados de los sesenta y fue formulado
como programa lineal por Toregas et al. (1971). Su enunciado es como sigue: dado
un número de sitios candidatos a acoger puntos de servicio, averiguar el conjunto
de ellos que minimiza la cifra de centros de servicio, garantizando que toda la
demanda está dentro de un radio de distancia o coste de desplazamiento
predefinido, S, asignando siempre la demanda al centro más próximo. El objetivo
avista a la minimización de costes (representado por el número de puntos de
servicio o instalaciones), pero queda limitado por la restricción de un alcance
espacial prefijado por el decisor. El programa lineal se formula así:
n
Minimizar Z = ∑f
j =1
j yj {3.12}
siendo fj el coste de la instalación en el sitio j. Si se asume que el coste de cada

instalación es idéntico en cada lugar, entonces esta variable podría eliminarse. Son
dos las restricciones que completan la formulación:
n
∑ yj ≥ 1 ∀ i= 1,...,m {3.13}
j∈Ni
Esta restricción expresa algo fundamental en el problema que conviene

aclarar. Cada lugar de demanda i puede ser cubierto por uno o más sitios
candidatos j, es decir, puede estar dentro de la distancia límite impuesta S. A estos
efectos se define para cada lugar con demanda i, un conjunto de sitios candidatos
que lo cubren, Ni, de esta manera:
Ni = {j| tij ≤ S} {3.14}
Es decir, el conjunto de cobertura para el asentamiento i está formado por

todos los sitios candidatos j, cuya distancia a i (tij) es menor o igual que S (figura
3.6).
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.
yj ∈ {0,1} j= 1,...,n {3.15}
Como anteriormente, esta restricción expresa que la variable yj solo puede

tomar valores enteros, cero o uno. Dilucidar cuáles tendrán uno u otro valor
implica responder al problema: en aquellos sitios candidatos j que tomen valor uno
habrá punto de servicio.
Es evidente que modificando ese alcance espacial se puede generar un

abanico de soluciones con más o menos puntos de servicio y con esquemas de
localización diferentes. Obviamente a medida que se reduzca el alcance espacial, se
necesitarán más centros de servicio y viceversa. En la fase de análisis es posible
ensayar con diversos supuestos para explorar resultados distintos. Una
particularidad de este modelo, puesta de relieve por varios autores, radica en que
puede haber varias soluciones óptimas, lo que permitiría contemplar objetivos
adicionales, por ejemplo, maximizar la multicobertura, p. ej., la población cubierta
por más de un centro de servicio (vid. ReVelle, 1987, pp. 1066 y ss.).
El modelo descrito asume que las instalaciones o centros de servicio

pueden atender sin problemas a toda la demanda que se les asigne, es decir, carecen
de limitaciones por razón de capacidad máxima. Current y Storbeck (1988) han

desarrollado una variante del mismo que permite introducir una limitación en
cuanto al tamaño de las instalaciones. Por su parte Matisziw y Murray (2009) han
tratado el problema de cobertura total con una sola instalación en un espacio
continuo y con demanda homogéneamente repartida. Murray et al. (2008) abundan
en esa línea buscando localizar las mínimas instalaciones posibles para cubrir una
región al completo.
3.2.3.2 EL PROBLEMA DE COBERTURA MÁXIMA

Su enunciado es como sigue: dado un número de centros de servicio a
instalar, averiguar, de entre los emplazamientos posibles, el conjunto que garantiza
que el máximo número de usuarios está dentro de un radio de distancia o coste de
desplazamiento predefinido, asignando siempre la demanda al centro más próximo
(Church y ReVelle, 1974). Se parte de las dos asunciones siguientes: primero, que
existe un umbral de distancia máxima (accesibilidad) a partir del cual se entiende
que la prestación del servicio se degrada sobremanera y que, por tanto, es
prioritario que la mayor parte de la demanda quede dentro de tal límite; y segundo,
que las restricciones presupuestarias solo posibilitan el establecimiento de un cierto
número de centros de servicio, que no bastan para cubrir toda la demanda dentro de
la distancia crítica. Dada una cifra de instalaciones y la distancia máxima
recomendada, el modelo buscará la solución más eficiente en el sentido de
englobar dentro de dicha distancia al máximo de usuarios. El modelo, por tanto,
permite jugar con valores distintos para esos dos criterios y resulta especialmente
adecuado para servicios de urgencia (tal fue su origen). La función objetivo puede
escribirse así:
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
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.
Aunque el modelo de cobertura máxima es especialmente apto para

servicios de tipo urgente o público, otros de carácter lucrativo o privado, pueden
razonablemente adoptar un principio como éste, buscando que la mayor parte de la
demanda se encuentre dentro de la distancia que define el área de mercado
primaria. Aplicaciones empíricas del modelo de cobertura máxima se pueden
examinar en Moreno y López (1989), Adenso-Díaz y Rodríguez (1997) y en la
tercera parte de este libro.
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
3.2.4 La búsqueda de soluciones de compromiso entre

eficiencia y cobertura espacial
La constatación de que soluciones atentas a un único criterio suponían un
menoscabo hacia otros aspectos de notable importancia, suscitó el desarrollo de
modelos que avistan a combinar varios de ellos. Una de las vías para tal cosa fue la
de incorporar restricciones que acotasen o limitasen las soluciones posibles a un
abanico más aceptable. Expondremos varios.
3.2.4.1 EL PROBLEMA DE COBERTURA MÁXIMA CON

RESTRICCIÓN DE ALCANCE ESPACIAL
Una conocida variante del modelo anteriormente expuesto, formulada
también por Church y ReVelle (1974), añade la restricción de que nadie esté del
equipamiento más próximo a una distancia (coste) superior a otro umbral de
distancia S, considerado como insoportable, que sería superior a R. La función
objetivo es idéntica a la de antes, aunque se añade alguna restricción. Para el caso
de la re-expresión propuesta por Church y ReVelle (1976) y Hillsman (1984) la
variable tij se ha de redefinir así: tij = 1 si tij ≤ R, tij = 0 si R < tij < S, y finalmente tij
= -∞ si tij > S. Con ello se consigue que en la fase de resolución del modelo se
fuerce a que nadie se encuentre más allá de S y a la vez que las aglomeraciones de
usuarios se vean priorizadas para cubrirlas dentro de R (figura 3.8).
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
Con este planteamiento es posible manipular tres aspectos o criterios: por

un lado, el número de centros a instalar, que implícitamente recogería una
limitación presupuestaria impuesta de forma externa; por otro, el umbral de
accesibilidad o alcance, más allá del cual no debe quedar ningún usuario, lo que
responde a un imperativo de equidad; finalmente, el principio de eficiencia se
incorpora en otro umbral de distancia (de valor inferior al anterior) dentro del cual
debe quedar comprendida la mayor parte de la demanda. Muchos tipos de
equipamientos públicos podrían ser razonablemente planificados teniendo en
cuenta la lógica de este modelo.
3.2.4.2 EL PROBLEMA MINISUM CON COBERTURA

OBLIGATORIA
Otra formulación conocida trató de aunar la atención a los costes de
desplazamiento con la distancia máxima de la demanda a los centros de servicio. El
problema busca minimizar la misma función objetivo que el modelo minisum, pero
introduce la restricción de que toda la demanda esté a menos de una distancia/coste
de desplazamiento prefijado, S (Khumawala, 1973). Ello implica una preocupa-
ción por evitar las desigualdades excesivas, es decir, se cuida también la equidad
espacial. Modificando los valores de dicha restricción o la que fija el número de
instalaciones se hace posible generar diferentes escenarios y equilibrios entre
equidad, eficiencia espacial y cifra (coste) de las instalaciones y por tanto explorar
soluciones variadas. Son por tanto dos los aspectos susceptibles de variar para
generar alternativas.
De acuerdo con la formulación lineal unificada propuesta por Church y

ReVelle (1976) y Hillsman (1984), el modelo se podría expresar como el p-
mediano, es decir,
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.
3.2.4.3 EXPANSIONES DEL PRINCIPIO DE COBERTURA

Prestando atención tanto a los costes de las instalaciones, como a los
asociados con el transporte de servir la demanda (que puede asumir bien el
proveedor, bien el usuario), Moreno y López de los Mozos (1989) formularon otro
modelo que tenía como objetivo minimizar el número de centros de servicio, sujeto
a restricciones tanto de cobertura total de la demanda, dentro de un radio de
distancia dado, como de que la cifra de demanda que se desplaza a otro

asentamiento no superase una cuantía prefijada. De esta forma se establecía que la
provisión in situ fuese un factor de decisión relevante.
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).
Figura 3.9. Posibles ampliaciones del principio de cobertura

(Tomado de Eiselt y Marianov, 2009)
3.2.5 El objetivo de eficiencia en la captación de demanda

Cuando se aborda el problema de localización óptima para el sector
privado, el objetivo último contemplado suele ser maximizar los beneficios, lo cual
implica conocer los ingresos, los costes de implantación y los de operación. Ello
supone un reto importante de obtención de información y de formulación, por lo
que no debe extrañar que también se hayan diseñado modelos parciales, atentos
solo a alguno de tales aspectos. Habida cuenta de que los ingresos dependen de la
demanda real captada, un buen número de intentos se han centrado en el problema
de localización atendiendo al objetivo de maximizar la demanda captada. Aún
dentro de esa parcela, ya limitada, se han desarrollado formulaciones variadas
según la manera como se conceptualiza el entorno de mercado (competitivo o no),
el comportamiento de los competidores (activos o pasivos, es decir, reaccionando
dinámicamente o no ante “movimientos” de los otros), o la conducta espacial
de los consumidores (que atañe tanto a si es elástica o no respecto a los costes de
desplazamiento, como a la elección de centro que realizan, por ejemplo,

asignándolos de forma determinista al centro más próximo o posibilitando una
elección probabilista entre varios), etc. Como es natural, las aproximaciones más
realistas desembocan en modelos de creciente complejidad. En este texto se
expondrán algunos de tales modelos.
3.2.5.1 PROBLEMAS DE CAPTACIÓN MÁXIMA DE DEMANDA

EN UN ENTORNO COMPETITIVO
Un primer modelo de este tipo que merece citarse es el debido
originalmente a Goodchild (1984), denominado como “modelo de cuota de
mercado” (market share model). Partiendo de la existencia de unos competidores
ya establecidos, un conjunto de establecimientos también abiertos de una empresa
y de una serie de lugares candidatos en los que dicha firma desea abrir algunos
nuevos puntos de oferta, el modelo busca maximizar la demanda de la red de
servicios de la mencionada empresa, asignando dicha demanda al centro más
próximo. Esta idea básica fue formulada también por ReVelle (1986),
denominándosela en la bibliografía como “modelo de captura máxima” (maxcap).
Su enunciado básico sería así: dada la existencia de un número de establecimientos
en una localización conocida y fija, averiguar de entre los sitios posibles qué
conjunto de ellos lograría captar la máxima demanda para la nueva empresa
entrante, en competencia con las ya existentes (p. ej., restándosela) y asignando los
usuarios al establecimiento más cercano. Se entiende que el proveedor que desea
entrar en ese mercado lo hace por tanto compitiendo con los ya establecidos, a los
que intenta arrebatar la mayor clientela posible. La formulación del modelo podría
hacerse de esta manera:
m
Maximizar F = ∑ ∑c
i =1 j∈ J N U J O
ij xij {3.19}
siendo JN = el conjunto de sitios candidatos libres y JO = el conjunto de sitios

ocupados ya por los proveedores establecidos, es decir, el segundo sumatorio
recorre todos los sitios posibles de ubicación, tanto los ya ocupados, como los
libres. Si se define Si como la distancia o coste de desplazamiento desde el lugar de
demanda i al equipamiento más cercano (y por tanto al que se asignaría), el
significado de cij es del siguiente tenor:
cij = di si tij < Si,
cij = di/2 si tij = Si {3.20}
cij = 0 si tij > Si

Con esa transformación lo que se expresa es que si el coste de

desplazamiento desde el punto de demanda al sitio donde se asentaría el
competidor entrante es menor que el actual, entonces el nuevo establecimiento
competidor captura la demanda, si el coste de desplazamiento fuese el mismo,
entonces la demanda se reparte entre los dos (el establecimiento nuevo y el
preexistente) y, finalmente, si el coste de desplazamiento respecto al sitio más
próximo del competidor entrante es mayor, entonces éste no captura dicha
demanda. Una aplicación de la idea de este modelo en un entorno SIG puede
hallarse en Moreno, Gómez y Vázquez (1999), donde se abordó la localización de
nuevas farmacias en un núcleo de la corona metropolitana de Madrid.
Otros rasgos importantes del modelo estriban en que la demanda es rígida

(no varía) con la distancia a los centros y que su asignación o reparto entre los
mismos está determinada, única y exclusivamente, por el mínimo coste de
desplazamiento, independientemente de las características de los centros de
servicios. Todos estos supuestos confieren al modelo una cierta simplicidad, por lo
que su aplicabilidad resulta limitada. Antes de usarlo el investigador debería
cerciorarse de que el caso de estudio es compatible con esas asunciones simples.
Los desarrollos ulteriores a partir de la idea seminal de este modelo han

sido abundantes, dado el interés aplicado que posee. Plastria (2001) realizó una
categorización de los problemas de este tipo y una descripción simple de sus
componentes principales. Al respecto una tipología relevante a señalar es la que
distingue entre modelos de entrada simultánea y secuencial. En los primeros se
asume que todos los competidores entran en el mercado a la vez, en tanto que en
los segundos se contempla la existencia de unas empresas en ese mercado (líder) al
que con posterioridad entran nuevos competidores (seguidores). Eiselt and Laporte
(1996) elaboraron una revisión de esta última categoría de problemas secuenciales.
La reacción subsiguiente de las firmas ya instaladas, junto con las reglas de
asignación/elección de los consumidores entre los establecimientos, han
constituido frentes importantes de desarrollo en esta parcela. En este último aspecto
las opciones habituales estriban (Küçükaydin et al., 2012) en la asignación única al
establecimiento que más utilidad ofrece al consumidor (modelos de utilidad
determinista) o en el reparto probabilístico de los consumidores entre distintos
establecimientos, según la utilidad que ofrece cada uno (modelos de utilidad
aleatoria, tales como el de Huff o el multiplicativo de interacción competitiva; vid.
Moreno, 2001).
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
diferentes estrategias de los empresarios existentes en reacción frente al nuevo

competidor. Çinar y Yaman (2011), por su parte, postulan en otro modelo la
maximización del beneficio total (diferencia entre ventas y costes de distribución)
y/o la demanda cubierta, contando con una serie de vendedores que tienen recursos
limitados. Serra y Colomé (2001) exploraron varias formulaciones basadas en la
teoría sobre la conducta espacial del consumidor (aunque de hecho se restringen a
la variable distancia) para asignar la demanda entre los centros competidores, lo
que acerca tales problemas a los descritos en la sección 3.2.5.3. Zhang y Rushton
(2008) han mejorado el realismo de este tipo de modelos avistando (función
objetivo) la maximización de la utilidad de los consumidores de todos los lugares
que son atraídos hacia el conjunto de establecimientos del nuevo competidor.
Como determinantes consideran el tamaño de los establecimientos, la distancia
entre oferta y demanda, el tiempo de espera (congestión) en los establecimientos y
los costes de apertura/cierre de establecimientos.
3.2.5.2 MODELOS DE LOCALIZACIÓN ÓPTIMA CON DEMANDA

ELÁSTICA Y ASIGNADA AL CENTRO MÁS PRÓXIMO
La teoría de la demanda espacial y multitud de investigaciones (por
ejemplo, Moreno et al., 1991; Moreno, 2001) han demostrado que para obtener
muchos bienes y servicios el consumidor exhibe una conducta sensible al coste de
desplazamiento, en el sentido de que la cifra de usuarios o su nivel de consumo/uso
disminuye con la distancia. En síntesis, la demanda es elástica respecto a dicha
distancia. Un cierto número de autores han formulado modelos de localización-
asignación atentos a ese hecho. Su objetivo común puede enunciarse así: dado un
número de centros a localizar, identificar el conjunto de lugares que en conjunto
lograrían atraer el máximo de demanda, asumiendo que ésta es elástica respecto a
la distancia y asignando siempre dicha demanda al centro más próximo. Estas
formulaciones se caracterizan porque: a) implican que la magnitud de la demanda
efectiva captada en cada lugar variará (p. ej., será mayor o menor) según la
localización de la oferta; no hay por tanto equivalencia entre la demanda potencial
(por ejemplo, la población residente) y la efectiva, lo que implica que puede haber
demanda insatisfecha; y b) la demanda efectiva solo depende de la proximidad a
uno de los centros, el más próximo, al cual es asignada de forma determinista.
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:
dij = di(1- b · tij), ∀ tij ≤ R {3.21}

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.
Una decisión importante en este modelo es la elección del parámetro b que

controla la disminución de la demanda al aumentar los costes de desplazamiento.
Naturalmente su determinación ha de ser empírica, pero conviene saber que, a
tenor de la ecuación utilizada, tal parámetro debería tomar el valor 1/R, siendo R la
distancia (coste) a partir de la cual se verifica que ningún usuario acude al centro
de servicio. Ello traduciría la noción de alcance espacial acuñada en la teoría de los
lugares centrales, es decir, aquella distancia a partir de la cual el coste de recorrido
ya no compensa la utilidad o beneficio que el consumidor obtendría en el centro de
servicio.
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
El lector puede comprobar numéricamente de forma sencilla que cuando la

distancia es nula dij = di; cuando tij = R, es decir, cuando la distancia es igual al
límite fijado para que la demanda se abstenga de usar el servicio, entonces dij = 0.
Para valores de tij mayores que 0 y menores que R, la demanda prevista va
disminuyendo gradualmente con la distancia. Y finalmente para cifras de

alejamiento mayores que R la fórmula parece prescribir valores de pij negativos. En
tal caso, basta con asumir que la demanda se anula y, consecuentemente, poner a
cero el resultado de la ecuación.
Pues bien, establecido lo anterior, el modelo busca seleccionar como sitios

para los equipamientos aquellos que garantizan el máximo número de visitantes,
asumiendo un descenso de estos de forma lineal con la distancia. La función
objetivo se escribiría así:
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:
• Modelo en el que la demanda desciende según una función potencial de

los costes de desplazamiento (Dokmeci, 1976). El objetivo se escribiría:
m n
Maximizar F = ∑ ∑ (d i /(a + t ijβ )) xij {3.23}
i =1 j =1
siendo a = constante para evitar la división por cero (habitualmente 1) y

β = un parámetro que modula el efecto de los costes de desplazamientos
(cuanto mayor sea, más disuasión ocasiona la distancia). Esta
formulación ha sido también interpretada como un objetivo de
maximizar un conocido indicador de accesibilidad espacial, el índice de
potencial de cada punto de demanda sobre el de oferta más próximo
(modelo LA3 de Bach, 1980, pp. 306 y ss.)
• Modelo con descenso de la demanda según una función exponencial

negativa de los costes de transporte (Hodgart, 1978). La función objetivo
se puede escribir así:
m n
Maximizar F = ∑ ∑d i exp(− βt ij ) xij {3.24}
i =1 j =1
Como limitaciones reseñables de las anteriores formulaciones se pueden

mencionar que la demanda de cada lugar solo se asigna al centro más próximo y
que en la atracción únicamente juegan los costes de desplazamiento. Observe
además que los centros de servicio no compiten entre sí, sino que lo que se busca
es que la demanda total servida sea máxima. De nuevo estos rasgos obligan al
analista a evaluar críticamente la situación que desea tratar para dilucidar si resulta
conveniente su aplicación. A modo de orientación cabe añadir que los requisitos a
satisfacer serían: unos centros de servicio de rasgos idénticos y una conducta del
consumidor claramente determinada por el coste de desplazamiento al
establecimiento más próximo y obediente a una función de descenso con la
distancia conocida empíricamente.
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.
3.2.5.3 MODELOS CON ASIGNACIÓN PROBABILÍSTICA DE LA

DEMANDA ENTRE LOS CENTROS DE SERVICIO
Las limitaciones de los planteamientos subyacentes a los anteriores
modelos han espoleado los intentos de superarlas en diversas direcciones. Una de
ellas se ha centrado en especificar una regla de asignación de la demanda entre los
centros de servicio más realista que la simple imputación al más próximo. Ghosh y
Harche (1993, p. 90) ofrecen una versión genérica de esta idea, llamándolo el
“modelo p-elección” (p-choice), que anteriormente había sido desarrollada por
diversos autores. La función objetivo sería:
m n
Maximizar F = ∑ ∑d i pij y j {3.25}
i =1 j =1
siendo pij = la probabilidad de que la demanda sita en i utilice el centro j. El

objetivo sería maximizar el número de consumidores servidos por la empresa que
se va a implantar, en competencia con otras ya existentes. La concreción de esas
probabilidades ha recurrido al cuerpo doctrinal emanado de investigaciones sobre
comportamiento espacial del consumidor y de la teoría de la interacción espacial.
En lo concerniente al comportamiento del consumidor se han contemplado los
atributos del centro de servicios (p. ej., precios, calidad del servicio, gama de
bienes, horario de apertura, etc.) y las condiciones de accesibilidad al domicilio y al
trabajo.
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
distancias rectas, para el ejemplo de Menorca
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
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
Siendo yj la variable de decisión a resolver, que toma valor uno si se ubica

un centro en el lugar j o cero en caso contrario. Se perseguía con ella minimizar la
distancia total recorrida por los usuarios estimados a todas las instalaciones.
Observe que ahora ha desaparecido la variable xij, lo que significa que la demanda
de cada lugar puede dirigirse a cualquier equipamiento, aunque en cuantía variable
según la fórmula de estimación.
Aunque estas mejoras suponen avances respecto a los modelos más

simples, hay muchos frentes de investigación abiertos, mediante los cuales cabe
esperar un mayor realismo en los modelos. A modo de ejemplo, y en lo
concerniente a la asignación probabilística de la demanda entre los centros, se ha
podido comprobar que sustentarla sobre datos previos de casos reales adolece del
problema de dependencia del contexto, es decir, los parámetros obtenidos para la
función de asignación son muy sensibles al conjunto de alternativas reales o
contexto sobre las que la elección del consumidor se realizó. De ahí que otros
planteamientos, como determinar la función de asignación sobre situaciones
hipotéticas bien caracterizadas, usando el llamado conjoint analysis, se hayan
explorado como posibilidades más convenientes (vid. Ghosh y Harche, 1993,
pp. 95-100).
El conjunto de modelos descritos en este apartado resultan particularmente

idóneos para actividades de carácter comercial y competitivo, pese a todo no
conviene olvidar que el funcionamiento de ciertos equipamientos públicos, de facto
resulta muy similar al de los privados: la demanda es elástica respecto a la
distancia, el atractivo de las instalaciones influye en la generación y captación de
usuarios y, por tanto, en cierta medida, “compiten” espacialmente entre sí. Los
casos de las bibliotecas, hogares y clubes de ancianos, instalaciones deportivas,
culturales, etc., podrían ser tratados eventualmente sobre unas bases análogas al de
los servicios privados. Dado que el denominador común de todos estos modelos es
que pretenden capturar el máximo de clientela con los recursos disponibles,

podrían ser de valiosa ayuda en la implantación de numerosos servicios públicos
que persiguiesen el máximo de eficiencia socio-espacial, es decir, alcanzar el
mayor beneficio social posible, sirviendo de forma efectiva a cuanta población
fuese posible, dados unos recursos siempre limitados.
3.2.6 Otras líneas de desarrollo

3.2.6.1 PROBLEMAS CON VARIOS OBJETIVOS
Una de las consideraciones que no ha escapado a los estudiosos radica en
el hecho de que los problemas de localización rara vez son simples. Como ya se ha
podido comprobar a lo largo del capítulo, es conveniente, y a menudo
imprescindible, contemplar múltiples criterios simultáneamente a la hora de
abordar la solución de un problema de localización. Ello ha conducido al campo
conocido como decisión multiobjetivo o multicriterio, superando el limitado
horizonte de optimizar un solo aspecto (vid. ReVelle, Cohon y Shobrys, 1981;
Current, Min y Schilling, 1990; Daskin, 1995, pp. 308-317). La principal diferencia
ahora estriba en que la solución que optimiza un criterio no suele optimizar los
otros, por lo que identificar la mejor alternativa resulta más complejo. A la hora de
formalizar la inserción de dos o más criterios como modelos de optimización los
métodos más comúnmente utilizados son el de las restricciones, el de la
ponderación, el de la estimación del conjunto no inferior (Malczewski y Ogryczak,
1995, pp. 1949-1950) y el de la programación por metas. Dejamos por tanto a un
lado el enfoque de la evaluación multicriterio, que trata de seleccionar de entre un
conjunto limitado y predefinido de alternativas la que resulta mejor, de acuerdo
habitualmente con un esquema de preferencias conocidas del decisor, para
centrarnos en aquellos otros que, como rasgo distintivo, incorporan la capacidad de
generar (y comparar) soluciones, buscando identificar la óptima.
El método de las restricciones estriba en optimizar una función objetivo

simple e incorporar los demás criterios como restricciones. En los apartados
anteriores ya se han visto varios modelos en los que ello sucede, recuérdese por
ejemplo el de minimización de costes de transporte con la restricción de que toda la
demanda esté dentro de un radio de distancia prefijado. Así se podían conjugar dos
objetivos, eficiencia y equidad. Nada obsta para añadir cuantas restricciones se
contemplen como relevantes para abordar el problema. Así, por ejemplo, el modelo
de minimización de centros de servicio de Moreno y López de los Mozos
(1989), mencionado previamente, incorporaba dos restricciones en cuanto a
desplazamientos.
El método de la ponderación implica construir una función objetivo

compuesta, a modo de una función lineal de los diferentes criterios, afectando a
cada término por una ponderación específica provista externamente. Por ejemplo,
genéricamente sería:
Minimizar Z = w1 F1(x1) + w2 F2(x2)+ ... wh Fh(xh) {3.28}
siendo w = los pesos asignados a los diferentes criterios y F(x) = la función

correspondiente a cada uno de los h criterios. Modificando los pesos es posible
generar soluciones óptimas variadas. La fórmula implica que los diferentes
criterios deben expresarse en unidades homogéneas. El modelo de localización de
instalaciones sin restricción de capacidad (SPLP o UFLP), expuesto anteriormente,
es un ejemplo de este enfoque, aunque con la particularidad de que los dos
componentes de coste, el de instalación y el de transporte, tienen el mismo peso,
por lo que la variable w no aparece explícitamente.
El tercer método introduce el concepto de no inferioridad, también

conocido como no dominación, eficiencia u óptimo de Pareto. Dicho concepto
establece que no es posible lograr una mejora en un objetivo, sin provocar una
degradación en otro. Una alternativa es calificada de inferior si es superada por
alguna o algunas otras en todos los criterios; las restantes conforman el conjunto no
dominado o no inferior (Cohon, 1978). La elección de la solución de compromiso
(se prefiere entonces esta expresión a la de solución óptima) implica que en unos
criterios se tendrán resultados mejores y en otros peores. El problema de
optimización debe plantearse entonces en términos de trade off o relación de
intercambio: optar por mejores resultados en un criterio u objetivo conlleva aceptar
sacrificios en otros y habrá que dilucidar qué cantidad de incremento o decremento
en uno compensa las pérdidas en los otros. La cuestión se resuelve identificando el
conjunto de soluciones no inferior e incorporando ponderaciones para los criterios,
para luego seleccionar la alternativa que maximiza la utilidad del decisor (reflejada
en las ponderaciones).
La metodología de programación por metas (goal programming) formaliza

el problema de optimización sobre la base de contar con unos valores deseables a
lograr en cada criterio (las metas) y unas prioridades o pesos establecidas por el
decisor. Con ello se construye una función objetivo que busca minimizar las
diferencias (ponderadas) entre los resultados alcanzados en cada criterio por cada
alternativa y las metas prefijadas. Véase Ignizio (1985) para una introducción a la
técnica y Sinha y Sastry (1987) para un ejemplo de aplicación relacionada con la
localización de almacenes para productos agrícolas.
Se cuenta con un cierto número de ejemplos de aplicación de modelos

multiobjetivo a la planificación de equipamientos. Malczewski y Ogryczack (1988)
diseñaron una reordenación de las áreas de salud en Varsovia usando tres
criterios y, los mismos autores (Malczewski y Ogryczack, 1990), abordaron la
identificación del esquema de localización óptima de hospitales pediátricos en
Varsovia contemplando cinco criterios de decisión. Alçada-Almeida et al. (2009b)
tratan un problema de ubicación de refugios y diseño de rutas ante catástrofes en
Coimbra.
3.2.6.2 PROBLEMAS DE OPTIMIZACIÓN DINÁMICA

Las formalizaciones presentadas hasta ahora apenas han considerado el
hecho de que la ubicación de la demanda que se trata de servir cambia con el
tiempo y que también la oferta lo hace, siendo esto particularmente importante en
sistemas competitivos. Incorporar esta dimensión implica mayor dificultad, puesto
que se debe dilucidar si los objetivos han de optimizarse al final del período o a lo
largo del mismo. Remitimos para esta cuestión al texto introductorio de ReVelle
(1987, pp. 1078-1087). Drezner (1995) ha abordado bajo esta óptica el problema
p-mediano y Ndiaye y Alfares (2008) han contemplado el problema de minimizar
los costes (de instalaciones, de operación y de transporte) para servir a una
demanda con localización estacional variable (beduinos).
3.2.6.3 LOCALIZACIÓN DE INSTALACIONES CON UNA

ESTRUCTURA JERÁRQUICA
Otra situación que ha sido investigada ha sido la concerniente a la
provisión de bienes o servicios a través de un sistema que comporta centros que
ofrecen una gama de los mismos desigual. Ello es típico de estructuras de muchos
servicios, siendo bien patentes en los de salud (con centros de atención primaria,
centros de salud, hospitales y sus territorios anexos denominados zonas básicas,
áreas de salud, etc.), educación (infantil, primaria, secundaria, superior), etc., en los
que las unidades de servicio inferiores suelen quedar funcionalmente vinculadas a
las superiores. Los centros superiores cubren áreas de servicio mayores y
comprenden varios centros y zonas de servicio inferiores, que aparecen así como
encajadas dentro de aquellas (figura 3.12).
Un ejemplo pionero, aplicado al caso de dotaciones de recreo, fue

desarrollado por Robertson (1978). Moore y ReVelle (1982) propusieron un
conocido modelo de localización de servicios jerárquicos (para atención sanitaria)
cuyo enunciado general era así: dado un presupuesto para invertir en servicios,
encontrar el número de instalaciones para cada nivel y sus localizaciones de
manera que la población que tiene acceso a todos los componentes del servicio se
maximice. El acceso se expresa en términos de unas distancias predefinidas. Ratick
et al. (2009) han extendido dicho modelo incorporando la consideración de los

costes fijos y operativos. Otro tratamiento seminal de este tipo de estructuras, a
efectos de establecer esquemas óptimos, fue realizado por Church y Eaton (1987)
usando también objetivos de cobertura. Una experiencia de aplicación real de un
modelo jerárquico para la reordenación de las escuelas primarias en Coimbra
(Portugal) se presenta en Teixeira y Antunes (2008).
Figura 3.12. Ejemplo de una estructura de instalaciones y áreas de servicio organizada

de forma jerárquica
3.3 MODELOS DE LOCALIZACIÓN ÓPTIMA PARA

INSTALACIONES INDESEABLES
Implícito en los modelos anteriormente tratados, está el principio de que la
proximidad o accesibilidad a los puntos de servicio es buena o deseable, por lo que
en ellos suele aparecer una variable expresando los costes de desplazamiento o
distancia que, en general, se busca minimizar con la solución. Hay, sin embargo,
otras funciones o actividades cuyas instalaciones o lugar de ejecución, en lugar de
considerarse como deseables, provocan rechazo, riesgo, malestar, etc. En tales
casos, emerge de forma natural el deseo de distanciarse de las mismas, al objeto de
evitar los efectos o impactos negativos (físicos o psíquicos) que desencadenan. En
la bibliografía se ha reconocido este problema de localización desde hace tiempo y
recientemente se le ha identificado con acrónimos como NIMBY (not in my
backyard) o NIABY (not in anybody backyard). Pero, junto al deseo de determinar,
caracterizar o predecir el campo espacial de impactos (vid. por ejemplo, Pinch,
1985 y Moreno, 1995) otra pujante línea de investigación metodológica, más tardía
y por ello menos desarrollada, se ha decantado por buscar soluciones a problemas
de localización en los que se asume que la cuestión más acuciante y conflictiva
estriba en minimizar los efectos negativos o perjuicios que generan. Podría decirse
que el abordaje de estos problemas brota de la confluencia entre la teoría de la
localización y la preocupación ambiental, dada la creciente atención prestada hacia

la problemática práctica de ubicar instalaciones molestas, insalubres, nocivas o
peligrosas. En la bibliografía anglosajona se suele distinguir, escuetamente, entre
obnoxious facilities, que generan una amenaza al estilo de vida o disfrute de
amenidades, y noxious facilities, que suponen una amenaza a la salud y bienestar.
Conviene por el momento hablar simplemente de efectos negativos o actividades
indeseables, por su mayor generalidad, ya que, como señaló atinadamente Pinch
(1985), a menudo lo que puede encontrarse es un haz de efectos, unos de carácter
positivo y otros negativos, asociados a una determinada actividad humana.
Sobre esta problemática existe ya en la bibliografía un cierto número de

referencias, donde se formulan técnicas para resolver un abanico de problemas
distintos. Síntesis de ellas se cuentan en los trabajos de Chaudhry y Moon (1987),
Erkut y Neuman (1989), List et al. (1991), Bosque y Franco (1995), Daskin (1995,
pp. 363-373) y Muñoz Pérez (1996).
En el presente apartado recogeremos algunos modelos clásicos, así como

comentarios sobre sus propiedades y limitaciones. Conviene señalar de entrada que
de los modelos es posible realizar una clasificación según qué tipo de relaciones
espaciales se contemplen: a) solo interacciones de los equipamientos entre sí; b)
solo interacciones de los equipamientos y otras actividades o la población; c)
ambas. Por otro lado, una segunda cuestión importante concierne a la
representación de la difusión espacial de los efectos negativos. En la mayoría de los
modelos se sustenta simplemente en la distancia, bien entre las instalaciones
productoras/emisoras (interacción mutua), bien entre éstas y los receptores. Es
decir, se asume que la distancia como tal es la variable que juega mayor papel, por
lo que a menudo los objetivos avistados en los modelos se apoyan en dicha
variable.
3.3.1 Modelos contemplando la interacción entre

instalaciones y población afectada
3.3.1.1 EL PROBLEMA MAXISUM
Con una fuerte analogía hacia el problema minisum, la idea de eficiencia se
trasmutó aquí con un sentido inverso. Si los efectos negativos dependen de la
distancia a los focos de malestar, es razonable buscar que el impacto global sea el
menor y una forma de hacerlo es contemplar no solo las distancias, sino también la
población afectable. Una medida conveniente del impacto en cada lugar vendría
dada por el producto de la población y la distancia a la instalación más próxima. La
suma de dichos valores para el conjunto de los lugares arrojaría el valor de la
función que se desea maximizar. El modelo, introducido por (Church y Garfinkel,
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
En la bibliografía se le ha llamado “maxisum”, “maxian” o “anti-mediano”.

Remitimos a uno de los capítulos de la parte tercera de esta obra para ver ejemplos
de aplicación de este modelo.
3.3.1.2 EL PROBLEMA MAXIMIN

Otro objetivo identificado como relevante en la localización de
instalaciones repulsivas se ha centrado en la cuestión de la distancia mínima entre
cualquier lugar afectable y la instalación indeseable más cercana al mismo. Si se
trata de hacer prevalecer la equidad, parece ahora razonable desear que esa
distancia mínima, que implicará el mayor impacto, sea lo más elevada posible. De
esta forma los más perjudicados lo serían de la menor manera posible (vid. Drezner
y Wesolowsky, 1985; Drezner y Wesolowsky, 1996; Melachrinoudis y Cullinane,
1985). Este objetivo se conoce con el nombre de “maximin” (maximizar la
distancia mínima) y cabe reconocer en él el principio rawlsiano de justicia y por
tanto una réplica del objetivo minimax, expuesto anteriormente a propósito de
instalaciones deseables. Dos variantes de este principio se han formulado:
A) Maximizar la distancia mínima entre cualquier centro de población y la

instalación más próxima (figura 3.13). La función objetivo se formularía así:
Maximizar F = Min tij xij {3.30}

j =1,...n
i =1,...m
B) Maximizar la distancia mínima, ponderada por la población, entre

cualquier centro de población y la instalación más próxima. La función objetivo se
formularía ahora:
Maximizar F = Min wi tij xij {3.31}

j =1,...n
i =1,...m
Como puede verse, la diferencia entre una y otra radica en si se considera o

no los efectivos de población afectable. Estos modelos suelen generar soluciones
con las instalaciones ubicadas hacia la periferia menos poblada y de forma a veces
concentrada.
La mayoría de las referencias existentes sobre este modelo pertenecen a la

categoría metodológica y pocas aplicaciones reales se han publicado sobre el
mismo, entre las cuales cabe mencionar la que se realiza en uno de los capítulos de
esta obra.
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
3.3.1.3 EL PROBLEMA DE ANTICOBERTURA

Con una lógica bastante similar, pero de signo opuesto a la de los
problemas anteriormente descritos como de cobertura, se han desarrollado modelos
preocupados por la población que queda en las inmediaciones de una instalación
indeseable. El peligro, molestia o agresión generada por una actividad afecta
mucho más seriamente a quienes están cerca, razón por la cual se han manejado,
con frecuencia, recomendaciones técnicas concretadas en un grado de alejamiento
forzoso. Se asume, pues, que el efecto disminuye notoriamente a partir de una
cierta distancia, por lo que, traducido en términos operativos, se trataría de buscar
emplazamientos que provoquen las menores molestias, riesgos o impactos. En
esencia se trata de definir una zona de riesgo, de restricción o exclusión alrededor
de cada instalación que se constituya en un elemento básico para la búsqueda del
esquema de localizaciones óptimas.
Varios modelos se han formulado con ese propósito general de los cuales
citaremos dos (Murray et al. 1998):
• Minimizar la población global cubierta: dado un número de instalaciones

a implantar y de lugares candidatos a acogerlas, identificar el conjunto
de ellos que minimizaría la población dentro de un radio de distancia
fijado de una o más instalaciones (figura 3.14). Por cuanto en un lugar se
pueden abrir varias instalaciones este objetivo conduce a soluciones
poco equitativas, ya que las instalaciones tienden a concentrarse en
zonas de baja población, las cuales reciben un impacto acumulativo alto,
en tanto que el resto del territorio apenas acoge instalaciones.
• Minimizar la población global cubierta, con restricción de

multicobertura: dado un número de instalaciones a implantar y de
lugares candidatos a acogerlas, identificar el conjunto de ellos que
minimizaría la población dentro de un radio de distancia de, como
máximo, una instalación. Ahora, aunque se busca reducir la población
dentro de la zona restringida, se impone como condición que cada
asentamiento solo pueda estar dentro del área de, como máximo, una
instalación. Es decir, se garantiza que ningún asentamiento poblado
podrá estar afectado por más de una instalación, con lo que se obliga a
que el impacto o riesgo se reparta más equitativamente entre lugares.
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}
3.3.2 Modelos contemplando solamente la interacción entre

instalaciones
En ocasiones, la proximidad de las instalaciones entre sí no resulta
deseable. Las instalaciones militares para evitar el riesgo de destrucción masiva por
un atacante o los establecimientos de una franquicia para reducir la competencia
que entre sí ejercerían son ejemplos de ello. En general, los modelos desarrollados
atendiendo a este punto de vista buscan maximizar alguna función de la distancia
entre instalaciones.
3.3.2.1 EL MODELO P-DEFENSA

El problema se enuncia así: dado un número de instalaciones a implantar y
de lugares candidatos a acogerlas, identificar el conjunto de ellos que maximizaría
la suma (o la media) de las distancias entre todas las instalaciones (Moon y
Chaudry, 1984):
n n
Maximizar F = ∑ ∑t jh yj {3.32}
j =1 h> j
siendo tjh = distancia entre las instalaciones sitas en j y h.
3.3.2.2 EL MODELO P-DISPERSIÓN

El problema se enuncia así: dado un número de instalaciones a implantar y
de lugares candidatos a acogerlas, identificar el conjunto de ellos que maximizaría
la distancia mínima entre cualquier par de instalaciones (vid. una formulación
completa del mismo en Daskin, 1995, pp. 363-366). La función objetivo podría
escribirse:
Maximizar F = Min t jh y j {3.33}

j , h =1,... n
h> j
Este modelo, por su definición, suele desembocar en una distribución

espacial de las instalaciones más regular en el territorio.
3.3.3 Valoración y tendencias de desarrollo

Algunas de las limitaciones de muchos de esos modelos, así como líneas de
desarrollo han sido apuntadas en trabajos de Erkut y Neuman (1989) y Moreno
(1995, 1998 y 1999). Reseñaremos un cierto número de ellas:
• La representación de la difusión espacial de los efectos negativos

(emisiones) se sustenta simplemente en la distancia, bien entre las
instalaciones productoras/emisoras (interacción mutua), bien entre éstas
y los receptores. Aunque la distancia es un factor básico, la difusión
espacial puede estar moldeada, a veces de forma predominante, por otros
factores concurrentes, por lo que supeditar la bondad de las soluciones a
un indicador poco representativo, significaría descalificarlas ab initio.
Procede pues considerar funciones de difusión espacial más generales,
flexibles y que no asuman per se un descenso gradual de los efectos con
la distancia. Es pertinente recordar que Church y Bell (1981) y Church y
Roberts (1983) propusieron varias formas o representaciones espaciales
(tanto discretas, es decir, escalonadas, como continuas) del balance
utilidad/desutilidad originado por una instalación; dentro de su
esquematismo, recogen las formas más plausibles de reacción colectiva a
las molestias sobrevenidas, siempre en función de la distancia al punto
productor. En realidad, se trataba de funciones hipotéticas que trataban
de reflejar de forma sintética tanto las utilidades como las desutilidades,
sin que en modo alguno se abordase el complejo problema de su
medición empírica. Las curvas expuestas en la figura 3.10 podrían ser
adoptadas también, a fin de modelar el descenso de las inmisiones o
rechazo con la distancia, y Fernández et al. (2000) han propuesto otra
función conveniente por cuanto permite manejar niveles de repulsión en
origen y ritmos de cambio variables (vid. figura 3.15).
• La magnitud de cada instalación, como factor que condiciona la

extensión e intensidad del campo espacial de impactos negativos, no
suele ser contemplada. A efectos de representación en los modelos,
parece razonable incorporar alguna función de producción o generación
de emisiones en la fuente, vinculable a algún indicador de tamaño de la
instalación, por ejemplo.
• En la medición del impacto resultante debería contemplarse, no solo las

formas específicas de combinarse un mismo tipo de emisión proveniente
de varias fuentes (figura 3.16), sino también los distintos tipos de
emisiones o externalidades. La acumulación o resultante combinada
puede no ser, como sucede por ejemplo con el ruido, una simple adición.
Función Y = 1/(1+EXP(-4+X*0.01)) Función Y = 1/(1+EXP(-4+X*0.005))

1.0 1.0
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.
Función Y = 1/(1+EXP(-1+X*0.01)) Función Y = 1/(1+EXP(-1+X*0.005))

1.0 1.0
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)
• Entre los receptores existen categorías distintas (según su receptividad,

sensibilidad o fragilidad) ante las inmisiones sobrevenidas, que deberían
ponderarse convenientemente.
• La variación temporal y la duración tanto de la emisión, como de la

recepción de las inmisiones, es una faceta importante que debería ser
contemplada.
Figura 3.16. Ilustración de la afección espacial múltiple de tres asentamientos

por dos instalaciones, a efectos de modelar los impactos
En línea con las anteriores observaciones Moreno (1998, 1999), ha

desarrollado un conjunto de formulaciones orientativas para superar ciertas
limitaciones anteriormente apuntadas. Uno de los modelos enunciados por el autor
parte de incorporar un valor constante de producción de externalidades en origen,
las cuales se diseminarían por el entorno circundante de acuerdo con una función a
determinar empíricamente y específica para cada proceso (según su difusión, sea
por el aire, por la superficie terrestre, por el agua, por el suelo, etc.). El efecto
(inmisión) no se circunscribiría solo al asentamiento más próximo, sino que podría
llegar a todos y en grado variable según la función de difusión espacial. El impacto
tendría que contemplar también el volumen de población de cada lugar, a modo de
factor de ponderación de las inmisiones recibidas. En virtud de lo anterior, el
modelo se enunciaría así: dado un número de instalaciones a implantar y de lugares
candidatos a acogerlas, identificar el conjunto de ellos que minimizaría el impacto
global generado por todas las instalaciones sobre todos los asentamientos,
expresado como el producto del nivel de inmisión por la población afectable en
cada lugar. Formalmente se podría escribir así:
m n
Minimizar F = ∑ ∑ d ·Q· f (t
i ij )yj {3.34}
i =1 j =1
donde Q = nivel de producción de emisiones (externalidades) de cada instalación

en el lugar de origen (se asume constante en este modelo), f(tij) = función de
difusión espacial de los efectos a proveer para cada proceso definida sobre la
variable tij que representa la distancia entre el asentamiento i y el lugar candidato j,
e yj = variable de decisión binaria (1 si hay instalación en j, 0 en otro caso). Si, por
ejemplo, empíricamente se validase para representar la difusión espacial de los
efectos (emisiones) una función de tipo exponencial negativo, la expresión
concreta sería:
m n
Minimizar Z = ∑ ∑d Q e
− β tij
i yj {3.35}
i =1 j =1
siendo β = parámetro que gradúa el efecto de la distancia. El modelo podría

denominarse como “minimpact”, por cuanto atiende a una valoración del impacto
global recibido en todos los lugares y contemplando las inmisiones recibidas desde
todas las instalaciones a implantar.
La consideración conjunta de algunos de los criterios simples enunciados

en el apartado anterior ha llamado la atención de los investigadores. Así, Berman y
Huang (2008) han propuesto un modelo de cobertura mínima con restricción de
distancia en redes, que busca minimizar la población dentro de una distancia dada,
con la condición de que ninguna de las instalaciones quede de otra a menos de otra
distancia. Se combina la idea de anti-cobertura (para minimizar el riesgo o
impacto) y un alejamiento mínimo entre instalaciones (por razones de seguridad,
asumiendo que pueden generar peligros mutuos por accidentes o ataques).
Otro frente de progreso viene representado por la consideración conjunta

de las externalidades o efectos positivos y negativos que suelen generarse por una
instalación. Puesto que surgen ventajas e inconvenientes espaciales, las
herramientas de toma de decisiones deberían integrarlas y no tratarlas por separado,
tal como muchos modelos expuestos hacen. Chen et al. (1992), por ejemplo, han
formulado una variante del problema minisum que contempla a la vez los efectos
de atracción y repulsión asociados. La función objetivo busca minimizar la suma
de la distancia a las instalaciones ponderada por la población de cada lugar.
Operativamente se divide a la población en dos grupos (p. ej., los usuarios y los no
usuarios) representando respectivamente el peso de la atracción y la repulsión.
Brimberg y Juel (1998) han considerado de otra manera la integración de costes y
beneficios que un emplazamiento con instalación puede generar en su derredor.
Supuesto que hay usuarios de la misma, la reducción de los costes de
desplazamiento parece conveniente, pero por otro lado, la proximidad excesiva
puede resultar molesta, nociva o peligrosa. Bajo tales premisas, los autores
formulan un modelo que busca minimizar la suma de las distancias de los puntos
de demanda a la instalación más próxima ponderadas por la población (problema
minisum), pero restringida por la existencia de un área prohibida alrededor de cada
asentamiento poblado.
Otra pujante línea de avance la conforman los modelos multiobjetivo. Al

igual que para las instalaciones deseables, también para las que generan
externalidades negativas se han elaborado modelos para contemplar varios aspectos
o dimensiones del problema de localización, en el entendimiento de que la

complejidad de la realidad no puede ser recogida con un único objetivo.
Naturalmente, la formulación y técnicas de resolución se complican a la par. Son
cada vez más los trabajos en esta dirección y solo mencionaremos algunos
ejemplos. Cohon et al. (1983) contemplaron, a la hora de localizar centrales
nucleares, dos objetivos: minimizar por un lado los costes y por otro la población
en las proximidades de las mismas. Otro modelo bastante conocido fue el que
propusieron Ratick y White (1988). Se trata de un modelo que integra tres
objetivos como otras tantas funciones: A) minimizar el coste total de las
instalaciones, dada una capacidad requerida de las mismas y siendo dicho coste
dependiente linealmente del tamaño de las instalaciones, B) minimizar la oposición
o rechazo que genera en la población (dependiente del tamaño de la instalación y
del número de personas dentro de un radio dado de distancia a cada una de ellas), y
C) maximizar el índice de equidad mínimo para cualquier lugar conteniendo una
instalación. Erkut y Neuman (1992) abordaron un problema con tres objetivos:
minimizar costes de producción, minimizar la oposición entre los residentes y
minimizar la desutilidad máxima generada en un lugar. En esa misma línea de
ubicar instalaciones molestas o problemáticas se cuenta con varios significativos
modelos relativamente recientes: Falit-Baiamonte y Osleeb (2000) contemplaron
dos objetivos, el primero de eficiencia y el segundo de equidad: A) maximizar la
suma de las distancias entre instalaciones y lugares poblados ponderadas por los
efectivos de residentes, y B) minimizar un índice de inequidad en la penalización o
“carga” soportada por cada área; Bosque et al. (2006) plantean el modelo
MINMAXSUM que trata de maximizar la distancia recta entre la instalación y la
población más cercana y minimizar la distancia a través de la red viaria a los
centros productores de residuos. Medina y Cerda (2008) incluyen costes
económicos (eficiencia) y sociales (percepción de la depreciación de la vivienda)
buscando identificar sitios óptimos para estaciones de transferencia y rellenos
sanitarios. Y Alçada-Almeida et al. (2009a) idean un modelo multiobjetivo para
ubicar incineradoras de materias peligrosas que contempla estos cinco criterios:
minimizar los costes de inversión total, minimizar los costes totales de operación,
minimizar el impacto total (medio por persona), minimizar el impacto medio
máximo por pequeñas divisiones administrativas y minimizar el máximo impacto
individual. Se incorporó a tal fin un modelo de dispersión atmosférica de
contaminantes para simular los efectos sobre la población.
En otros estudios se han avistado no solo el problema de la localización,

sino también el de las rutas de transporte, cuando se trata de instalaciones y
movimiento de mercancías peligrosas. Ejemplos de ello son los de Current y Ratick
(1995), Erkut y Verter (1998) y Gómez y Bosque (2001).
3.4 LA RESOLUCIÓN DE LOS MODELOS DE

LOCALIZACIÓN ÓPTIMA
3.4.1 La dificultad de resolver los problemas de localización

No ha resultado una tarea sencilla resolver los modelos que estamos
presentando en este capítulo, prueba de ello es que se han realizado no pocos
esfuerzos en este aspecto. La dificultad para resolver determinados problemas
matemáticos ha sido objeto de tratamiento bajo la forma de una teoría de la
complejidad (vid. Garey y Johnson, 1979; Miller y Shaw, 2001, p. 134-139) la cual
busca determinar la rapidez en hallar la solución como una función del tamaño del
problema. Con ello se persigue, por un lado, categorizar los problemas en aquellos
que pueden ser resueltos de forma eficiente y aquellos que no pueden serlo, y por
otro, estimar el tiempo necesario para resolverlos. A tal efecto se introduce como
indicador de complejidad una función del total de operaciones (comparaciones,
asignaciones, operaciones aritméticas básicas), N, que se deben ejecutar para
resolverlo, de esta forma: O(f(N)). Así, por ejemplo, un procedimiento puede
conllevar un tiempo polinómico de resolución de la forma N, N2, N3,... lo que se
notaría como O(N), O(N2), O(N3),... En otros casos peores, una dificultad de orden
exponencial tendría como expresión O(2N), O(3N),... Como ejemplo puede citarse
que el problema de hallar el camino mínimo (p. ej., más corto) entre dos puntos en
una red, según el conocido algoritmo de Dijkstra, tiene una dificultad O(N2 – N),
viniendo dado N por el número de arcos o aristas de la red (vid. Daskin, 1995, pp.
84-85). Se trata de un tiempo de resolución polinómico. Se dice que un problema
puede ser resuelto eficientemente cuando existe algún algoritmo que lo resuelve en
tiempo polinómico. Se les califica de problemas de la clase P. Muchos problemas
de localización caen, sin embargo, dentro de otra categoría de problemas, para los
que no existe todavía un algoritmo en tiempo polinómico que los resuelva de forma
exacta. Se habla entonces de problemas NP-completos para aludirlos. Los
problemas de localización son, por lo general, NP-completos (Colorni, 1987,
p. 279), por lo que el tamaño de los mismos (que desemboca en un mayor o menor
número de operaciones) resulta crítico a la hora de resolverlos.
3.4.2 Procedimientos de resolución para los modelos de

localización óptima
Ante la dificultad que entrañan los problemas descritos, se han ensayado
diferentes líneas de resolución (vid. Colorni, 1987, pp. 278-284). Presentaremos a
continuación las técnicas más comunes para ese fin.
3.4.2.1 TÉCNICAS PARA MODELOS EN ESPACIO CONTINUO

En el caso de problemas para un espacio continuo como el minisum se ha
recurrido al análisis numérico y con él se ha podido demostrar que, para el caso de
la mono-localización, existe un método apropiado para tal fin, que fue
“redescubierto” en varias ocasiones por diferentes autores. Kuhn y Kuenne (1962)
y Cooper (1963), por ejemplo, establecieron que ese punto de desplazamiento
mínimo podía ser determinado con el grado de precisión deseado aplicando
iterativamente las fórmulas siguientes, a partir de una localización inicial (pr, qr)
arbitraria para la instalación.
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
siendo pr+1 y qr+1 las coordenadas x e y de la instalación en la iteración r+1, di la

demanda del punto i, Xi e Yi las coordenadas del punto de demanda i y cir la
distancia desde el punto i a la instalación en la iteración r. El lector podrá
comprobar que las fórmulas anteriores son simples medias ponderadas de la
variable di.
El procedimiento necesariamente converge hacia la localización óptima,

debiendo detenerse la secuencia de cálculos cuando la distancia de la nueva
localización respecto a la de la iteración anterior sea inferior a una proporción
predefinida por el analista (por ejemplo, menos de un 0,01 por ciento).
Cuando se trata de un problema de multi-localización, es decir, con dos o

más instalaciones, sin embargo, ya no existe un procedimiento que garantice la
consecución del óptimo. A efectos de aproximarse a los emplazamientos óptimos
se han propuesto varios procedimientos, siendo uno muy conocido el algoritmo
“alternante” de los mencionados autores. Su mecánica es como sigue:
• Ubicar inicialmente las instalaciones en unos puntos provisionales. Esto

puede hacerse aleatoriamente o mediante decisión subjetiva del analista.
Esta segunda opción suele ser preferible para atinar mejor en el logro del
resultado correcto, evitando soluciones sub-óptimas o aberrantes (por
ejemplo, que alguna instalación carezca de puntos de demanda asignados
a ella).
• Tras calcular la distancia desde cada punto de demanda a esas

ubicaciones iniciales, asignar cada punto de demanda a la instalación
más próxima (fase de asignación). Con ello se conforman k subconjuntos
de puntos de demanda (uno por cada centro de servicios a implantar).
• 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}
m aij d iYi m aij Yi

q r +1
j =∑ ∑
i =1 cijr i =1 cijr
{3.39}
siendo pjr+1 y qjr+1 las coordenadas x e y de la instalación j, aij una

variable binaria (0/1) que indica a qué centro de servicio j es asignado
cada punto de demanda i, di la demanda del punto i, Xi e Yi las
coordenadas del punto de demanda i, y crij la distancia desde el punto i a
la instalación j en la iteración r.
• Calcular las nuevas distancias cij y repetir iterativamente la aplicación de

las anteriores fórmulas, ajustando la ubicación de la instalación para
cada subconjunto hasta que el desplazamiento de dicha instalación sea
menor que una cifra pequeña prefijada (por ejemplo, un 0,01 por ciento).
• Calcular de nuevo las distancias desde cada punto de demanda a las

nuevas localizaciones de todas las instalaciones y re-asignar los puntos
de demanda a las instalaciones más próximas.
• Repetir las fases b-e hasta que no haya cambios de asignación de los
puntos de demanda entre los centros de servicio.
El principal inconveniente de este procedimiento es que el algoritmo puede

quedar atrapado en lo que se conoce como un óptimo local y no lograr el global
buscado. Dicho de otro modo, el resultado depende del conjunto de arranque
inicial, aunque aquel siempre será mejor que éste. Por tal motivo, es preciso repetir
todo el procedimiento arrancando con diferentes conjuntos iniciales de
localizaciones para las instalaciones, hasta corroborar varias veces que el óptimo es
el mismo. Otros algoritmos diseñados con el mismo propósito (p. ej., el de Norbeck
y Rystedt, 1971) adolecen del mismo inconveniente.
3.4.2.2 TÉCNICAS PARA MODELOS EN ESPACIO DISCRETO

Los modelos de este grupo plantean también importantes problemas de
resolución exacta. Por ejemplo, el p-mediano, el UFLP, el P-centros, el del
conjunto de cobertura, etc., son NP-duros. A modo de ilustración, si se tratase del
problema p-mediano con 50 sitios candidatos (n) y 5 centros de servicio a ubicar
(k) habría:
⎛ 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.
Una alternativa primera para resolver los modelos de localización óptima

ha sido la programación matemática y, dentro de ella, la parcela conocida como
programación combinatoria o 0/1. Esta metodología permite obtener la solución
exacta de los problemas y su nombre deriva del hecho de que, como hemos
expuesto en apartados previos, tales modelos se formalizan como una función a
optimizar y una serie de restricciones, a manera de ecuaciones e inecuaciones, en
las que la variable de decisión clave (la incógnita) es la que alude a qué
subconjunto de k lugares de entre los n sitios posibles forma la solución óptima del
problema20. Tal variable solo puede tomar como valores bien cero, bien uno, ya
que identificará la combinación de lugares que constituye la solución. Dentro de
esta línea, la vía para resolver estos problemas de forma exacta es aplicar un
algoritmo llamado branch and bound (ramificar y acotar), pero lamentablemente
los límites, en cuanto a tamaño, de los problemas abordables son pequeños (150
puntos). Ante la eventualidad de que estos algoritmos consuman un tiempo
desorbitado de cálculo por ordenador, se recurre a otra estrategia bien conocida:
20
Al respecto resulta recomendable la obra de Daskin (1995), que contiene abundantes ejemplos
desarrollados.
reformular el problema (mediante lo que se llama dualización) y aplicar la técnica

de la relajación lagrangiana con optimización subgradiente, que ha permitido tratar
problemas de hasta 800-900 puntos (vid. Church y Sorensen, 1996, p. 170).
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.
• Algoritmo Attila, conocido también como stingy o drop. Parte de

localizar una instalación en todos los n sitios candidatos. En el ejemplo
del problema p-mediano ello arrojaría el mínimo desplazamiento global
de la demanda, lo cual equivale a la función objetivo más pequeña
posible. A continuación se procede a eliminar de los n sitios aquel que
ocasionaría el menor aumento en la función objetivo, lo cual implica
probar con la eliminación temporal de cada uno de ellos. Una vez
resuelta la primera eliminación se repite el proceso de eliminación hasta
retener exactamente k lugares, que se tomarían como solución.
• Algoritmo Babel, conocido también como greedy o add. Procede de

forma inversa al anterior ubicando una primera instalación en aquel sitio
que arroja la menor función objetivo, lo que implica probar con cada uno
de los n sitios posibles. Una vez identificado queda ya incluido en el
conjunto solución y se procede a buscar una nueva localización
adicional, seleccionando entre los n–1 restantes aquel sitio que produce
la disminución mayor en la función objetivo. El proceso de añadir
nuevos sitios se continúa de la misma manera hasta haber seleccionado
la cifra de k sitios buscados.
• Algoritmo de intercambio (Interchange) de Teitz y Bart (1968). Es quizá

el más extendido y su lógica es como sigue:
– Un conjunto arbitrario de sitios es elegido de entre el total de lugares

candidatos para ubicar en ellos los centros de servicio de forma
provisional.
– La función objetivo (por ejemplo, el desplazamiento total a ese
conjunto inicial de centros) es obtenida.
– De los sitios que no están en el conjunto inicial, el primero sustituye
temporalmente a cada uno de los centros de aquel conjunto. La
función objetivo es calculada para cada uno de los conjuntos

temporales resultantes de esos cambios. Si de tales cambios resulta
un valor de la función objetivo menor que la inicial, aquella
combinación que ofrece la menor función objetivo es retenida de
forma permanente, lo que da un conjunto distinto de sitios centros.
– El procedimiento descrito en la etapa 3 se repite para cada sitio que
no está en el conjunto solución.
– Las etapas 3 y 4 son reiteradas hasta que un examen completo de
todos los sitios, fuera del conjunto solución, demuestra que no
aparecen reducciones en la función objetivo y cambios en el conjunto
solución.
En resumen, la solución final garantiza que ningún centro puede ser
reubicado a otro lugar y producir una función objetivo menor. Tal resultado no es
necesariamente el óptimo, puesto que cambiando dos o más sitios simultáneamente
podrían eventualmente ocasionarse tales mejoras. Un ejemplo simple de cálculo de
este algoritmo, aplicado al modelo p-mediano se ofrece en el Apéndice, al final de
este libro.
La indagación sobre procedimientos de búsqueda de soluciones es

abundante y las tendencias al respecto se dirigen hacia el diseño de algoritmos
híbridos o meta-heurísticas, estrategias de alto nivel que combinan dos o más
procedimientos simples (heurísticos) para aumentar la robustez, pero resultan
menos eficientes. Así algunos autores aplican el algoritmo Interchange a la
solución obtenida previamente con Babel o Attila. Entre los que cuentan con mayor
predicamento reciente merece citarse, como metaheurísticas, la recristalización o
enfriamiento simulado (simulated annealing), GRASP (greedy randomized
adaptive search procedure), la búsqueda con memoria (Tabu search) que se ha
revelado como una de las mejores (vid. Glover y Laguna, 1997), GRIA de
Densham y Rushton o BCO (bee colony optimization) que ha obtenido muy buenas
soluciones en un tiempo despreciable (vid. Davidovic et al., 2011).
Referencias y descripciones más amplias sobre heurísticas pueden hallarse

en Whitaker (1982), Church y Sorensen (1996), Miller (1996), Moreno Pérez
(1996), Blum y Roli (2003) y de Smith et al. (2007, cap. 7). También puede
resultar útil visitar Wikipedia (entrada “metaheurística”).
La aplicación de los algoritmos heurísticos tiene la ventaja de disponer

bien de programas ad hoc, bien de SIG, como Arc/GIS 10, que los resuelven de
forma bastante cómoda. Sin embargo, un inconveniente común a todos ellos es que
tampoco pueden asegurar que la solución mejor encontrada sea la óptima, por lo
que la cautela se impone.
Tras todo lo expuesto es lógico que al investigador se le plantee qué

alternativa de resolución adoptar. Al respecto, en la parte II de esta obra se ofrecen
al lector varias opciones. Sin duda, el software de programación matemática
conforma la vía preferida por los desarrolladores de modelos, si bien presenta
algunas desventajas (inconexión con los sistemas SIG, inadecuación para
problemas con muchas instalaciones y sitios candidatos, dificultad de comprensión
de la técnica, etc.). En esta línea el manual de Church y Murray (2009) opta por el
sistema LINGO y ofrece una iniciación al mismo. De otro lado la opción de los
algoritmos heurísticos resulta muy extendida. La elección de uno de ellos requeriría
que fuese robusto (que atinase en la solución de forma consistente), fácil de
entender, eficiente (rápido) en el cómputo y capaz de integrarse en las estructuras
de datos y SIG existentes (Church y Sorensen, 1996, p. 174). A la luz de lo
anterior, los mencionados autores recomiendan finalmente tres: Interchange, GRIA
y TABU, y especialmente los dos últimos. La robustez del primero de ellos fue
probada en un trabajo de Rosing et al. (1979), cuando los otros no existían. Church
y Sorensen (1996, pp. 177-182) han experimentado con GRIA y, en general,
recomiendan que, para tener mayor certeza en la resolución del problema de
optimización, se adopte esta regla (test RAP): aplicar de forma reiterada la
heurística elegida, arrancando cada vez con conjuntos de sitios candidatos
diferentes generados al azar, hasta que la mejor solución haya sido identificada t
veces, sin hallar una mejor. Como valor para t los autores proponen 3, tras el
experimento que realizaron. ReVelle et al. (2008) han probado otra metaheurística,
denominada “concentración heurística” (CH), en la que en tres fases sucesivas
usaban el algoritmo de intercambio para resolver un problema de cobertura
máxima. En sus conclusiones señalan la notable robustez de los resultados
obtenidos en tan solo 25’ (comparándolos con la solución exacta, mediante
programación matemática que tardó 38,5 h). Mencionan además que en pruebas de
otros autores la CH superó incluso a la búsqueda Tabú al tratar el modelo p-
mediano.
En cualquier caso, y como se comentó al comienzo de este apartado, el

esfuerzo de cómputo preciso para la resolución de estos modelos persiste y algunos
autores han investigado qué factores influyen en dicho esfuerzo. Hace ya años
Morris (1978) experimentó y pudo probar que con problemas muy pequeños (entre
5 y 8 puntos de demanda) los métodos de programación matemática resolvían
eficientemente los problemas. Peeters y Thomas (1995) comprobaron que, en
problemas con redes, la densidad y dirección de los arcos de la red afectaban
claramente a la solución alcanzada. Schilling, Rosing y ReVelle (2000) han
realizado experimentos con redes de variadas propiedades y concluyen que, con
redes en las que las distancias entre nodos no son simétricas (por ejemplo, por
sentidos únicos o velocidades dispares según sentido), se produce un efecto
significativo en la eficiencia del método de resolución (sea programación
matemática o heurística). Cuando la propiedad de la desigualdad triangular en las
distancias no concurre entonces la calidad de las soluciones alcanzadas se reduce

ostensiblemente.
3.5 COMENTARIOS FINALES

Los modelos de optimización espacial constituyen el exponente de una
labor de investigación de pujanza consolidada, como denota la cifra de
publicaciones, que ha afrontado un reto sumamente ambicioso: concebir y construir
herramientas que, representando de forma cada vez más exacta los procesos y
problemas reales, ayuden a hallar la mejor de las soluciones. La complejidad de los
hechos y la relativa simplicidad de muchos de los modelos antaño formulados
pueden abonar una actitud de cierta decepción, dadas sus limitaciones, si bien los
nuevos desarrollos resultan cada vez más realistas. En cualquier caso, debe
insistirse en que los modelos descritos se incluyen dentro del arsenal de
herramientas de apoyo a las decisiones espaciales y que, reflexivamente usados,
pueden servir para finalidades muy válidas en procesos de planificación y gestión
espacial, tales como:
• Generar y examinar un amplio abanico de alternativas (esquemas de

localización) e identificar el mejor desde uno o varios puntos de vista.
• Respaldar y añadir justificaciones argumentales a opciones

contempladas por los decisores. La aseveración de que tal escenario es el
mejor posible desde uno o unos determinados puntos de vista contiene
una fuerza indiscutible.
• Comparar las soluciones óptimas con las políticamente aceptables,

valorando sus semejanzas y diferencias.
• Evaluar periódicamente si las estrategias y esquemas de localización que

se van adoptando son congruentes con los óptimos, etc.
En cualquier caso, la prudencia aconseja que estas herramientas, más que

como panacea de resolución automática de problemas de actuación, se contemplen
simplemente como una ayuda para generar, examinar y visualizar mejor las
opciones del espacio de decisión y para poder elegir con mejor fundamento. Los
progresos que suponen los recientes modelos en lo atingente a representación de la
realidad y su confluencia con los SIG (vid. Bosque y Moreno, 1990), apoyan la
confianza en una línea de investigación, cuya fertilidad futura está fuera de duda.
En la parte tercera de esta obra podrá el lector conocer un amplio abanico de
aplicaciones académicas, que hacen uso de los modelos expuestos con datos reales
y en contextos geográficos variados.
4Capítulo 4
EL USO DE LOS SIG PARA LOCALIZAR

EQUIPAMIENTOS E INSTALACIONES
4.1 EL PAPEL DE LOS SIG EN EL ESTUDIO DE LA

LOCALIZACIÓN
Los procedimientos planteados en los dos capítulos anteriores tienen en
común la exigencia de necesitar una amplia base de datos sobre el territorio a
estudiar y de tener que realizar numerosas operaciones, tanto matemáticas como
geográficas, para aplicar dichos procedimientos.
En ambas cuestiones, como ya se ha indicado en los anteriores capítulos,

los Sistemas de Información Geográfica suponen una ayuda importante que pueden
facilitar la más rápida y eficiente realización de los procedimientos mencionados.
Veamos con algo más de detalle todo esto.
4.1.1 Posibilidades de uso de las distintas funciones de un SIG

para el estudio de problemas de localización
Los SIG disponen, habitualmente, de funciones potentes para digitalizar los
datos geográficos y generar con ellos una base de datos extensa y bien organizada
que puede suministrar, por tanto, los datos que necesitan los procedimientos de
localización que estamos planteando (Bosque Sendra, 1997, cap. 6). Evidentemente
en la actualidad no existe alternativa valida a los SIG para desarrollar estas tareas.
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.
Finalmente, las funciones cartográficas y de representación gráfica de los

datos y de los resultados obtenidos con ellos, facilitan mostrar a los distintos
usuarios los resultados de los procesos de localización óptima que se desarrollan
dentro de un SIG (Bosque Sendra, 1997, cap. 14). No obstante, se han planteado
formas especializadas de cartografía para presentar los problemas de localización,
algunas de las cuales son difíciles de elaborar con las capacidades cartográficas
típicas de un SIG comercial (Armstrong y otros, 1992). Por ello, en cualquier
herramienta que se desarrolle, basándose de alguna manera en un SIG, es necesario
incluir algunas de estas formas de presentación cartográfica, ver, por ejemplo, lo
mostrado en el capítulo 7.
En conclusión, aparentemente los SIG constituyen unas herramientas

imprescindibles para tratar de resolver, en la actualidad, los problemas de
localización óptima, pero, por desgracia, también se han encontrado numerosas
deficiencias e insuficiencias en las funciones usuales de los SIG para el estudio de
este tipo de problemas.
4.2 INSUFICIENCIAS DE LOS SIG EN EL ESTUDIO DE

LA LOCALIZACIÓN ÓPTIMA
Las deficiencias mencionadas en la literatura sobre el uso de SIG en
problemas de localización, y más en general para el análisis espacial (Anselin y
Getis, 1993), se pueden clasificar en dos tipos (Bosque Sendra, 2001):
• Problemas conceptuales o metodológicos generales, derivados de la

organización básica de los Sistema de Información Geográfica.
• Problemas técnicos relacionados con las funciones habitualmente

disponibles en estas herramientas. Veamos cada uno de ellos.
Los problemas más generales y profundos están relacionados con el

diseño inicial de los Sistema de Información Geográfica, que han sido construidos
con un enfoque generalista y de reducida especialización; es decir, los SIG han sido
© RA-MA CAPÍTULO 4. EL USO DE LOS SIG PARA LOCALIZAR EQUIPAMIENTOS... 125
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).
Sin embargo, el estudio de los problemas de localización óptima necesita

una serie de herramientas especializadas para el tratamiento y resolución de
problemas y cuestiones muy definidas, y también resultaría de interés tener los
medios para simular y conocer las causas y los procesos internos que conducen a
las distribuciones espaciales de las instalaciones que resulten más adecuadas. Para
todo ello los SIG son una plataforma interesante pero insuficiente.
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.
La adopción de decisiones en un problema de localización óptima, como en

otros de la misma índole geográfica y de planificación, requiere, habitualmente,
datos de dos tipos: por un lado aquellos que se suelen denominar “hard”, duros
(Malczewski, 1999, p. 12), combinados con otros considerados “soft”, blandos. Los
primeros son aquellos que se miden en términos precisos, cuantitativos (obtenidos,
por ejemplo, a partir de los censos demográficos, o mediante la teledetección, etc.),
mientras que los segundos proceden de las opiniones, preferencias y juicios de las
personas y de los agentes implicados en la búsqueda de la localización óptima
(usuarios, políticos, etc.). Los datos “blandos” están expresados en términos más
vagos y cualitativos. Pero, en un proceso de localización óptima, es preciso
combinar ambos tipos de datos para que se pueda simular de manera más realista
las conclusiones y las decisiones normalmente realizadas por las personas y los
expertos que actúan y viven sobre el territorio.
En la actualidad los SIG están bien preparados para gestionar datos

“duros”, expresados en términos precisos, pero no tanto, ni mucho menos, para la
utilización simultánea de los otros tipos de datos (Bosque Sendra y otros, 1992 y
1995). Las deficiencias para ello son muy numerosas y diferentes: las bases de
datos tropiezan con dificultades para integrar y almacenar correctamente datos que
no son precisos, podríamos decir “deterministas”, sino, por el contrario, afectados
de incertidumbres, es decir probabilísticos o “borrosos”; tampoco existen en un

Sistema de Información Geográfica técnicas y capacidades suficientes para
manipular este tipo de datos imprecisos o dependientes de opiniones.
De la misma manera, si se consideran los procesos de adopción de

decisiones, entre los que se encuentran la localización óptima de instalaciones,
también se observan deficiencias en las actuales posibilidades analíticas de los SIG.
El economista Herbert Simon estableció un esquema muy difundido para la
adopción racional de una decisión. Según este esquema son necesarios tres
momentos en este proceso:
1. La “inteligencia”, el entendimiento amplio del problema a resolver por

la decisión a adoptar.
2. El “diseño” de las alternativas de solución al problema planteado en la

fase anterior.
3. La “evaluación” de las alternativas definidas en la segunda fase, de

modo que queden ordenadas por su mayor o menor validez como
solución al problema.
En cada una de estas fases se pueden encontrar deficiencias significativas

en los SIG actuales para llevar adelante, con eficacia, las tareas normalmente
incluidas en cada una de ellas.
En la fase de “inteligencia”, de entendimiento de la cuestión, es evidente

que, mientras que por un lado, un Sistema de Información Geográfica presenta
capacidades muy importantes para analizar una situación geográfica y facilitar su
entendimiento: posibilidades de cartografía y presentación de resultados potentes y
variadas, por ejemplo. Sin embargo, por otra parte, en la literatura sobre estos
temas se han venido planteando las importantes deficiencias de los SIG en cuanto a
la posibilidad de exploración sistemática de un problema, al no incluir,
habitualmente, posibilidades de análisis estadístico o similar que permitan un
estudio profundo y detallado del problema, tanto desde un punto de vista temático
como espacial (Anselin y Getis, 1993). De este modo, en muchas ocasiones, es
necesario suplementar los SIG actuales con otros tipos de programas, por ejemplo
paquetes estadísticos, que no están adaptados a los requerimientos de los datos
geográficos. Una tendencia en este sentido es el desarrollo de los procedimientos
denominados ESDA (Análisis exploratorio espacial de datos) que facilitan la
exploración simultanea e interactiva de los aspectos temáticos y espaciales del
problema estudiado (Brunsdon y Charlton, 1996; Haslett, Wills y Unwin, 1990). En
Densham (1996) se puede encontrar una aplicación concreta de estas ideas al
estudio de los problemas de localización óptima. También en diversos trabajos de

Buzai y Buxendale (2008, 2006) aparecen ideas y aplicaciones de gran utilidad.
La fase de “diseño” de las alternativas también presenta deficiencias en los

SIG. Nuevamente es preciso mencionar que los SIG actuales incluyen bastantes
medios de combinar los datos incluidos en su base de datos, de modo que se
facilitan bastantes posibilidades de generar alternativas. Como ya hemos
mencionado, las capacidades de superposición de mapas, cálculo de distancias y
áreas de influencia, etc., evidentemente que son útiles en este sentido. Pero también
es cierto que son métodos muy generales, más preparados para una manipulación
inicial de los datos que para tratar de resolver problemas geográficos concretos y
especializados, tales como los que se plantean normalmente en el estudio de la
localización óptima de actividades. Por ello, resulta necesaria la inclusión de
modelos explicativos/normativos de los fenómenos relacionados con la
localización óptima, que nos faciliten el estudio de los procesos generadores de una
concreta distribución espacial de las instalaciones y posibiliten resolver estos
problemas.
Finalmente, la fase de “evaluación” también muestra deficiencias para su

realización dentro de un Sistema de Información Geográfica. Hasta hace poco
tiempo, los SIG comerciales no incluían ninguna posibilidad realmente potente de
evaluar y ordenar las soluciones existentes a una cuestión. En especial, teniendo en
cuenta la consideración de datos imprecisos, que requieren métodos especiales de
evaluación, los cuales no eran fácilmente considerados por los pocos
procedimientos de evaluación incluidos.
En resumen, en las tres fases características del proceso de decisión los

SIG son útiles pero insuficientes para llevar adelante una adecuada y racional toma
de decisiones. Por todas estas razones, se ha planteado la necesidad de crear los
denominados “Sistemas de ayuda a la decisión espacial”, cada uno de ellos
especializado en el tratamiento de un problema concreto y específico y más
preparados para estudiar y tratar los procesos generadores de la cuestión
problemática a resolver. Es decir, disponer de una herramienta adecuada al estudio
de los problemas de localización nos exige pasar de un SIG a un Sistema de ayuda
a la decisión espacial especializado en la localización óptima de instalaciones
(Bosque y otros, 2000).
4.3 SIG Y SADE

Los Sistemas de ayuda a la decisión espacial (SADE) tienen un
fundamento en los Sistemas de ayuda a la decisión desarrollados desde los años
setenta para el tratamiento de cuestiones económicas y empresariales (Malczewski,
1997). La base de muchos de estos primeros desarrollos fue la ya mencionada obra
del economista H. Simon, que al estudiar las organizaciones puso en cuestión

algunas ideas habituales de la Economía y de su capacidad para explicar las
decisiones empresariales, insistiendo en la necesidad de modelar de manera más
realista el modo de proceder de los decisores, que no se basan en un único criterio,
el monetario, y que, por el contrario consideran, simultáneamente, la incidencia de
muchos factores, a veces poco precisos y expresados en términos diferentes y, a
veces, no comparables.
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.
Un SADE es un conjunto de elementos, tanto de carácter físico

(ordenadores, periféricos, etc.), como lógico (programas, datos y procedimientos)
que proporcionan el entorno adecuado para la adopción “racional” de decisiones
sobre problemas espaciales mal definidos. Decisiones que tienen que ser adoptadas
por personas (o grupos de personas) que no tienen que ser expertos en ordenadores
ni en Informática sino buenos conocedores del problema tratado, y que, por lo
tanto, usan el SADE como una herramienta de fácil manejo.
Un SADE debe ser capaz de proporcionar herramientas para desarrollar las

tres fases ya conocidas del esquema de adopción de decisiones de Simon:
1. La exploración del problema a tratar, con la finalidad de conocer

adecuadamente sus complejidades y facilitar la formulación de hipótesis
que lo puedan resolver.
2. El diseño de numerosas soluciones y alternativas planteadas desde muy

diferentes ángulos y puntos de vista, los de los distintos grupos de
intereses que, normalmente, están implicados en una cuestión espacial.
3. La evaluación precisa, cuantitativa o que, al menos, jerarquice las

alternativas anteriormente diseñadas, teniendo en cuenta para ello un
amplio conjunto de criterios de valoración y las diversas preferencias
expresadas por los distintos grupos de intereses.
Todas las anteriores actividades se deben realizar en un entorno de fácil

acceso, de manera que los “decisores”, que no tienen que ser expertos en el uso de
estos programas, puedan utilizarlos con comodidad.
La estructura general de un SADE se puede esquematizar en el gráfico

adjunto (ver figura 4.1, que contiene un esquema de los componentes típicos de un
sistema de apoyo a las decisiones, basado en Armstrong, Densham y Rushton,
1986).
Figura 4.1. Arquitectura de un Sistema de ayuda a la decisión espacial
Componentes de un Sistema de ayuda a la decisión espacial
De acuerdo con lo planteado en Bosque y otros (2000) los diversos

componentes de un SADE serían los siguientes:
• Generador de gráficos: Un sistema que sea capaz de elaborar gráficos

estadísticos y mapas que permitan la exploración de las características
del problema, por tanto, capaz de mostrar simultáneamente dos
“espacios”: el geográfico y el matemático de las soluciones al problema.
En la línea de los procedimientos ESDA ya mencionados.
• Generador de informes: Capacitado para, por un lado, explorar el

problema (análisis estadístico exploratorio: EDA y ESDA) y, por otra
parte, elaborar informes y resultados impactantes y claros.
• SGDB: Sistema de gestión de bases de datos. En un SADE, al igual que

en un Sistema de Información Geográfica, los datos son de dos tipos:
espaciales y temáticos, por lo que la base de datos tiene que estar
preparada para integrar y organizar esas dos características.
• SGMOD: Sistema de gestión de modelos matemáticos. Pensados para

generar alternativas y soluciones diferentes al problema tratado por el
Sistema de ayuda a la decisión.
• Evaluación de alternativas: Un conjunto de procedimientos ma-

temáticos que permitan jerarquizar las diferentes soluciones estudiadas:
técnicas de evaluación multicriterio (EMC).
• Interfase al usuario: Un mecanismo para la comunicación sencilla e

intuitiva entre el usuario (un decisor no experto en manejo de
programas) y el sistema. Se puede basar en un sistema experto que guíe
al usuario a realizar un análisis inicial y rudimentario y a generar un
informe.
Estrategias utilizables para crear un SADE para la localización de

equipamientos e instalaciones
Una vez definidas las características básicas de un SADE podemos

plantearnos los procedimientos más adecuados para su creación. Existen al menos
dos posibilidades para ello:
• Partir de los programas desarrollados para el estudio de la localización,

por ejemplo los creados para poner en práctica los modelos de
localización-asignación estudiados en el capítulo 3 y añadirles algunas
funciones tomadas de un SIG: digitalización de datos, cartografía, etc.
Por ejemplo, en el trabajo de Armstrong y otros (1990), se plantea la
combinación de un procedimiento general de resolución de problemas con
una base de datos de conocimientos (específicos de un tema), ambos
elementos se usan para poder generar diversos escenarios que facilitan al
usuario estudiar sistemáticamente los resultados de una serie de análisis.
Mas tarde en Armstrong y otros (1991), se propone otro ejemplo de SADE
adaptado a la determinación de regiones y a la localización dentro de ellas
de instalaciones educativas que minimicen tanto el coste de los viajes
necesarios para su uso por la demanda como la máxima distancia que la
población tiene que recorrer.
• La otra posibilidad es, precisamente, la contraria, partir de un SIG y

añadirle los elementos que faciliten su conversión en un verdadero
SADE. En esta línea se puede mencionar, por un lado, el trabajo de
Mendes y Silva (1996). Un segundo ejemplo muy interesante es el
sistema OSDM que facilita la localización de un depósito de seguridad
para basuras radiactivas en Gran Bretaña, y lo hace a través de Internet,
de modo que es accesible a cualquier persona, facilitando así la

participación pública (Carver, 1999).
En esta misma línea (partir de un SIG para llegar a un SADE) se planteó el

desarrollo del sistema LOCALIZA (Bosque y otros, 2000; Bosque y otros, 2007).
La finalidad de esta herramienta sería facilitar los medios para poder seleccionar de
modo más correcto las localizaciones “óptimas” donde situar diferentes tipos de
equipamientos sociales, desde los que son muy atractivos para la población
(escuelas, centros de salud) hasta los que resultan repelentes y no deseados por los
habitantes de un lugar (vertederos de basuras, depósitos para residuos industriales,
etc.), pasando por el caso especial de los centros comerciales.
Para llevar esto a cabo se partía de un Sistema de Información Geográfica

comercial bastante difundido, el programa IDRISI para Windows, y se intentaba
ampliar sus posibilidades de análisis para convertirlo en un verdadero SADE para
este tema. Con esta finalidad se mejoraron las capacidades de IDRISI en varios
sentidos:
• Exploración de la situación existente con el fin de desarrollar

hipótesis para la resolución de su problemática: en este caso se ha
optado por desarrollar un conjunto de procedimientos específicos del
problema estudiado que permiten analizar y describir las características
globales y espaciales de la oferta frente a la demanda de equipamientos.
Entre ellos se pueden citar funciones para el análisis de accesibilidad de
la población a las instalaciones existentes en una región, medios para
evaluar la situación global del servicio ofrecido por las instalaciones
(valor de la eficiencia y de la justicia espacial del servicio), algunas
formas especiales de cartografía de especial utilidad en este problema,
etc.
• Procedimientos que permiten llevar a cabo la generación de

soluciones al problema de la localización óptima de instalaciones: en
concreto, inclusión de los modelos matemáticos de localización-
asignación que se emplearían para generar nuevas soluciones al
problema de la localización de equipamientos. Se han incluido modelos
para instalaciones deseables (p-mediano, cobertura máxima, etc.),
instalaciones no deseables (maxisum, anticobertura, etc.) e instalaciones
comerciales (máxima demanda, etc.).
• Procedimientos que permiten evaluar las soluciones desarrolladas

en los apartados anteriores: en este caso, dadas las funciones de
evaluación multicriterio existentes en IDRISI, no se han ampliado las
capacidades de este programa.
En resumen, LOCALIZA era una aplicación (un verdadero Sistema de

ayuda a la decisión espacial) que ampliaba y mejoraba las capacidades del IDRISI
para Windows, facilitando su uso especializado en el estudio de los problemas de
localización óptima de instalaciones, de este modo, y dada la interfase intuitiva y
simple del programa, es más sencillo y posible el estudio y resolución de este tipo
de problemas. Esta herramienta, que tiene el grave problema de solo funcionar
unido a una versión ya antigua de IDRISI, se puede obtener de:
http://www.geogra.uah.es/joaquin/localiza/.
4.4 LOS COMPONENTES DE LA BASE DE DATOS PARA

TRATAR LOS PROBLEMAS DE LOCALIZACIÓN
De acuerdo con todo lo anterior, a partir de este punto aceptamos, en el
resto de este texto, que el tratamiento de los problemas de localización se hace
usando un SIG como instrumento básico para crear la base de datos y para empezar
su tratamiento, y ampliando sus capacidades usuales para convertirlo, en la medida
de lo posible, en un SADE especializado en la localización óptima. Por ello, un
tema importante es discutir cómo debe estar organizada la base de datos de ese
SIG.
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:
• La demanda, es decir un mapa que muestre la distribución espacial de la

demanda, de las personas que desean o pueden tener necesidad de
emplear las instalaciones que estamos estudiando. Por ejemplo, los niños
que tienen que asistir a una escuela primaria.
• La oferta, es decir la distribución espacial de los lugares donde ya se

oferta el servicio que estamos estudiando. Las escuelas primarias a
donde tienen que dirigirse los niños para recibir la educación.
• Los lugares candidatos en los cuales es posible situar nuevos centros de

oferta. Es decir, es necesario realizar una labor inicial y previa de
determinar en qué lugares sería posible, teniendo en cuenta las razones
pertinentes a cada caso, situar un nuevo centro de oferta que pueda
mejorar la situación existente en esa región.
• La red de comunicaciones por la cual se producirán los

desplazamientos que son necesarios para que la oferta y le demanda se
pongan en contacto y se pueda producir la prestación del servicio.
• La población afectada, es decir un mapa que muestra la distribución

espacial de las personas que pueden verse afectadas, en sentido positivo
o negativo, por la localización de los lugares de oferta. Este tema es
importante sobre todo para el caso de las instalaciones no deseables.
En resumen, aunque otros temas pueden ser necesarios para matizar el

análisis, la base de datos a crear para tratar un problema de localización se puede
resumir en esos 4-5 temas. A continuación deberemos discutir que problemática
particular presentan estos mapas para su creación y uso en este contexto de
localización óptima. Para ello es imprescindible discutir el tema de las distancias.
4.5 EL CÁLCULO DE DISTANCIAS GEOGRÁFICAS Y

SUS PROBLEMAS
Un tema fundamental para toda la cuestión de la localización óptima es la
distancia. En realidad, podemos pensar que todo este tema se basa en minimizar o
maximizar o considerar en diversas formas las distancias que separan la oferta de la
demanda.
K&Zd
Kϭ KϮ ͙ KŶ
ϭ
D
Ϯ
E ŝƐƚ;ŝ͕ũͿ
͘
͘
͘
ŵ
Figura 4.2. Matriz de distancias para la evaluación de una situación
Más aún, podríamos esquematizar el estudio de estos problemas planteando

que lo primero que se debe realizar es la obtención de algún tipo de matriz de
distancias.
En concreto, la evaluación de una situación concreta y la determinación

precisa de los problemas que la oferta existente presenta para servir a la demanda
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).
Los diferentes procedimientos de evaluación y de cálculo de la

accesibilidad planteados en el capítulo 2 se basan, en alguna manera, en operar
sobre los valores de la matriz indicada en la figura 4.2.
Por otra parte, la búsqueda de nuevas localizaciones que mejoren y

complementen de manera óptima el servicio que la oferta presta a la demanda en
una región, necesita, como mínimo, el cálculo de una matriz de distancias entre los
puntos de demanda (en las filas) y los puntos de oferta y los puntos candidatos en
las columnas (ver figura 4.3). Los modelos de localización-asignación estudiados
en el capítulo 3 trabajan sobre los valores de la matriz de distancias de la figura 4.3,
ahora Dist(i,j) es la distancia entre un punto de demanda j y un punto de oferta o
candidato i.
K&Zd
Kϭ KϮ ͙ KŶ ϭ Ϯ ͙ Ɖ
ϭ
D
Ϯ
E ŝƐƚ;ŝ͕ũͿ
͘
͘
͘
ŵ
Figura 4.3. Matriz de distancias para los modelos de localización óptima
En resumen, la base de datos a crear dentro de un SIG, conteniendo los

cinco temas anteriormente citados, tiene que ser organizada considerando como
cuestión primordial que a partir de esos temas es necesario obtener matrices de
distancia similares a las aquí indicadas.
Esta exigencia plantea importantes restricciones en la organización de la

base de datos. La más importante se refiere a la definición de los lugares de oferta,
demanda y candidatos como elementos puntuales, poligonales o lineales. Es bien
conocido que los SIG comerciales suelen diferenciar los datos geográficos en
función del número de dimensiones topológicas que tienen, los puntos con cero
dimensiones, las líneas con una y los polígonos con dos dimensiones. En nuestro
caso el problema reside en que el cálculo de distancias entre lugares puntuales es
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.
Una segunda cuestión de importancia es el mecanismo para determinar los

valores de las distancias entre oferta y demanda. Existen numerosos
procedimientos disponibles, cada uno de ellos con ventajas e inconvenientes (en el
capítulo 1 ya se han planteado algunas de ellas). Veamos algunos de ellos.
Para diferenciar entre procedimientos de cálculo de distancias tenemos que

discutir el modelo de datos seleccionado para representar en un SIG los elementos
mencionados: oferta, demanda, red de carreteras. Como es conocido existen
básicamente dos posibilidades: el modelo vectorial y el modelo raster.
En el caso de emplear el modelo vectorial la representación de oferta,

demanda, redes se tienen que relacionar mediante el establecimiento de una “red”,
formada por nodos y por tramos lineales que relacionan los nodos. Los puntos de
oferta y demanda se situarían de alguna manera en los nodos, los tramos lineales
representarían la red de comunicaciones. Además cada uno de los tramos lineales
llevarían asociada una “impedancia” que mide la mayor o menor dificultad para
pasar (para recorrer) este tramo. Estas impedancias pueden medir la dificultad de
paso en diferentes unidades: metros de recorrido, tiempo de recorrido, costes

monetarios, e incluso, valores percibidos por los posibles usuarios. En este sentido
se puede estudiar el capítulo 8 de este volumen donde alguna de estas posibilidades
se trata en detalle.
Planteado así el problema la determinación de distancias entre los nodos

con oferta y los nodos con demanda, se convierte en la cuestión de encontrar a lo
largo del amplio conjunto de trayectorias posibles en la red, aquella que resulte de
menor valor/menor dificultad. Para esto existen diversos algoritmos que han sido,
bastantes de ellos, implementados en SIG comerciales, dentro del apartado
denominado “análisis de redes”. Uno de los algoritmos más difundidos en este
sentido es el elaborado por Dijkstra, en la obra de Daskin (1995) se puede
encontrar una descripción detallada. Aplicando de forma reiterada este algoritmo es
posible obtener la matriz de distancias que deseemos, que sería el elemento básico
para los análisis de localización posteriores.
Una segunda posibilidad es emplear el modelo raster, en este caso los

mapas de oferta y demanda y el de redes se representan como píxeles con
diferentes valores. Aparentemente la distinción entre puntos, líneas y polígonos
pierde sentido, pero no del todo. El cálculo de la matriz de distancias de alguna
manera exige seguir manteniendo la representación de oferta y demanda como
puntos.
En este caso los procedimientos de cálculo de distancias pueden ser varios.

En primer lugar, se pueden utilizar las ecuaciones simples, muy conocidas, de la
distancia euclidiana o de la distancia de Manhattan para determinar las matrices de
distancias que nos interesan. Evidentemente, esto supone una enorme
simplificación, ya que es evidente que los verdaderos recorridos de la población
para ir de los lugares de demanda a los de oferta no siguen exactamente este
procedimiento, como ya hemos insistido la población se desplaza a través de las
redes de calles o carreteras que aquí no han sido tenidas en cuenta. No obstante, en
bastantes casos los resultados conseguidos con este procedimiento son
relativamente adecuados a la realidad. Estos procedimientos también se pueden
emplear con datos representados en formato vectorial.
Más realista es usar los algoritmos de cálculo de costes de recorrido, en los

cuales se tienen en cuenta la existencia de carreteras o calles mediante la
formulación de mapas raster de fricciones unitarias (las fricciones unitarias son
semejantes a las impedancias vectoriales, y miden lo difícil y costoso que resulta
atravesar un píxel). En ellos los píxeles por donde discurre la red de
comunicaciones presentan fricciones mucho menores que los píxeles por donde no
existen esas calles o carreteras. De ese modo, los procedimientos de cálculo
permiten simular en bastante medida distancias que tienen en cuenta la existencia y
la posición de la red de comunicaciones. Existen diversos algoritmos de cálculo de

este tipo, muchos de ellos están implementados en los SIG comerciales, por
ejemplo el programa IDRISI incluye dos diferentes, denominados: COSTPUSH y
COSTGROW. El segundo de los cuales se aproxima en sus resultados a los que se
obtienen en un sistema vectorial con el algoritmo de Dijkstra, aunque presenta
algunos problemas en ocasiones (Gómez y Bosque, 2000).
En resumen, el cálculo de las matrices de distancia es posible usando los

procedimientos existentes en los SIG comerciales pero con modificaciones y
ampliaciones a veces no tan sencillas. Además, existen formas muy diferenciadas
de obtener estas matrices y debe ser el usuario el que decida que procedimiento
emplear. En las diversas herramientas disponibles para tratar la localización óptima
(algunas de ellas descritas en la segunda parte de este volumen) la cuestión se ha
resuelto de diversas maneras. Por ejemplo, en el caso del programa LOCALIZA se
incluyeron tres posibilidades: la distancia euclidiana, la distancia de Manhattan y
la obtención de costes de recorrido, considerando la existencia de redes de
comunicación, usando el algoritmo COSTPUSH. En otras herramientas la cuestión
es similar, así FLOWMAP permite obtener distancias en línea rectas y a través de
la red viaria (calles, carreteras, etc.). Además, incluye la posibilidad de algunos
refinamientos interesantes, por ejemplo cálculo de autodistancias para unidades
espaciales poligonales, superando la simplificación de usar el centroide.
4.6 LA ORGANIZACIÓN DE LA BASE DE DATOS

Una vez planteados los componentes de la base de datos a crear y la
principal restricción que se debe tener en cuenta (la necesidad de calcular
distancias entre los elementos de la oferta y de la demanda) podemos pasar a
discutir la organización concreta de esa base de datos.
Para ello, es necesario determinar la geometría de los 4-5 elementos

mencionados: oferta, demanda, red de transporte, etc.
La definición de la red de calles/carreteras a utilizar en los programas depende de

cómo se distribuyan espacialmente la oferta y la demanda, es decir, a qué tipo de
elementos espaciales se atribuye la oferta/demanda: puntos, líneas o polígonos.
Los datos para medir la demanda
Habitualmente la principal fuente para obtener la demanda potencial de

cualquier instalación de oferta, en España (y de manera similar en otros países), es
el censo de población, que contiene datos sobre el tamaño de la población de una
región y sus características de edad, sexo, situación económica. En general este

tipo de dato se puede conseguir en los siguientes formatos:
• Referidos a elementos de tipo poligonal de tamaño relativamente

importante con relación a la superficie total del área de estudio:
secciones censales, barrios, distritos, municipios, etc. La obligación, que
ya hemos justificado, de que los datos sean referidos a elementos
puntuales determina la necesidad de convertir estos elementos
poligonales en puntos, normalmente empleando el denominado centroide
de cada una de estas zonas espaciales. Evidentemente se pierde bastante
detalle espacial de la posición de la población/demanda, pero para
muchos estudios resulta suficiente la resolución espacial conseguida.
• Referidos a las manzanas urbanas, también llamadas “cuadras” en
muchos países (zonas poligonales de tamaño mucho más reducido),
igualmente se puede atribuir (la demanda existente en ellas) a un punto
(el centroide), en este caso la resolución espacial es muy elevada y el
error producido mucho menor.
• Referidos a direcciones postales. Ahora no se produce error en la
posición espacial de la demanda, la única complicación es la relación
entre estas direcciones postales y la red de carreteras, una posibilidad
interesante para ello es geocodificar cada dirección postal como un
punto distribuido a lo largo del tramo de calle que le corresponde, de
modo similar a como lo realiza, por ejemplo, el procedimiento
ADDRESMATCHING del programa ARC/INFO. El problema consiste
en que se generan una enorme cantidad de puntos diferentes, lo que
dificulta el trabajo de cálculo. Otra dificultad de este formato es que no
es tan habitual disponer de datos de este tipo, muchas veces se considera
que violan el secreto estadístico, por lo que solo en algunas ocasiones se
dispone datos en este formato.
Los datos para medir la oferta
En principio, la oferta siempre estará ligada a puntos concretos de la

región, los lugares concretos donde se ofrecen los diferentes servicios y bienes,
habitualmente se conoce la dirección postal de estas instalaciones por lo que
usando la ya citada geocodificación de direcciones se les puede situar
aproximadamente (o exactamente) en relación a la red de calles/carreteras. Es
posible que algunos bienes o servicios estén relacionados con elementos
geográficos de tipo lineal pero son los menos y no serán considerados en este
trabajo o se convertirán, como en el caso anterior, a elementos puntuales
determinando el centroide de la línea.
En resumen, tanto la demanda como la oferta quedan, en este

planteamiento, asignadas a localizaciones espaciales puntuales, que son las más
sencillas de trabajar y las que más intuitivas resultan, no obstante como ya
sabemos, esto supone una importante simplificación que empieza a ser estudiada y
que, posiblemente, podría ser eliminada utilizando las ideas contenidas en el
trabajo de Miller (1996). No obstante, en este texto, y en la mayoría de las
herramientas disponibles para resolver este tipo de cuestiones, se parte de utilizar
como elementos básicos para representar la demanda, la oferta y los puntos
candidatos, elementos puntuales.
Otra posibilidad interesante para tratar este problema es la consideración

del formato raster. En este caso, los puntos o centros de demanda (los que
presentan el mayor problema en cuanto a simplificación espacial al ser
considerados puntos) se pueden representar como polígonos y, por tanto, aparecer
como muchos píxeles contiguos, todos ellos con el mismo ID de un centro de
demanda. A cada píxel de un centro de demanda se le puede asignar un valor de
demanda, por ejemplo la densidad de demanda por píxel, de este modo la
representación de la demanda es muy precisa. A partir de estos dos mapas, uno con
los ID de los centros de demanda y otro con la densidad de demanda por píxel, se
pueden formular estrategias para, usando las órdenes de un SIG raster de cálculo de
distancias o de costes, generar mapas de distancias/costes a cada lugar candidato
que multiplicados cada uno de ellos por la densidad de demanda proporciona un
conjunto de mapas de la función objetivo a minimizar, sumados los valores de
todos esos mapas, se obtiene el valor de la función objetivo en una combinación de
lugares candidatos, y esto se puede integrar en el algoritmo de resolución de los
modelos de localización-asignación para llegar a obtener la combinación óptima.
Con este procedimiento se podría resolver la simplificación geométrica antes
mencionada, no obstante existen diversas dificultades prácticas de implementación
de esta solución y, al menos que sepamos, no se ha utilizado mucho esta
posibilidad.
La utilización de puntos para representar la oferta y la demanda mediante

el uso de los centroides produce un nuevo problema: cómo relacionar cada uno de
estos puntos (demanda y oferta/candidatos) con los elementos de la red de
calles/carreteras.
Relación entre puntos de oferta/demanda y la red de transporte
El problema se deriva de que la red de carreteras no es seguro que

relacione todos los puntos de demanda con los de oferta/candidatos, en especial
teniendo en cuenta que hemos sustituido zonas poligonales por sus centroides, en
ese caso muy probablemente algunos de esos centroides no están situados sobre la
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.
Un planteamiento ligeramente diferente sería que se obtuviese la distancia

más corta entre cada punto de demanda/oferta y los tramos rectos de la red,
añadiendo a continuación otro tramo recto que relaciona el punto con esa
localización de la red.
El resultado final sería el trazado de una red más completa y detallada,

quizás en exceso y por ello difícil de manejar y tratar.
Finalmente, otra posibilidad, la más sencilla de implementar, es asignar

cada punto de oferta/demanda a uno de los nodos de la red existente, justamente
aquel que se encuentre a menos distancia en línea de recta de él. Esto añade algún
error al planteamiento, pero resulta muy sencillo y fácil de implementar. En
algunos programas SIG (por ejemplo, IDRISI) existen orden o posibilidades de
cálculo que, con algunas pequeñas diferencias, derivadas del formato raster,
resuelven el tema de esta manera.
En resumen: la oferta/candidatos y la demanda son puntos geométricos

con atributos: tamaño de la oferta, tamaño de la demanda, calidad de la oferta,
horario de apertura, horario disponible para el uso de la oferta, alcance espacial de
un bien. Por su parte, las vías de comunicación son líneas con atributos: velocidad
de paso, coste de atravesar cada tramo (euros, tiempo, etc.).
PARTE SEGUNDA
HERRAMIENTAS
INFORMÁTICAS PARA LA
SOLUCIÓN DE MODELOS DE
5Capítulo 5
LOCALIZACIÓN ÓPTIMA CON EL

PROGRAMA FLOWMAP
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.
5.2 BREVE PRESENTACIÓN DE FLOWMAP, SUS

FICHEROS DE DATOS Y MODELOS
Flowmap es un programa orientado al análisis espacial que incorpora
herramientas variadas para abordar tratamientos tales como modelos de
localización óptima, de accesibilidad e interacción espacial, análisis de redes y de
flujos entre lugares (de bienes, personas o información). Adicionalmente
proporciona unas funcionalidades algo básicas para:
• Importación y exportación de geodatos.
• Representación gráfica y cartografía temática.
• Operaciones con tablas de atributos.
• Selección de geodatos.
Aunque no puede calificarse “sensu strictu” como un software de tipo SIG,

sin embargo organiza la geoinformación en capas, operando bajo el modelo
vectorial. El sistema se desarrolla y distribuye por la Faculty of Geographical
Sciences de la Utrecht University, Holanda (http://flowmap.geo.uu.nl).
Actualmente la versión estable para el entorno Windows es la 7.3.1, si bien existe
la 7.4 (beta). La licencia para uso educativo se obtiene de forma gratuita en el
portal antes mencionado, junto con un manual y datos de entrenamiento. Una
versión denominada profesional, con unas pocas prestaciones adicionales relativas
sobre todo a edición de datos, es obtenible a un precio módico.
El programa almacena los geodatos en un formato propio, aunque admite el

intercambio con otros conocidos formatos, en particular, shape (ESRI), MIF
(Mapinfo), BNA (Atlas GIS) y Moss. La información de atributos es almacenada
en formato DBase. Todo ello hace que la transferencia de datos entre aplicaciones
no sea un obstáculo importante.
Siguiendo las reglas del viejo MS/DOS, las convenciones para la

denominación de los ficheros con el formato de Flowmap conciernen a la parte
principal de la misma y, singularmente, a los tres caracteres de la extensión. A
menudo, una capa (las de polígonos y líneas) usan varios ficheros con el mismo
nombre principal, pero extensión diferente. La identificación de ellos se detalla en
la tabla 5.1.
© RA-MA CAPÍTULO 5. LOCALIZACIÓN ÓPTIMA CON EL PROGRAMA FLOWMAP 145
Tipo de fichero Denominación

Capa de polígonos *.001,*.002,*.003,*.004,*.005,*.006
Capa de líneas (redes) *.003,*.004,*.005,*.006
Tablas de distancias *.010,*.011,*.012,*.013,*.014,*.015
Capa de puntos (o centroides de las ???????1.DBF
capas de polígonos)
Datos de flujos reales ???????2.DBF
Tabla de atributos de las capas de redes ???????3.DBF
Tabla 5.1. Identificación de los ficheros en el sistema Flowmap
Nota: Los signos de interrogación habrán de ser sustituidos por caracteres alfanuméricos.
Fuente. Traducido de Van Der Zwan et al. (2005, p. 10)
El programa posibilita resolver cinco modelos de localización óptima:

cobertura del conjunto, cobertura máxima, p-mediano, minimax y maximización de
la cuota de mercado individual, aunque la mención a ellos no coincide exactamente
en el programa.
5.3 PREPARACIÓN DE LA GEOINFORMACIÓN PARA

ABORDAR PROBLEMAS DE LOCALIZACIÓN
ÓPTIMA
5.3.1 Los geodatos necesarios

La resolución de modelos de optimización en Flowmap precisa de las
siguientes capas:
• Polígonos: por ejemplo, municipios, barrios, unidades censales o físicas

menores (p. ej., secciones o radios censales, cuadras o manzanas, etc.).
Cada polígono debe poseer un identificador único o clave primaria
(Label) en la tabla de atributos asociada. Esta capa se usa
fundamentalmente con fines de visualización (áreas de servicio, mapas
de coropletas, etc.).
• 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
polígonos, excepto el último carácter (que será 1). La distinción de qué

puntos son lugares con demanda o sitios para centros de servicio (a
menudo tendrán ese doble carácter) se establecerá mediante los
oportunos campos de la tabla. En sendas columnas contiene las
coordenadas (X e Y). Cada punto o registro debe tener un identificador o
etiqueta única (coincidente con la de los polígonos previamente
descritos) y debería poseer un campo cuantificando la demanda y
eventualmente otros campos indicando la ubicación de los centros
existentes o sitios candidatos.
• Opcionalmente, una capa de líneas representando la red viaria: esta

capa es requerida si se desea calcular las distancias, y por ende modelar
los desplazamientos, a través de vías. En su ausencia el programa
permite usar distancias rectas.
5.3.2 Conversión de geodatos desde el formato shape al de

Flowmap
Flowmap no permite crear o editar capas de geodatos (salvo como
resultado de sus propios tratamientos), por lo que procede importarlos de otros
formatos. En el supuesto de información en formato shp se habría de disponer de
las siguientes capas:
• Polígonos: cada uno debe poseer un identificador único o clave primaria

(Label) en la tabla de atributos asociada. Además, en otras columnas,
debería haber datos para indicar la demanda (p. ej., población), la
ubicación de servicios pre-existentes, los sitios candidatos, etc.
• Red viaria: capa de líneas con una descripción de geométrico-

topológica de la red (p. ej., conectividad correcta, arcos que empiezan y
finalizan en nodos, identificador único de cada arco, impedancias de
arco, etc.).
La migración de geodatos shape al formato de Flowmap se realiza, tras

arrancar el programa, con la orden del menú File / Convert files. Requiere dos
pasos:
1. Conversión de formato shp a bna. Ejecútese para ello: File / Convert

files / ArcView (shape) BNA.
2. Conversión de bna a formato Flowmap. Ejecútese para ello: File /

Convert files / BNA Flowmap.
A continuación se resume la migración de las diferentes capas.
5.3.2.1 CONVERSIÓN DE POLÍGONOS

Solo se precisa indicar la ubicación y nombre del fichero de entrada (shp o
bna, según la fase) y de salida (bna o Flowmap). Se recomienda almacenar los
datos en carpetas diferentes, según su formato (shp, bna o Flowmap). El programa
detecta el tipo de objeto geométrico (p. ej., polígonos) y genera dos tipos de
ficheros:
• Archivos con extensión *.001 a *.006 conteniendo la descripción de la

capa de polígonos en formato Flowmap.
• Un archivo de nombre *1.DBF conteniendo los centroides de los

polígonos con los campos Label (clave primaria), coord. X e Y, y
superficie (Size) del polígono asociado al centroide. El programa, por
defecto, asume que tales centroides conforman la capa de los orígenes y
destinos.
En la tabla dbf resultante solo se hereda del shape el campo de las

etiquetas, por lo que resulta necesario editarla en Flowmap, por ejemplo para
cambiar las columnas de las coordenadas, si conviniese, o incorporar nuevas
columnas (p. ej., indicando centros existentes o la demanda/población),
copiándolas de otro fichero DBF. Ello es factible mediante la orden File / Table
Manager / Copy fields; lógicamente ello precisa que exista una coincidencia en las
claves primarias de ambos ficheros DBF.
En el Material adicional del libro (carpeta SIGLO/P2/C5/GEODATOS/

AGIS) se dispone de la capa de polígonos MANZANERO100M.SHP (manzanas o
cuadras) en formato shape (Datum Europeo 1050 y proyección UTM 30-N), con el
que se puede ejercitar la conversión. Se recomienda añadir campos de la tabla de
atributos de dicha capa a la tabla de polígonos de Flowmap realizando una unión de
ambas, mediante un campo común, usando la orden File / Table Manager / Copy
fields. En el Material adicional se incluye la capa ya convertida MAN100M.00* y
la tabla MAN100M1.DBF con varias columnas para la ejercitación: Demanda =
Población variable por manzanas; Demandac = Población constante (10 personas)
en todas las manzanas; C3 y C5 = ubicación provisional de tres y cinco centros
respectivamente en los centroides de algunas manzanas.
5.3.2.2 CONVERSIÓN DE LA CAPA DE RED VIARIA (LÍNEAS)

Solo se requiere indicar la ubicación y nombre del fichero de entrada (shp
o bna, según la fase) y de salida (bna o Flowmap). Se recomienda almacenar los
datos en carpetas diferentes, según formato (shp, bna o Flowmap). El programa
detecta el tipo de objeto geométrico (p. ej., líneas) y genera dos tipos de ficheros:
• Archivos con nombre *.003 a *.006 conteniendo la capa de líneas en

formato Flowmap.
• Archivo con nombre *3.DBF conteniendo los atributos de los arcos:

identificador (clave primaria), etiqueta (Label), longitud y etiqueta
secundaria.
En el transcurso de la conversión Flowmap realiza minuciosas

comprobaciones de la calidad y errores de la capa y, eventualmente, emite un
informe (archivo *.err) describiendo dichos errores y sus posibles efectos en los
análisis ulteriores. Si ello sucede es altamente recomendable corregir la capa shp
hasta que en la conversión no aparezcan mensajes de error.
En el Material adicional del libro (carpeta SIGLO/P2/C5/GEODATOS

/AGIS) se incluye la capa de líneas CALLEJERO120M.SHP (callejero urbano) en
formato shape (concordante con la capa de polígonos citada en el apartado previo)
con la que se puede ejercitar la conversión. La capa convertida a formato Flowmap
(carpeta SIGLO/P2/C5/GEODATOS/FMAP) consta de los archivos
CALL120M.00* y CALL1203.DBF.
5.4 ETAPAS EN LA RESOLUCIÓN DE PROBLEMAS DE

LOCALIZACIÓN ÓPTIMA CON FLOWMAP
El camino que el usuario debe recorrer para resolver problemas de
optimización en Flowmap puede ser sintetizado en estas fases:
1. Definir un proyecto para establecer las carpetas y archivos a usar, el

ámbito de visualización, las unidades métricas de las coordenadas, etc.
2. Opcionalmente, visualizar las capas de datos, para examinar distribución

de la demanda, los centros existentes, la red viaria, etc.
3. Obtener la matriz de distancia/coste de transporte entre los puntos

orígenes y destinos.
4. Actualizar el fichero de proyecto para incorporar la matriz de distancias

e indicar la capa de polígonos del área de estudio.
5. Opcionalmente, preparar la tabla de puntos incluyendo columnas

indicando centros existentes, sitios candidatos, lugares no aptos o
excluidos para acoger centros de servicio, etc. para especificar luego
opciones durante la resolución de los modelos.
6. Aplicar el modelo y algoritmo elegidos.
7. Obtener mapas e indicadores para caracterizar la solución óptima

hallada.
En los apartados siguientes se expondrán de forma más detallada e

ilustrada las principales de tales fases.
5.4.1 Creación de un proyecto en Flowmap (fichero *.fpf)

Sirve para declarar el entorno y ficheros de trabajo. El procedimiento es
como sigue:
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).
– Map file: sirve de mapa base o de fondo estableciendo el ámbito de

trabajo. Caben dos opciones:
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).
Figura 5.1. Opciones para crear un proyecto o sesión de Flowmap
– Distance table: ficheros obtenibles en Flowmap, expresando

distancias o costes de desplazamiento entre orígenes y destinos;
denominados con extensión *.010 a *.015. Esta tabla se generará
más adelante.
– Origin file y Destination file: tabla *1.dbf describiendo los puntos

con la demanda y la localización real o potencial de los centros de
servicio. Contiene como campos obligatorios: Label (identificador) y
coordenadas X e Y, aparte de otros campos con la demanda,
candidatos, etc.
– View settings: declara el ámbito de visualización a usar en la sesión;

éste se ajustará a las capas con las casillas marcadas. Se deben activar
todas las casillas posibles de la columna All (Map file, Origin file,
etc.) haciendo clic en Set.
– Measurement units: indíquense las unidades de medida, según las

coordenadas de las capas (usualmente m.).
– Se termina con Save o Save as, para guardar el fichero fpf. Tras ello
es posible ya operar con Flowmap.
Como se ha dicho antes, en el Material adicional del libro (carpeta

SIGLO/P2/C5/GEODATOS/FMAP) existe un conjunto de geodatos en formato
Flowmap, importados de capas shape. Algunos de ellos se mencionan en la figura
5.1: MAN100M.* (capa de polígonos), MAN100M1.DBF (tabla de orígenes y
destinos).
5.4.2 Visualización de las capas

Flowmap ofrece unas prestaciones simples para la elaboración de mapas. A
tal fin úsese el menú Maps, eligiendo una de estas opciones:
• Display Outlines and Locations: facilita una vista sencilla y rápida.
• Advanced display: elabora mapas temáticos usando datos de la tabla de

atributos de los polígonos o puntos, pone etiquetas, etc.
Como ejercicio visualícense las capas MAN100M.* (polígonos),

MAN100M1.DBF (centroides) y CALL120M.* (red viaria) del Material adicional
(figuras 5.2 y 5.3)21. Más adelante, a la hora de presentar los resultados de los
análisis, se usarán brevemente algunas de estas funciones.
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.
Figura 5.3. Círculos proporcionales a la población (homogénea) por manzanas en la zona de trabajo
5.4.3 Creación de la matriz de distancias / costes de

transporte entre los puntos-lugares (orígenes y
destinos)
La resolución de los problemas de optimización precisa datos relativos a
las distancias, tiempos o costes de los desplazamientos entre los lugares de origen y
destino (O/D). Se dispone, para tal fin, del menú Create / Distance matrices, en el
que se ofrecen dos opciones principales:
• Network distance. Requiere haber especificado en el fichero de

proyecto una capa de red viaria en la línea Map file. Una vez
seleccionada esta opción se ha de elegir en la nueva ventana (figura 5.4)
las opciones deseadas. La interpretación de las más importantes es como
sigue:
– Impedance: atributo de la tabla de arcos (tomado del fichero *3.dbf)

que indica el coste de desplazamiento a lo largo de cada arco
(longitud, tiempo, etc.).
– Impedance units: unidades del atributo de impedancia.
– Conversion factor: en el caso de que ciertos puntos de las tablas de

O/D no estén conectados a la red, el programa calcula la distancia
mínima a un arco o nodo (según la opción Connect method) de la
misma y multiplica dicha distancia por ese factor, para estimar
primero la distancia real a recorrer, considerando las curvas que

puedan existir, y luego la impedancia (según las unidades definidas
antes). Si se usa la longitud como impedancia el factor de conversión
constituye el llamado factor de rodeo, el cual se habría de estimar
empíricamente para ámbitos concretos (p. ej., regiones). En ámbitos
regionales se conoce que oscila entre 1,2 y 1,3 (lo que implica un
aumento en la distancia estimada de un 20 o 30 por ciento); para
ámbitos locales puede subir hasta 1,5. En caso de que se use otra
medida de impedancia (tiempo o coste económico) se aconseja usar
el botón Assist, para especificar la velocidad en dichos tramos fuera
de la red y que el programa obtenga el factor de conversión.
Tras aceptar, se generan 4 ficheros con el mismo nombre principal y

extensión diferente: *.010, *.012, *.014 y *.015. Contienen las distancias mínimas
entre los puntos orígenes y destinos. Es posible añadir dicha matriz de distancias al
proyecto inmediatamente.
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
• 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.
5.5 ALGORITMOS PARA SOLUCIONAR MODELOS DE

Flowmap ofrece la posibilidad de resolver los cinco modelos de
localización óptima señalados antes mediante varias heurísticas. La estructura del
programa gira en torno a dichos algoritmos, que se muestran en el menú de
selección (figura 5.5). Una vez elegido el algoritmo, los diversos modelos aparecen
como opciones elegibles. Ello abre la posibilidad de aplicar varios algoritmos para
el mismo modelo, comparando los resultados y la robustez de los mismos.
En lo concerniente a algoritmos simples se ofrecen los llamados en el

programa como Expansion (Babel, Greedy o Add), Reduction (Attila, Stingy o
Drop) y Relocation (Interchange). Además se incluye una metaheurística,
Combined (Expansion and Relocation) Models. Remitimos al capítulo 3 para una
breve descripción de ellos. Solo merece señalarse aquí que en la metaheurística
citada se aplicaría el algoritmo conocido como Babel o Add, seguido del de
Interchange. Opera añadiendo un punto de servicio en cada iteración, buscando
optimizar el objetivo establecido, p. ej., se empieza por un centro, luego dos, etc.
Puesto que la secuencia u orden de entrada de los puntos en la solución parcial
obtenida en cada etapa influye en la solución final (p. ej., para paliar el problema
de que el algoritmo quede “atrapado” en un mínimo local, y no el global), tras la
adición de un sitio nuevo se ejecuta la relocalización (algoritmo Interchange) del
conjunto solución alcanzado en esa fase. Recuérdese que el tiempo necesario para
obtener la mejor solución por un algoritmo suele estar en relación inversa con la
robustez del mismo.
Figura 5 5. Menú de acceso a los modelos de localización óptima en Flowmap
5.6 RESOLUCIÓN GUIADA DE MODELOS DE

LOCALIZACIÓN-ASIGNACIÓN ÓPTIMA
En esta fase se requiere de definir una serie da capas en el proyecto:
• Capa de polígonos (como mapa contextual de fondo).
• Tabla de distancias entre los orígenes y destinos.
• 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:
– Tres obligatorios: Label, XCoord, YCoord. El campo Label contiene

identificadores numéricos idénticos a los de la capa de polígonos.
– Otros campos opcionales (con valores > 0) para identificar:
o La demanda (población) de cada lugar.

o Los sitios con centros fijos, p. ej., los existentes.
o Los sitios candidatos nuevos (adicionales a los existentes).
o Los sitios a excluir como candidatos.
Una vez elegido el algoritmo y el modelo, el programa proporciona un

asistente (Wizard) que va ofreciendo al usuario las opciones disponibles y las que
por defecto asume el programa. Mostraremos cómo proceder para resolver algunos
supuestos con los geodatos del Material adicional (carpeta SIGLO/P2/C5
/GEODATOS/FMAP).
5.6.1 Modelo p-mediano

Tras ejecutar el menú Models / Service location models / se ha de elegir el
algoritmo. En este ejemplo se adoptará el de intercambio (Relocation models). En
la ventana siguiente se ha de elegir la opción Minimize Average Distance (figura
5.6A), que equivale al modelo p-mediano.
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
Como información de entrada, a menudo opcional, el programa solicita

(como pasos) la relación de centros ya existentes (caso del problema incremental),
un conjunto solución provisional (parcial) y una lista de lugares excluidos como
sitios candidatos; en tal caso se indicarán columnas de la tabla de O/D (con valores
no nulos en los lugares-filas correspondientes). Además se pide la columna con la
demanda existente en cada localización y el nombre de la columna nueva para

almacenar los resultados. Como ejemplo, en los pasos señalados se sugiere indicar:
1. Select a field with movable locations: C3. Columna de la tabla

MAN1001.DBF, con la ubicación provisional inicial de los centros en
tres centroides (a discreción del usuario), mediante valores > 0 (figura
5.6B).
2. Select a field to use as a weight: Demandac. Columna que expresa una
demanda de 10 personas en cada manzana (figura 5.6C).
3. El nombre de la columna para identificar los tres centros óptimos
hallados PM3CI22.
4. Modo de ejecución: Continuous and visual. El programa ejecutará la
heurística sin paradas entre las iteraciones y mostrando los mapas de las
soluciones temporales.
Una vez terminado, el programa muestra el mapa de la solución final
(figura 5.7) y un informe del proceso de cálculo con las pruebas realizadas. Se
sugiere guardar el informe (con botón Save como fichero ASCII, txt) para consulta
ulterior. Con esta solución, la distancia media por persona que se recorrería en un
trayecto al centro más próximo por el camino más corto sería de 694,22 m. Dado
que hay 2.560 personas en conjunto el desplazamiento total sería de 1.777,2032
km.
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).
La resolución del mismo supuesto con la metaheurística Expansión and

Relocation Models arroja la solución de la figura 5.8, en la que la distancia media
asciende a 697,97 m ligeramente superior a la del algoritmo anterior y, por tanto,
subóptima.
5.6.2 Modelo de cobertura del conjunto

Se accede desde el menú Models/Service location models/Coverage
models. La única opción que aparece allí es la denominada Spatial Pareto, aunque
en realidad se trata del conocido problema de cobertura del conjunto (set covering
problem). Recuérdese que busca averiguar la cifra mínima de centros de servicio y
su localización, que garantiza que toda la demanda está cubierta dentro de un radio
de distancia o coste de desplazamiento predefinido, asignando siempre la demanda
al centro más próximo.
Figura 5.8. Solución p-mediana para tres centros obtenida con la metaheurística de
expansión e intercambio
Aparte de la información estándar de entradas el modelo requiere:
• Distancia/coste/tiempo de la restricción de cobertura.
• Variante de búsqueda aplicable en el algoritmo heurístico (Width / Depth

first). Salvo problemas muy grandes, se aconseja la primera.
Como ilustración, con los geodatos de ejemplo (del Material adicional) se

sugiere indicar estas opciones:
3. Use distance range: 1000. Distancia de cobertura (metros).

5. CC1K: columna para alojar la solución (cobertura del conjunto dentro de

1 km.).
6. Modo de ejecución: Continuous and visual.23
En la figura 5.9 se muestra la solución hallada, con cuatro puntos de oferta
que logran alcanzar todas las manzanas dentro de esa distancia. Nótese que la
ubicación resulta desequilibrada espacialmente, pero eso no estaba como objetivo.
En realidad, cabe presumir que otros esquemas de localización de los cuatro
centros también cumplirían el objetivo de cobertura (p. ej., no hay un resultado
único en cuanto a ubicación, pero sí en la cifra de centros mínima, cuatro), por lo
que se suscita la conveniencia de explorarlos (aplicando después otros criterios o
modelos adicionales).
Figura 5.9. Solución de cobertura del conjunto para cubrir todas las manzanas en un radio de 1 km
5.6.3 Modelo de cobertura máxima

Como se ha dicho antes, este modelo (identificado en Flowmap como
Maximize customer coverage) asume que no es posible alzanzar a toda la demanda
en una distancia o tiempo dado, por lo que busca identificar la localización óptima
de los centros de servicio de suerte que se maximice la demanda cubierta en un
radio de distancia fijado por el usuario. Es un modelo que posee connotaciones,
tanto desde el punto de vista de la eficiencia (conseguir la máxima cobertura
espacial de demanda con los recursos disponibles, p. ej., centros), como de la
equidad (preocupación porque la mayoría no esté demasiado lejos de los puntos de
oferta, al intentar que las desigualdades en el acceso queden en gran medida
limitadas al radio máximo establecido).
23
Se advierte que este problema es de resolución lenta (requiere 151 iteraciones).
Como en casos anteriores, el modelo se aplica tras elegir una heurística y

luego la opción Maximize customer coverage. Entre los pasos mostrados en el
asistente de Flowmap (Wizard) cabe mencionar que la restricción de cobertura se
puede establecer de varias maneras en el paso 4 (figura 5.10):
• Find best: una cifra de centros prefijada (para identificar los que cubren
más demanda dentro de la distancia marcada).
• Percentage coverage: un porcentaje de cobertura (para identificar la

cifra y ubicación de los centros que cubren ese porcentaje de demanda
dentro del radio marcado).
• Threshold value: radio de cobertura total (identificar la cifra y ubicación

de los centros que cubren toda la demanda dentro de esa distancia o
tiempo de trayecto).
Figura 5.10. Especificación de opciones para el modelo de cobertura máxima con el algoritmo de
expansión e intercambio
Como ejemplo, tras elegir la metaheurística Expansion and Relocation,

aplíquense las opciones siguientes a los geodatos del Material adicional y véase el
resultado en la figura 5.11:
3. Select a field to use as a weight: Demandac. Columna con una cifra

constante de demanda en todas las manzanas (10 personas).
4. Find best: 4 (cuatro centros).
6. Use distance range: 1000 (distancia para cobertura en m).
Figura 5.11. Solución para 4 centros buscando cobertura máxima dentro de 1 km (con demanda
homogénea por manzanas) y algoritmo expansión e intercambio
5.6.4 Modelo de minimización de la distancia máxima

El modelo conocido como Minimax o Minimize (overall) worst case
distance en Flowmap intenta identificar el conjunto de lugares que minimiza la
distancia del asentamiento más alejado de un centro de servicio (o la media de
ellas, según elección del experto), asignando cada punto de demanda al centro de
servicio más próximo. Se trata, pues, de un modelo que prioriza el principio de
equidad espacial.
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:
4. Select a field with movable locations: C3 (columna con la localización

provisional inicial de los tres centros).
5. Select a field to use as a weight: Demandac (columna conteniendo una
cifra constante de demanda en todas las manzanas, 10 personas).
6. MMAX3CI: Columna para almacenar la solución óptima.
La figura 5.12 exhibe el resultado. En el informe resultante se lee que la

manzana más distante queda a 1.320 m de un centro y que la media de las
manzanas más distantes a cada centro asciende a 1.160 m.
Figura 5.12. Solución con algoritmo de intercambio para 3 centros buscando minimizar la distancia
máxima (demanda homogénea por manzanas)
5.6.5 Modelo para la captación de la máxima demanda por

cada competidor individual
El principio ahora reside en maximizar la cuota de mercado individual o la
competencia espacial (Maximize individual market share / Maximize spatial
competition), tal como se refiere en el programa a este modelo, según la heurística
elegida. Se busca conseguir para cada punto de oferta la mayor cantidad de
demanda, aunque sea en detrimento de otros centros o de la globalmente asignada.
El modelo está claramente guiado por el principio de eficiencia y, a diferencia de
los anteriores, no responde a la lógica de cooperación entre los centros de servicio
por lograr una solución global que priorice los intereses de la demanda, sino que
privilegia los de cada ofertante-competidor individual, lo que responde por tanto a
los fines de la empresa privada. En resumen, el modelo pretende que cada
establecimiento gane la mayor clientela, siendo la cercanía el criterio de asignación
de ésta; esto es, la demanda espacial, inelástica, se imputa al punto de oferta más
próximo siempre que esté dentro del radio o alcance indicado por el analista. Por
todo ello concuerda con el descrito en la bibliografía como modelo maxcap.
Como ejemplo, con los geodatos del Material adicional se ha resuelto este
modelo usando la heurística Expansion and Relocation (adición e intercambio).
Las opciones especificadas han sido:
3. Select a field to use as a weight: Demanda.

4. Find best: 3 (tres centros).
8. MCAP3CDVEI: Nombre de la columna para almacenar la solución.
La figura 5.13 exhibe el resultado. El reparto de la demanda (869 en total)

entre los tres sitios es así: 283, 300 y 286. La solución con el algoritmo de
intercambio arroja una ubicación de los centros y un reparto de la demanda
distintos (299, 313 y 257).
Figura 5.13. Solución con algoritmo de adición e intercambio para 3 centros, maximizando la cuota
de mercado individual (con demanda desigual por manzanas)
5.7 ASIGNACIÓN DE LA DEMANDA A LOS CENTROS

DE SERVICIO Y MAPAS DE LAS ÁREAS
FUNCIONALES
Esta etapa del análisis se destina a obtener varios resultados importantes
para la toma de decisiones: asignar la demanda de cada lugar al centro más
próximo, conocer la distancia desde cada lugar al centro asignado (y sus
estadísticos tales como media, desviación típica, distancia máxima y mínima),
calcular la demanda que debe atender cada centro, averiguar la demanda cubierta y
no cubierta dentro de un alcance dado, etc. Esta información resulta útil para
valorar la organización espacial desde la eficiencia y la equidad (vid. Moreno
2007), así como para asignar recursos y planificar mejor la gestión de la actividad.
El proyecto o sesión de trabajo en Flowmap debe estar definido de la

misma manera que para resolver los modelos de optimización (vid. apdo. 6). En
particular, la tabla dbf de orígenes/destinos debe contener columnas indicando la
localización de los centros (y su capacidad para atender usuarios) y la demanda de
cada lugar. Procede señalar que el tratamiento que se describirá es idóneo tanto
para documentar propuestas óptimas, como para evaluar escenarios actuales o
imaginarios respecto a los óptimos.
El acceso a la función de asignación se realiza mediante la orden Analysis /

Catchment Area Analysis / Regular Catchment Areas (figura 5.14). La información
de entrada se ha de proporcionar en dos ventanas consecutivas. En la primera
(figura 5.14A) se indicará:
• Campo de la tabla (Field) conteniendo la demanda de cada lugar (Weight

variable per Origin/Destination).
• Capacity variable per origin/destination: campo con la cifra máxima de

usuarios que cada centro puede atender. En caso de que no haya
limitación deberá haber un valor muy grande (por ejemplo superior a la
demanda total) en los registros correspondientes. El resultado de ciertos
modelos por el programa ya identifica los sitios óptimos con una
constante igual a la demanda total, por lo que dicho campo-solución
puede ser seleccionado aquí. Cuando no sea así, deberá crearse una
columna nueva ad hoc (por ejemplo, multiplicando la columna solución
por una constante grande).
• Accesibility parameters/Maximum distance: opcionalmente un valor de

distancia o alcance máximo. Los lugares que superen dicha distancia no
serán asignados a centro alguno, quedando pues desatendidos.
En la segunda ventana (figura 5.14B) se señalan los campos que en la tabla

dbf asociada a la capa de orígenes/destinos se generarán como salida. Por defecto
se ofrecen estos (el * se sustituirá automáticamente por un ordinal):
• CADemand*: demanda total asignada a cada centro de servicio.
• CACentre*: identificador del centro de servicios asignado a cada origen

(lugar con demanda).
• CADistan*: distancia desde el lugar con demanda al centro de servicio

asignado (el más cercano).
• CARemain*: demanda no asignada a centro alguno (debido a las

restricciones de capacidad establecidas por el usuario o al alcance
máximo).
A B
Figura 5.14. Asistente para la especificación de opciones para asignación de los puntos de demanda
a los centros de servicio
Con los datos de tales columnas es factible elaborar mapas de la

organización espacial de los centros y áreas de servicios, como el mostrado en la
figura 5.15. Para ello se debe recurrir al menú Maps e incluir en la representación
los distintos resultados. Para la elaboración de la figura recién citada se operó así:
• Mapa de coropletas definiendo las áreas de servicio (en color):

Maps/Advanced display/Shade map file/Discrete shading. Elegir que
represente la columna CACentre* (Differentiate using/Field).
• Mapa de círculos proporcionales a la demanda de cada lugar (origen):

Maps/Advanced display/Show symbols from origin file/ y en la ventana
siguiente indicar la columna conteniendo la demanda (Demandac) y las
opciones de simbología (color, símbolo, tamaño del símbolo mayor,
etc.).
• Mapa de araña o de líneas de deseo: Maps/Advanced display/Draw

allocation lines from origin file. Tras elegir en la ventana siguiente la
simbología de las líneas, se ha de especificar en otra ventana (figura

5.16) los datos para el trazado de las líneas desde cada lugar con
demanda (Label) a los centros (CACentre*) y el campo con la magnitud
del flujo saliente de ese origen (Demandac).
• Barras mostrando la demanda asignada a cada centro: Maps/Advanced

display/Show symbols from destination file y en la ventana siguiente
indicar la columna conteniendo la demanda asignada (CAdemand*) y
las opciones de simbología (color, símbolo, tamaño del símbolo mayor,
etc.).
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
5.8 CARACTERIZACIÓN DE UN PATRÓN ESPACIAL

DE SERVICIOS CON GRÁFICOS Y RESÚMENES
ESTADÍSTICOS
Finalmente, Flowmap permite obtener algunos indicadores sintéticos y
gráficos del escenario óptimo o de cualquier otro. Veamos cómo hacerlo:
• Estadísticos univariados para los puntos de demanda (p. ej.,

asentamientos, manzanas, etc.). Se puede calcular varios estadísticos de
la columna CADistan*: media de la distancia de los asentamientos a los
centros de servicio (indicador de eficiencia), desviación típica y
amplitud total (indicadores de equidad). Para ello ejecútese File / Table
manager / Field Statistics e indíquese el campo CADistan*. Nótese que
serán estadísticos por asentamientos, aunque puede resultar más
conveniente obtenerlos para la población o demanda (vid. infra).
• Distribución (gráfica y tabular) de la demanda según la distancia a

los centros de servicio a los que ha sido asignada y estadísticos de la
demanda. Para ello ejecútese la orden Graphs / Catchment profile
(Overall). En la nueva ventana (vid. figura 5.17) indíquese el campo de
impedancia (distancia o tiempo desde cada origen al centro asignado),
las unidades de impedancia (p. ej., meters) y la columna que contiene los
datos de la demanda de cada lugar (Weight field).
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
La aplicación del procedimiento a la solución p-mediana de la figura 5.14

muestra, en la ventana de resultados, un diagrama de frecuencias acumuladas
(figura 5.18) con la distribución de la población según la distancia al centro de
servicio asignado (el más próximo). Haciendo clic en el botón View Data se accede
a la tabla de frecuencias (tabla 5.2) en la que se basa el gráfico previo y varios
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
Tabla 5.2. Distribución de la demanda según la distancia al centro más próximo

6Capítulo 6
LOCALIZACIÓN ÓPTIMA CON SEXTANTE
SEXTANTE (Sistema EXtremeño de ANálisis TErritorial) es una libreria

de análisis geoespacial con un amplio conjunto de algoritmos para análisis de datos
raster y vectoriales, entre los cuales se encuentran algoritmos para la realización de
cálculos de localización óptima tales como los descritos en este libro. En este
capítulo se describen las características generales de SEXTANTE como librería de
análisis, y se particulariza su uso para el trabajo en problemas de localización
óptima.
6.1 DESCARGA E INSTALACIÓN DE SEXTANTE

SEXTANTE es software libre y se distribuye bajo una licencia MIT. Ello
significa que el programa puede descargarse y utilizarse libremente sin
restricciones, y que las capacidades de análisis espaciales de SEXTANTE pueden
incorporarse en aplicaciones tanto libres, como privativas. La página web de
SEXTANTE (http://sextante.forge.osor.eu/) contiene enlaces para descargar la
librería, así como documentación para usuarios y desarrolladores.
Como librería de análisis, SEXTANTE está orientada a desarrolladores que

deseen incluirla en sus aplicaciones o utilizarla como base para desarrollar nuevos
algoritmos de análisis geoespacial. SEXTANTE requiere la presencia de una
aplicación que gestione los datos espaciales, ya que únicamente incorpora las
capacidades de análisis de estos, pero no otras funcionalidades tales como entrada
y salida o visualización. Es decir, se necesita una aplicación (en el caso más
habitual, un SIG) sobre la que se ejecute SEXTANTE para poder aprovechar las
capacidades de análisis de éste.
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.
6.2 ELEMENTOS DE SEXTANTE

Junto con su colección de algoritmos de análisis, SEXTANTE incorpora
una serie de elementos que permiten utilizar dichos algoritmos de diversas formas.
Estos elementos son el punto de interacción entre el usuario y las capacidades de
análisis de SEXTANTE, y están diseñados para maximizar su productividad y
facilidad de uso. El uso de estos elementos es idéntico en todos los SIG que
incorporan capacidades de análisis basadas en SEXTANTE, siendo de este modo
inmediato adaptarse a su utilización sobre uno u otro Sistema de Información
Geográfica.
Cuatro son los componentes principales de SEXTANTE, que veremos por

separado, y que permiten ejecutar un mismo algoritmo de diversas formas en
función de las necesidades del usuario:
• Caja de herramientas.
• Modelizador.
• Proceso por lotes.
• Línea de comandos.
Detallaremos más adelante el funcionamiento de cada uno de estos

elementos aplicado al caso particular de los algoritmos de localización óptima. Para
obtener más información sobre las ideas generales de cada uno de estos elementos,
puede consultarse el manual de SEXTANTE, disponible en la página web del
programa
© RA-MA CAPÍTULO 6. LOCALIZACIÓN ÓPTIMA CON SEXTANTE 171
6.3 LOCALIZACIÓN ÓPTIMA EN SEXTANTE

Entre los grupos de algoritmos que SEXTANTE incluye, encontramos uno
denominado “Localización óptima”, el cual contiene buena parte de las
formulaciones expuestas en capítulos previos de este libro (especialmente el
capítulo 3). Ello permite realizar cálculos de localización óptima de elementos
sobre cualquier conjunto de datos que el SIG en cuestión sobre el que se ejecuta
SEXTANTE (gvSIG en este caso) pueda cargar.
Para acceder al conjunto de algoritmos de SEXTANTE, se debe hacer clic

en el icono correspondiente a la caja de herramientas, con un sextante de color
azulado. La caja de herramientas tiene el aspecto mostrado en la figura 6.1.
Figura 6.1. Interfaz de acceso en SEXTANTE a las herramientas de resolución de modelos

de localización óptima
Dentro de esta caja de herramientas, dos son los algoritmos que

encontramos en el grupo anteriormente mencionado:
• Localización óptima de elementos.

• Localización óptima de elementos (con tabla de distancias).
Ambos son similares y se ejecutan de forma muy parecida. La única

diferencia entre ellos es que este último permite definir manualmente las distancias
entre los puntos con los que se trabaja (de oferta y demanda), mientras que en el
primero esas distancias son calculadas por el propio algoritmo. Esto permite, en
conjunción con otras capacidades, como por ejemplo el análisis de redes que
implementa gvSIG, realizar cálculos más precisos en los que se tenga en cuenta
factores de coste más allá de la distancia euclidiana entre dos puntos dados.
La ventana de introducción de parámetros del algoritmo más simple es la

mostrada en la figura 6.2.
Figura 6.2. Introducción de opciones para la resolución de modelos de localización óptima
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.
Las ventanas de parámetros de SEXTANTE se generan automáticamente a

partir de las necesidades del algoritmo en sí, por lo que todas ellas tienen un
aspecto muy similar. De este modo, resulta además sencillo comprender la forma
de ejecutar otros algoritmos, siempre que se conozca el significado de los
parámetros mostrados y los fundamentos del algoritmo en sí. En todas ellas
encontramos una estructura en dos columnas: en la columna izquierda encontramos
el nombre del parámetro, mientras que en la derecha debemos introducir el valor de
éste que deseamos emplear para el cálculo.
Los parámetros que encontramos en este caso son los siguientes:
• Puntos de demanda. La capa que contiene los lugares de demanda. Ha de

ser una capa de puntos.
• Campo. Un campo a seleccionar de la tabla de atributos de la capa de

demanda. Este campo se utiliza para ponderar los distintos puntos de
demanda, y por tanto ha de ser un campo de tipo numérico. La lista de
campos varía en función de la capa seleccionada en el campo “Puntos de
demanda”.
• Puntos de oferta existentes. Si existen centros de oferta, se ha de

seleccionar la capa correspondiente a ellos en este campo. En caso de no
existir, este parámetro es opcional, por lo que puede dejarse sin utilizar,
eligiendo la opción por defecto: “no seleccionado”.
• Puntos de oferta candidatos. Una capa de puntos con los emplazamientos

potenciales de los puntos de oferta, entre los cuales se seleccionarán
aquellos que solucionan el problema de localización óptima.
Junto a estas capas de entrada, encontramos además un bloque de opciones

que permiten configurar el funcionamiento del algoritmo:
• Tipo de distancia. El algoritmo calcula la distancia entre los distintos

puntos de oferta y demanda, y esta distancia puede ser euclidiana o de
Manhattan. El tipo que se desee emplear ha de seleccionarse de la lista
correspondiente a este parámetro.
• Método (modelo). De entre las distintas formulaciones que se han

desarrollado en este libro, SEXTANTE implementa las siguientes, que
sirven para cubrir un amplio abanico de problemas, tanto para el caso de
instalaciones deseadas, como indeseadas24:
– Suma mínima (minisum / p-mediano).
– Suma mínima con restricción de alejamiento.
– Desviación típica mínima.
– Minimizar máximo alejamiento (minimax).
24
Todos los modelos se calculan usando el procedimiento de Teitz y Bart descrito en un
anexo de este libro.
– Cobertura máxima.
– Suma máxima.
• Numero de localizaciones a establecer. El número de puntos de oferta

que se desea implantar.
• 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.
Junto a este resultado encontramos otro denominado “Resultado”, el cual

es una capa de puntos que contiene los puntos óptimos seleccionados tras el
análisis.
Trabajando con los datos de ejemplo, y para el establecimiento de 3 nuevos

centros, se obtiene un resultado como el mostrado en la figura 6.3 para el caso de
emplear el método de suma mínima (minisum / p-mediano).
Figura 6.3. Mapa de araña mostrando la asignación de los puntos de demanda a los centros óptimos
La capa resultante se añade a la vista a la que pertenece la primera capa de

entrada, es decir, la capa de puntos de demanda.
La tabla de atributos de la capa de salida contiene información acerca de

los puntos de demanda y oferta conectados por cada una de las líneas, como puede
verse en la figura 6.4. Por último, el algoritmo genera resultados numéricos en
forma de texto (figura 6.5), que contienen algunos parámetros estadísticos
extraídos de los propios resultados, como son los siguientes:
Figura 6.4 Tabla con resultados, tras resolver un modelo de localización óptima
Estos resultados se presentan en el gestor de resultados de SEXTANTE,

que organiza todas aquellas salidas de tipo numérico y gráfico que se han generado
a lo largo de una sesión de trabajo con el programa. Puede accederse a este gestor
de resultados en cualquier momento haciendo clic sobre el icono correspondiente
en la barra de herramientas. Los resultados pueden guardarse de forma permanente
(las imágenes como archivos PNG y los resultados textuales como archivos
HTML) haciendo clic sobre su nombre con el botón derecho del ratón y
seleccionando la opción “Guardar...”
Figura 6.5 Estadísticas derivadas del patrón espacial óptimo obtenido

En el caso del algoritmo “Localización óptima de elementos (con tabla de

distancias)”, los resultados generados son los mismos (esto es, una capa de líneas
de deseo y una serie de valores en un texto), siendo la ventana de introducción de
parámetros, como puede verse en la figura 6.6. El campo que permite la elección
del método para el cálculo de distancias entre puntos ya no aparece, ya que es
ahora tarea del usuario introducir esas distancias, que habrán de haber sido
calculadas previamente. Las distancias se introducen mediante sendas tablas con
distancias entre puntos de demanda y de oferta ya existentes, y puntos de demanda
y candidatos.
Figura 6.6. Ventana de inserción de opciones con una tabla de distancias entre puntos de oferta y
demanda preexistente
6.4 USO DE ELEMENTOS DE PRODUCTIVIDAD EN

SEXTANTE
Los resultados anteriores se han obtenido ejecutando de forma individual
con los algoritmos de localización óptima contenidos en SEXTANTE. Esta no es,
sin embargo, la única forma en que podemos aprovechar esos algoritmos, y en
otras circunstancias será más ventajoso emplear sus capacidades desde elementos
distintos de SEXTANTE.
Por ejemplo, es habitual que el cálculo de localizaciones óptimas sea tan

solo una parte de un proceso más complejo, y que una vez obtenidos los resultados
de los puntos de demanda a emplazar, se desee llevar a cabo alguna operación con
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.
Por otra parte, un mismo proceso se ha de efectuar en ocasiones sobre

distintos juegos de datos, constituyendo de este modo una operación repetitiva que
puede simplificarse notablemente si se automatiza la llamada al algoritmo en
cuestión. SEXTANTE incorpora una interfaz para la ejecución de algoritmos como
procesos por lotes, la cual facilita la definición de esos lotes de una forma intuitiva
y rápida.
Tanto el modelizador, como la interfaz de proceso por lotes son elementos

que pueden combinarse entre sí para obtener una productividad aún mayor. Por
ejemplo, puede definirse un modelo que efectué un procesado previo de los datos
de partida, después realice un cálculo de localización óptima con los datos
resultantes de ese paso previo, y por último elabore algún análisis a partir de las
localizaciones obtenidas. Si este proceso debe realizarse varias veces sobre datos
distintos, es posible ejecutar un proceso por lotes que se base, no en un algoritmo
de SEXTANTE como tal, sino en ese modelo recién creado. Para ver cómo utilizar
tanto el modelizador, como la interfaz de proceso por lotes sobre un caso de
análisis de localización óptima, vamos a analizar este supuesto con detalle.
En primer lugar, veamos el aspecto de la interfaz del modelizador, sobre la

que definiremos el modelo en cuestión.
Figura 6.7 Interfaz del modelizador

La interfaz (figura 6.7) se compone de un lienzo sobre el que se añaden los

elementos que componen el modelo (en el lado derecho de la ventana) y la lista de
dichos elementos (en el lado izquierdo) divididos en dos bloques distintos: entradas
y datos.
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.
Figura 6.8. Esquema de datos y operaciones para el modelizador

La ventana de parámetros del algoritmo, que SEXTANTE crea

automáticamente a partir de la definición del modelo, es la mostrada en la figura
6.9.
Figura 6.9. Ventana de entrada de datos y opciones para el modelizador
Nótese que este algoritmo no pide al usuario una capa de puntos

preexistentes ni tampoco la elección de un método. Estos han sido ya incorporados
en el modelo (se asume que no hay puntos preexistentes y se ha elegido de
antemano el método de suma mínima), de forma que el modelizador puede
emplearse también para simplificar la utilización de los algoritmos de
SEXTANTE, “ocultando” parte de la complejidad de estos.
En lo que respecta a la ejecución de procesos por lotes, ésta se lleva a cabo

desde la propia caja de herramientas de SEXTANTE. En lugar de hacer doble clic
sobre el nombre del algoritmo a ejecutar, se ha de pinchar con el botón derecho y
seleccionar la ejecución como proceso por lotes. La ventana que aparece al hacer
esto es distinta a la mostrada en el caso de la ejecución simple de un algoritmo, y
tiene un aspecto como el mostrado en la figura 6.10.
Figura 6.10. Ventana de operación para los procesos por lotes

Cada línea de la tabla que aparece en la ventana representa una ejecución

del algoritmo en cuestión. Se deben rellenar todas las celdas de la tabla, añadiendo
tantas filas como ejecuciones del algoritmo se deban realizar.
Existen tres mecanismos que facilitan el completado de la tabla, a saber:
• Posibilidad de cortar y pegar entre campos.

• Posibilidad de incorporar múltiples entradas en una única operación. Si
en un campo de entrada se seleccionan varios ficheros en el diálogo
correspondiente, SEXTANTE pone de forma automática tantas filas
como ficheros se hayan seleccionado, asociando a cada una de ellas la
ruta a uno de los ficheros seleccionados.
• Autocompletado de rutas de salida. Para cada resultado se ha de
especificar un fichero de salida. Se puede indicar a SEXTANTE que,
en base a la ruta de una de esas salidas, complete de forma automática
las restantes, usando bien una numeración consecutiva, o bien el valor
de uno de los otros parámetros del algoritmo para formar el nombre de
cada una de las rutas para cada una de las ejecuciones del algoritmo así
definidas. La figura 6.11 muestra el cuadro de diálogo que
SEXTANTE presenta para la selección de archivos según lo anterior.
Figura 6.11. Ventana de opciones de autocompletado de rutas
La interfaz de proceso por lotes se presenta en dos variantes: una en la que

se procesan ficheros que no han de estar necesariamente abiertos en el SIG, y otra
en la que, en lugar de ficheros, se seleccionan capas activas en ese momento en el
SIG. Eso permite procesar, por ejemplo, todos los archivos de una carpeta dada, o
bien todos o parte de los que forman parte de un proyecto SIG, ampliando las
posibilidades de la herramienta.
Un último elemento que encontramos en SEXTANTE es la interfaz en

línea de comandos. Desde esta interfaz podemos ejecutar algoritmos de
SEXTANTE mediante comandos de texto, y combinar estos con otro tipo de
elementos de programación tales como bucles o sentencias condicionales,
lográndose así una flexibilidad y potencia mayor que en el caso de trabajar con los
componentes gráficos antes descritos.
La línea de comandos de SEXTANTE está basada en BeanShell y presenta

un lenguaje Java interpretado al que se le han añadido comandos adicionales para
la ejecución de geoalgoritmos. El comando “runalg” es el encargado de ejecutar
dichos algoritmos. Para más información, puede consultarse el manual de usuario
de SEXTANTE (disponible en el portal del mismo) y la ayuda contextual de los
algoritmos correspondientes.
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
LOCALIZACIÓN ÓPTIMA CON WPS
Actualmente existen diversas aplicaciones informáticas para la resolución

de modelos de localización óptima. Sin embargo, muchas de estas soluciones
informáticas son poco interoperables. Algunas dependen directamente de otro
software y otras requieren de conocimientos excesivamente técnicos para poder ser
integradas con otros sistemas. La interoperabilidad está basada en estándares y por
ese motivo el uso del estándar Web Processing Service (WPS), especificado por el
Open Geospatial Consortium (OGC), permite ofertar modelos de localización-
asignación a entornos disímiles, que principalmente pueden ser web o de escritorio.
7.1 SOFTWARE ORIENTADO A SERVICIOS. WPS

El desarrollo de la interoperabilidad en las TIC25 permite mejorar los
niveles de productividad y competitividad de las empresas y de la propia
Administración (Borges, 2007). El Open Geospatial Consortium (OGC) es un
consorcio que agrupa a organizaciones privadas y públicas y trabaja para facilitar el
intercambio de información geográfica en beneficio de los usuarios. Actualmente
dispone de ciertas especificaciones, algunas de las cuales están ya consolidadas,
como es el caso del WMS (Web Map Service).
25
TIC se refiere a las Tecnologías de la Información y la Comunicación.
Uno de los servicios más recientes es el ya mencionado WPS (Web

Processing Service) que describe un mecanismo por el cual los procesos
geográficos pueden ser ejecutados en servidores remotos, empleando
fundamentalmente XML (Extensible Markup Language) para la comunicación a
través de la red. Esta especificación está diseñada para el desarrollo de sistemas
totalmente independientes, tanto de la plataforma, como del lenguaje de
programación empleados. Teniendo en cuenta todo lo anterior, se ha contemplado
la implementación de servicios WPS que ofertan procesamiento de modelos de
localización-asignación. El motivo por el cual se ha decido utilizar este estándar es
que la interoperabilidad está basada precisamente en estándares. De esta manera, la
funcionalidad estaría disponible para cualquier cliente WPS.
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.
Del mismo modo, se podrían añadir nuevas funcionalidades o modificar las

ya existentes, sin necesidad de realizar ninguna configuración adicional a los
equipos de la parte cliente, ya que solo sería necesario modificar la parte del
servidor, es decir, los cambios en la funcionalidad del sistema son transparentes al
usuario final.
El estándar WPS es relativamente reciente y su última versión estable es la

1.1.0 correspondiente al año 2007. En esta última especificación se definen tres
operaciones, todas ellas emplean XML como formato para el intercambio de datos.
Dichas operaciones son:
• GetCapabilities. Devuelve un listado de los servicios disponibles.

• DescribeProcess. Describe en qué consiste cada uno de los servicios
disponibles.
• Execute. Permite ejecutar el proceso a partir de unos parámetros de
entrada.
© RA-MA CAPÍTULO 7. LOCALIZACIÓN ÓPTIMA CON WPS 185
Al ser un estándar novedoso, aun existen pocos servicios WPS

implementados en las Infraestructuras de Datos Espaciales de España y Europa.
7.2 APROXIMACIÓN AL DESARROLLO DE MODELOS

DE LOCALIZACIÓN CON WPS
Para determinar la funcionalidad que puede ser implementada como
servicios WPS se realiza una toma de requisitos funcionales. Estos se pueden
agrupar principalmente en dos. Por un lado tenemos la funcionalidad para la
evaluación espacial de la situación de la oferta con respecto a la demanda. El
objetivo de esta funcionalidad es generar información que permita evaluar la
adecuación de la oferta a la demanda, la accesibilidad y determinar áreas de
influencia. Por otro lado está la funcionalidad para la determinación de la
localización óptima de nuevos equipamientos. Esta funcionalidad permite
determinar la mejor ubicación de nuevas instalaciones, teniendo en cuenta si son
instalaciones deseables o no. Para la obtención de instalaciones deseables existen
los modelos Minisum, Cobemax, Medires, Coberes, Deslin y Desnolin. En cuanto a
los que determinan la obtención de instalaciones no deseables, los modelos son
Maxisum, Cobemin, Maxmin y Minmaxsum (Bosque Sendra y Moreno Jiménez,
2004).
De toda la funcionalidad analizada que podría ofrecer el sistema, solo se

han diseñado e implementado hasta ahora las partes suficientes para mostrar las
características del enfoque propuesto. Concretamente se realiza la implementación
del modelo de localización-asignación Minisum (instalaciones deseables) y
Maxisum (instalaciones no deseables).
Para la implementación de Servicios WPS es necesario tener la tecnología

que soporte su desarrollo. Dentro de las soluciones de software libre, se han
encontrado dos plataformas que facilitan el desarrollo de Servicios WPS. Una se
denomina Deegree y la otra 52North. Ambas están desarrolladas en Alemania.
Finalmente, se ha optado por utilizar el framework Deegree de la Universidad de
Bonn, el cual facilita la implementación de servicios del OGC. Se ha elegido
Deegree porque la última versión denominada Celsius 3.0 dispone de una buena
documentación. Ambos frameworks están desarrollados en Java y permiten obtener
el código fuente como un proyecto del entorno de desarrollo Eclipse.
Por lo general, los servicios WPS que procesan los modelos de

localización-asignación tienen la estructura de la figura 7.1.
Figura 7.1. Inputs y outputs complejos del servicio WPS implementado
El servicio WPS tiene diversas entradas y salidas. Entre las entradas del
servicio WPS existen datos complejos y datos simples:
• Capa de puntos con la demanda en formato GML (Geography Markup

Language).
• Nombre del campo del GML que contiene el valor de la demanda.
• Capa de puntos con la oferta de instalaciones en formato GML. Estas
instalaciones son aquellas que ya existen.
• Capa de puntos con los candidatos a instalaciones en formato GML.
Estas son las instalaciones que no existen o que se están planteando
crear.
• Número de instalaciones a ubicar.
• Campo booleano que determina si se consideran las instalaciones
actuales o no, a la hora de seleccionar los puntos de servicio. Si se
consideran las instalaciones actuales, éstas actuarán como candidatos y
por tanto puede darse el caso de que alguno de estos puntos de servicio
no sean parte del conjunto solución. Si por el contrario, no se consideran
las instalaciones actuales, éstas siempre serán parte del conjunto
solución y el modelo determinará de entre los nuevos candidatos
aquellos que se añadan a la oferta de centros ya existentes.
• Matriz de distancias. Este tipo de estructuras es clave en la ejecución de
modelos de localización-asignación. No existe una estructura genérica
conocida para representar las matrices de distancia. Se ha propuesto
utilizar XML como formato, ya que es el estándar por excelencia para el
intercambio de información estructurada entre diferentes plataformas. La
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.
Figura 7.2. Estructura de XML propuesta para representar a la matriz de distancias.

El campo valor_dem contiene el valor de la demanda y el nodo texto del elemento oferta representa
la distancia en metros
Los valores de salida del servicio WPS son los siguientes:
• Capa de puntos en formato GML de las instalaciones seleccionadas

como solución.
• Capa de puntos en formato GML con los puntos de demanda y un campo
alfanumérico nuevo que representa el identificador de la instalación a la
cual queda asignado.
• Capa lineal en formato GML que representa líneas que unen los puntos
de población con los de las instalaciones a las que han sido asignados.
Este tipo de mapa se denomina mapa de araña y facilita al usuario la
interpretación de los resultados obtenidos tras la ejecución de los
modelos de localización-asignación.
• Valor de la función objetivo para la solución óptima obtenida.
El algoritmo de Teitz y Bart es el implementado para resolver los modelos

de localización-asignación. También denominado algoritmo de intercambio, es un
proceso heurístico, es decir tiene tiempos de ejecución reducidos y obtiene
soluciones cercanas al óptimo. Los pasos de ejecución son los siguientes:
1. Elección de un conjunto arbitrario de instalaciones como posible

solución del problema. Por tanto, se tienen dos conjuntos de
instalaciones (elegidas y no elegidas).
2. Obtener el valor de la función objetivo. En cada modelo existirá una

función objetivo distinta.
3. Del conjunto de instalaciones no seleccionadas se toma la primera de las

instalaciones y se intercambia por cada una de las seleccionadas,
obteniendo en cada caso la función objetivo, si se obtiene mejor
resultado, pasa a ser solución parcial.
4. Se repite el paso 3 para cada una de las instalaciones que no están en el

conjunto solución.
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.
Muchos modelos de localización-asignación se pueden resolver aplicando

el algoritmo de Teitz y Bart. El diseño realizado tiene como objetivo permitir la
utilización de dicho algoritmo a los diversos modelos. Todos los modelos tienen
características comunes, aunque cada uno de ellos tiene una función objetivo
distinta, por tanto se utiliza el polimorfismo de los lenguajes orientados a objetos.
El polimorfismo permite que clases derivadas de una antecesora tengan unos
mismos métodos, aunque estos actúan de forma diferente en función del objetivo
de cada modelo.
7.3 APLICACIÓN A UN CASO CONCRETO. CENTROS

DE SALUD EN ALCALÁ DE HENARES
Como ya se ha mencionado en puntos anteriores, el estándar WPS está
accesible tanto en entornos web como en entornos de escritorio. Para los entornos
web existen tecnologías que permiten desarrollar aplicaciones de tal forma que el
usuario tenga la impresión de encontrarse ante un entorno de escritorio. Gracias a
la tecnología AJAX (Asynchronous JavaScript And XML) es posible acceder a la
parte del servidor y mostrar los resultados al usuario sin necesidad de refrescar la
página web en el navegador. Además, también existen bibliotecas de código
abierto como OpenLayers que permiten mostrar mapas interactivos en los
navegadores web.
Se ha realizado un prototipo de cliente web para mostrar las entradas y los

resultados del modelo de localización-asignación implementado como WPS.
Además para obtener las matrices de distancias se ha implementado esta
funcionalidad dentro del prototipo del cliente web.
Las matrices de distancias son fundamentales para la resolución de los

modelos de localización. Para representar una situación lo más real posible, las
distancias entre demanda y servicios deben ser obtenidas a partir de una ruta dentro
de una red y no utilizar distancias euclídeas. Para poder obtener la distancia entre
dos puntos cualesquiera del territorio y dado el carácter científico y académico de
este trabajo, se ha optado por la utilización de Google Maps. El prototipo de
aplicación web incluye funcionalidad para la obtención de las distancias entre los
distintos puntos a partir de la API Javascript de Google Maps, la cual incluye
funciones para calcular la distancia a partir de rutas en coche o caminando. El
resultado obtenido es un XML con la estructura descrita en el punto anterior.
El sistema de referencia de Google Maps es el denominado WGS84 Web

Mercator, y dado que el utilizado para los datos de prueba en los GML es el ED 50
UTM Zona 30, es necesario transformar estos últimos. Para ello se utiliza una
librería Javascript denominada Proj4js.
Aunque el objetivo no es utilizar los modelos para decidir sobre la

ubicación óptima de unos servicios en una zona concreta, se va a mostrar de qué
forma se podría hacer un estudio de este tipo con unos datos de prueba.
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:
1. Obtención de matrices de distancias entre la demanda y la

oferta/candidatos. Se van a obtener las distancias a partir de rutas en
coche y caminando.
2. Ejecución del modelo. Desde la aplicación web sería posible la ejecución

del modelo Minisum.
3. Visualización de los resultados obtenidos. El servicio WPS devuelve una

capa con los servicios seleccionados y un mapa de araña que muestra
visualmente la asignación de la demanda a la oferta/candidatos. También
se puede exponer la información alfanumérica tras la ejecución del
algoritmo, como puede ser el valor de la función objetivo, los
identificadores de los servicios seleccionados como solución y la
asignación de cada punto de demanda a su servicio correspondiente.
Se ha ejecutado el modelo Minisum teniendo en cuenta las distancias

caminando y en coche para diversas situaciones, en las cuales se cambia el número
de servicios a ubicar. En todos los casos se ha decidido utilizar la oferta actual
como posibles candidatos, es decir, se valora la posibilidad de cerrar alguno de los
ya existentes. En la figura 7.3 se observan los resultados de ejecución del modelo
Minisum con distancias a partir de rutas a pie, incluyendo los centros de salud
actuales como candidatos.
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
Después de ejecutar el modelo en las situaciones mencionadas, se han

obtenido los valores mostrados en la figura 7.4.
Como era de esperar, al ir incrementando el número de centros de salud a

ubicar, el valor de la función objetivo decrece, ya que cada punto de demanda
tendrá un centro de salud más cercano en ese caso. También se observa cómo,
teniendo en cuenta las distancias caminando, la suma total de desplazamientos es
menor que considerando las distancias por carretera.
Figura 7.4. Variación del valor de la función objetivo en función del número de centros a ubicar
Nº centros ID centros caminando ID centros coche

1 4310 5374
2 2812,5374 3140, 5374
3 3140, 3540, 5374 3140, 3540, 5374
4 3140, 3540, 5374, 5711 3140, 3540, 5374, 5711
5 2812, 3140, 3540, 5374, 5711 3140, 3540, 4310, 5374, 5711
6539, 2812, 3140, 3540, 6539, 4310, 3140, 3540, 5374,
6
5374, 5711 5711
Tabla 7.1. Identificadores de los centros resultado teniendo en cuenta distancias
caminando y en coche
Si se observa la tabla 7.1, el utilizar la matriz de distancias caminando

frente a la matriz de distancias en coche, influye directamente en los centros
obtenidos como solución.
Por tanto, se pueden generalizar para este tipo problemas los siguientes
puntos:
• El tipo de distancia empleado influye directamente en las soluciones

obtenidas, por ende es importante determinar la forma de acceso de la
demanda a los servicios y eso está estrechamente relacionado con la
escala a la que se trabaje. Por ejemplo, si se considera que las distancias
son adecuadas para ir caminando, la solución es distinta al caso en el que
las distancias sean excesivas.
• Evidentemente, al incrementar el número de centros de servicio, la

demanda tendrá más cerca uno de estos centros y corresponde a los
planificadores el determinar si la disminución en el coste total de los
trayectos es compensado por el gasto de mantenimiento de más centros
de servicios. Por ejemplo, en la figura 7.4 se observa cómo el valor de la
función objetivo al ubicar 4, 5 o 6 centros de salud, teniendo en cuenta
distancias en coche, no varía excesivamente. Por tanto, se podría
plantear el utilizar 4 centros de salud en vez de 5 o 6 y la suma total de
las distancias se seguiría manteniendo.
7.4 TRABAJO FUTURO

Es importante destacar la reciente aparición de la computación en nube,
que es un nuevo paradigma que consiste en ofertar servicios informáticos a través
de Internet. La computación en nube es la extensión natural a la arquitectura
software orientada a servicios mencionada anteriormente ya que tienen
características semejantes: independencia de localización, orientación a servicios e
independencia de plataformas.
La computación en nube supone un cambio sustancial en el campo de las

tecnologías de la información. Con este nuevo paradigma, las aplicaciones del
software no tienen por qué estar en un lugar físico concreto, sino que pueden estar
compuestos de múltiples piezas procedentes de muchos sitios (Joyanes, 2009). La
idea principal es que los usuarios puedan acceder bajo demanda a un gran número
de recursos sin necesidad de instalar máquinas localmente. La computación en
nube se asienta sobre varios conceptos: Web 2.0, SaaS (Software como Servicio),
HaaS (Hardware como Servicio), PaaS (Plataforma como Servicio), Virtualización
y Almacenamiento (Lee, 2010). Todo esto supone un ahorro de tiempo y a la vez
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.
Casi todas las grandes empresas tecnológicas están dedicando esfuerzos en

desarrollar sistemas basados en computación en nube. Google, Amazon, IBM, Sun
Microsystems o Microsoft son un ejemplo. Las tecnologías de la información
geográfica no son una excepción y ya se pueden encontrar en la nube algunos
casos. Quizás el ejemplo más relevante es el caso de Google Maps, que permite la
visualización de mapas. La importancia de la computación en nube en los Sistemas
de Información Geográfica se refleja en la estrategia de ESRI, una de las mayores
empresas de SIG del mundo, al anunciar la alianza con Amazon y Microsoft para
implantar un modelo de pago por uso de sus aplicaciones (Kouyoumjian, 2010).
Incluso ya han aparecido las primeras conferencias sobre SIG y computación en
nube, como es el caso del Location Intelligence GeoCloud 2010 Executive
Conference que se celebró en septiembre de 2010 en Washington (Estados
Unidos).
En el caso de los modelos de localización-asignación, en los SIG

tradicionales no se solía ofertar este tipo de funcionalidad y en la nube aún no
existe ningún servicio que la ofrezca.
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.
Sin embargo, también existe la posibilidad de instalar y desplegar los

servicios en un ordenador personal para probar el funcionamiento de los modelos
de localización-asignación desarrollados. Los servicios WPS implementados son
una aplicación web, es decir, se accede a la funcionalidad del servidor a través de
un navegador. Por tanto, para probarlo de forma local, es necesario tener instalado
un servidor de aplicaciones web. En concreto, se requiere la instalación del
servidor Apache Tomcat, el cual es software libre. El código de los servicios

implementados está en un fichero con extensión WAR (Web Archive) y está
disponible en el material adicional de este libro ubicado en su ficha de la web
www.ra-ma.es. En él, aparte del fichero WAR y del acceso al instalable del
servidor Apache Tomcat, se proporciona una guía de instalación. Por último,
también se incluye un documento en el que se muestra la estructura que ha de tener
la matriz de distancias de entrada a los servicios WPS.
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
ACCESIBILIDAD EFECTIVA Y ELECCIÓN

PERSONAL DE LA ESTRUCTURA ESPACIO-
TEMPORAL DEL SERVICIO DE GUARDERÍAS
Y ESCUELAS INFANTILES DE
ALCALÁ DE HENARES
En capítulos anteriores se ha tratado el problema de la accesibilidad, su

relevancia territorial y social, así como las distintas formas de entenderla y
analizarla en los Sistemas de Información Geográfica. En concreto, en el segundo
se apuntaba la posibilidad de reducir las múltiples acepciones y matices existentes
sobre esta cuestión a dos enfoques: la accesibilidad espacial y la accesibilidad
personal. Sobre los datos referidos a guarderías y escuelas infantiles en Alcalá de
Henares, se trata aquí de comparar los resultados de los dos enfoques y de discutir
su validez en un contexto socioterritorial en que los transportes y las
comunicaciones están transformando profundamente el concepto de accesibilidad.
En un mundo progresivamente fragmentado y empequeñecido por las nuevas
técnicas de la información y una red de transportes cada vez más densa y eficaz, las
posibilidades de hacer uso de los recursos del entorno aumentan; pero no de la
misma manera para todos los individuos. De ahí la creciente distancia social en
cuanto a condiciones y calidad de vida entre los que se benefician de esas
innovaciones y los que no tienen acceso a ellas. Y de ahí también la sugerencia de
que las medidas de accesibilidad a los recursos que guíen las políticas de
planificación deberían migrar desde un enfoque basado en el espacio (place-based
representation) a un enfoque basado en las posibilidades personales de acceso y
elección (people-based representation) (Miller, 2001).
Tras mostrar los resultados de los análisis de accesibilidad realizados desde

la perspectiva espacial, expondremos brevemente por qué la Geografía del Tiempo
de la Escuela de Lund provee un marco adecuado para esa aproximación
individual. Son numerosos los estudios que desde sus planteamientos han mostrado
las diferencias en cuanto a accesibilidad de diferentes individuos que viven en el
mismo área, incluso de una misma unidad familiar. En concreto, han tenido un
capítulo aparte la consideración de las diferencias de género en cuanto a roles
familiares, acceso al mercado de trabajo, características de los espacios de
actividad potencial, etc., y las diferentes estrategias de organización de la vida
familiar (Palm y Pred, 1974; Palm, 1981; Díaz, 1991; Sabaté, Rodríguez y Díaz,
1995; Dijst, 1999; Kamiya, 1999; Kawase, 1999; Kwan, 1999). La geografía
feminista, aunque crítica con muchos de los planteamientos de Hägerstrand,
reconoce su interés común en el estudio de la cotidianeidad y las limitaciones que
muchas mujeres encuentran para combinar el trabajo remunerado fuera del hogar y
las tareas domésticas y familiares (Rose, 1993, cit. en Prats, 1998). En los últimos
años parece darse un acercamiento entre ambas corrientes (grupo de trabajo en la
Unión Geográfica Internacional y número monográfico de la revista GeoJourna –
1999, 48(3) – recogiendo los trabajos allí presentados).
Muy conocida en España es la aportación de Palm y Pred (1974)26 sobre las

severas restricciones de acoplamiento a que están sometidas las mujeres
trabajadoras con hijos pequeños. “El empleo que en definitiva escoja una mujer
sola con uno o más hijos de edad preescolar estará determinado con frecuencia por
las características geográfico –temporales de las guarderías o jardines de infancia”
(p. 116; Kwan, 1999, cita una decena de estudios que soportan esta afirmación).
Aunque en los últimos tres o cuatro años se ha reavivado el interés por

integrar esos planteamientos en un Sistema de Información Geográfica (Kwan,
2000a; Miller, 2001), se reconoce que existen aún numerosas dificultades y
problemas por resolver. La presente aportación trata de mostrar cómo se superaron
algunas de ellas utilizando las herramientas que incorpora ArcInfo 7.x, tanto los
módulos ya disponibles en el paquete estándar como nuevos módulos desarrollados
con su lenguaje de programación, AML (Arc Macro Language). Antes de abordar
esa parte del trabajo, sin embargo, como muchos de los capítulos de esta sección,
haremos una breve revisión de los condicionantes y las características de este
equipamiento, atendiendo especialmente a los problemas de restricciones
temporales impuestas a los usuarios por los horarios de apertura de estos centros.
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
8.1 APUNTES GENERALES SOBRE EL SERVICIO DE

GUARDERÍAS Y ESCUELAS INFANTILES
8.1.1 Entre el enfoque asistencial y el educativo

Desde las “escuelas de amigas”, documentadas ya en el siglo XVI, han
existido en España diversos modelos de atención a los niños de entre 0 y 6 años
fuera del ámbito familiar. La evolución general parece querer desterrar poco a poco
una simple labor subsidiaria de atención a las necesidades asistenciales del niño
pequeño (alimentarias, higiénicas, de vigilancia y cuidado) para tender a asumir un
conjunto multidimensional y complejo de funciones centradas en su educación, en
la estimulación de procesos de maduración cognitiva, afectiva y social, proceso
educativo que ha de comenzar a edades tempranas (Berea, 1992; Manifiesto de
Madrid – 4º Congreso Mundial de Educadores Infantiles, 199827).
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.
Concluimos entonces que la evaluación y planificación de este servicio no

solo ha de hacer frente a una demanda creciente de plazas, sino que esas plazas han
de satisfacer unas exigencias de calidad, localización y horarios que faciliten la
compatibilización de las obligaciones de la esfera doméstica y laboral. Son estos
requerimientos espacio-temporales los que nos han conducido a enmarcar la parte
esencial de nuestro estudio dentro de los planteamientos de la Geografía del
Tiempo de Torsen Hägerstrand y a plantearnos la posibilidad de integrarlos en un
Sistema de Información Geográfica, completando de esta manera las medidas de
accesibilidad espacial que ya incorporan muchos SIG comerciales.
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.
8.1.2 Problemática y evolución del servicio de guarderías y

escuelas infantiles en la normativa española reciente
A pesar de la asunción a lo largo del siglo XIX y principios del XX en
algunos centros de modelos pedagógicos innovadores basados en el juego, los
centros de interés espontáneos y la libre iniciativa de los niños, tras la guerra civil
de 1936-39 se vuelve, sin embargo, a métodos y contenidos más tradicionales. En
1945 se publica la Ley de Educación Primaria, que establece un período de
iniciación que comprende escuelas maternales (hasta 4 años) y las escuelas de
párvulos (4-6 años), en ambos casos con un profesorado exclusivamente femenino
y una labor más asistencial que educativa. Más adelante, la Ley General de
Educación de 1970 distingue dos niveles de educación preescolar: el Jardín de
Infancia (para niños de 2 y 3 años) y Escuela de Párvulos (para niños de 4 y 5 años)
(Esteban Alonso, 1979; Castillo Cebrián, et al., 1991). En esta Ley la educación
preescolar quedó relegada a un segundo plano; era prioritario en esos momentos
atender a la población infantil en etapa de escolarización obligatoria surgida del
baby boom de los años sesenta (Berea, 1992).
Poco a poco, una vez cubiertas las necesidades de la Enseñanza General

Básica, comienzan a surgir aulas de 5 y 4 años, pero siempre muy por debajo de la
demanda social (la necesidad de ampliación de plazas de educación preescolar está
aún contemplada en los Pactos de la Moncloa de 1977). En esa situación se
desarrolló una iniciativa privada con muy poco interés educativo, falta de marco
legal y de control administrativo; estas “guarderías” ni siquiera dependen del
Ministerio de Educación, sino del de Trabajo (Castillo Cebrián, et al., 1991; Berea,
1992). En nuestro estudio sobre Alcalá de Henares tuvimos oportunidad de recoger
ejemplos de este tipo de instalaciones que aún seguían funcionando a principios de
los años noventa.
Se constituyen así dos mundos distanciados de difícil conciliación: el

centro de educación preescolar o escuela infantil, como instructivo y preparatorio
para la escolarización por un lado, y las guarderías como “almacén” de niños por
otro. Los esfuerzos por impulsar una atención y una educación de calidad en esa
primera infancia se ven lastrados por esa situación anterior y por una escasez de
fondos públicos con que hacer frente a la fortísima demanda social (sobre todo a
partir de los 2 años de edad) generada por: la creciente incorporación de la mujer al
mercado laboral, la demanda también creciente de tiempo “para ella”, los cambios
en las estructuras familiares con un número de familias monoparentales en
aumento, la reducción de las relaciones familiares propia del modelo de familia
nuclear y, por último, los cambios en la consideración de las necesidades
educativas del niño, tanto en ese momento como de cara a una mejor preparación
académica y profesional en el futuro, que requieren la labor de los especialistas
(Berea, 1992).
A todo ello pretende dar repuesta la Ley de Ordenación General del

Sistema Educativo (LOGSE) de 1990, que persigue la integración en el ámbito
educativo de la red de instituciones que acogen a niños de 0-6 años y que impone
condiciones mucho más estrictas en cuanto a espacio y personal empleado28. Pero
incluso tras su promulgación y entrada en vigor, el Ministerio reconoce que esa
situación de heterogeneidad de denominaciones, orientaciones, calidad y precio de
los distintos centros que acogen niños de esas edades va a continuar al menos hasta
1996 (en realidad el plazo de adaptación es de 10 años, hasta el 2000) y que el
sistema de educación infantil podría definirse como “un conglomerado de centros
sobre los que se ejerce un escaso control” (Berea, 1992, p. 23).
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).
Analizaremos en este capítulo la situación existente en Alcalá de Henares

con respecto a este servicio a principios de los años noventa, es decir, la situación a
partir de la que se habría de aplicar la nueva normativa. Y descubriremos un agudo
déficit general de plazas, aunque con importantes matices según el área de la
ciudad y el tipo de centros considerados.
8.2 ALCALÁ DE HENARES: ACCESIBILIDAD

ESPACIAL Y SITUACIÓN DOTACIONAL RESPECTO
AL SERVICIO DE ATENCIÓN A LA PRIMERA
INFANCIA
8.2.1 Creación de la base de datos digital

A partir de la información tanto cartográfica como demográfica
proporcionada por el Excmo. Ayto. de Alcalá de Henares se generaron algunas de
las capas básicas en un Sistema de Información Geográfica vectorial de ámbito
urbano:
• Capas referentes a la estructura urbana:

– Manzanas (cobertura de polígonos): cobertura básica digitalizada a
partir de la cartografía municipal en papel a escala 1:1.000.
– Ejes de calles (cobertura de líneas, tratada como cobertura de
direcciones postales y como cobertura de red, a la que se
incorporaron distintos tipos de impedancias para simular el coste en
tiempo de los desplazamientos a pie, en autobús urbano y en coche).
• Capas referentes a la demanda potencial con diferentes niveles de
agregación:
– Máximo nivel de desagregación: padrón municipal a nivel individual
una vez eliminados los datos confidenciales (cobertura de puntos,
generada tras operación de geocodificación de direcciones).
– Demanda potencial agregada a nivel de portal (cobertura de puntos
que consiguió agregar los casi 165.800 individuos del padrón en
4.015 unidades en las que se totalizaron los items de la tabla 8.1).
– Demanda potencial agregada sobre cuadrícula 150 * 150 metros
(cobertura de polígonos; 387 unidades; también con los items de la
tabla 8.1).
– Demanda potencial agregada a nivel de sección censal (cobertura de

polígonos; 99 unidades); a su vez estas secciones pueden agregarse
en distritos (cobertura de polígonos o regiones; 8 unidades), dado que
ambas mallas territoriales se superponen jerárquicamente. (Incluía así
mismo los items de la tabla 8.1).
Nº niños de 0 años
Total niños 0-3 años
Nº niños de 1 año
Total ponderado niños 0-3
Nº niños de 2 años años (1)
Nº niños de 3 años
Nº mujeres 15-19 años
Nº mujeres 20-24 años TOTAL MUJERES 15-49 TOTAL
POBLACIÓN
Nº mujeres 25-29 años AÑOS EN EL ÁREA
Nº mujeres 30-34 años TOTAL PONDERADO
Nº mujeres 35-39 años MUJERES 15-49 AÑOS
Nº mujeres 40-44 años (2)
Nº mujeres 45-49 años
Resto de grupos de población
Tabla 8.1. Agregación de grupos de interés en unidades espaciales
Nota: Con los totales ponderados trataríamos de aproximarnos a una

evaluación más ajustada de la demanda real de este tipo de equipamientos
Para las fechas del estudio solo se disponían de datos de escolaridad en el

escalón de edad de 3 años; los demás se han asignado de forma decreciente a partir
de ese dato conocido: (nenes0 * 0.1) + (nenes1 * 0.2) + (nenes2 * 0.4) + (nenes3 *
0.5).
En este caso el factor de ponderación fue calculado sobre el dato de

“Nacimientos por edad de la madre” del Anuario Estadístico de España, de 1991,
Instituto Nacional del Estadística: (muj15_19 * 0.045) + (muj20_24 * 0.184) +
(muj25_29 * 0.385) + (muj30_34 * 0.279) + (muj35_39 * 0.088) + (muj40_44 *
0.018) + (muj45_49 * 0.001).
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
desaparecen con relativa facilidad). En total, completamos una lista de 34 centros

de educación infantil en funcionamiento durante el citado curso, de los que, tras la
entrevista, obtuvimos los datos de titularidad, capacidad, horarios, fecha de
inauguración, equipamiento y superficie, personal y áreas de influencia.
Las características y preferencias de la demanda real se recogieron

mediante una encuesta realizada a una muestra aleatoriamente seleccionada de 158
usuarios de estos centros, es decir, adultos (padres, hermanos, abuelos) que acudían
a recoger a los niños. Entre las informaciones generales que estimamos necesarias
para evaluar la situación del servicio estuvieron, por ejemplo, el tiempo invertido
en el desplazamiento hasta el centro, el modo de transporte utilizado, el aspecto del
servicio más y menos valorado, la vinculación con el niño (en caso de no ser la
madre o el padre, causa por la estos que no pudieron acudir), la distancia óptima y
la distancia máxima a la que estiman debería situarse una guardería de cualquier
domicilio, etc. Por otra parte, los objetivos del estudio hacían preciso un intento de
recabar pautas de empleo del tiempo durante una jornada cotidiana de ese adulto
usuario del centro, y las limitaciones que para él podrían suponer la situación
espacio-temporal del centro.
Así pues, la anterior relación de capas en la base de datos digital

procedentes de fuentes cartográficas y estadísticas del Ayuntamiento se completó
con las siguientes capas y ficheros extraídos del trabajo de campo realizado:
• Capa referente a la demanda real y ficheros con los diarios de actividad

de los encuestados: geocodificación de las direcciones postales de estos
(cobertura de puntos); un código común permitía conectar cada uno de
los puntos (domicilios) con su correspondiente diario de actividad.
• Capa referente a la oferta: situación y características relevantes de

guarderías y escuelas infantiles (cobertura de puntos generada tras otra
operación de geocodificación de direcciones).
8.2.2 Evaluación de la situación dotacional por distritos

urbanos
El mapa 8.1 muestra la disposición espacial de las guarderías en relación a
una de las variables tomadas en cuenta como demanda potencial de ese tipo de
servicios: número de niños entre 0 y 4 años en cada una de las cuadrículas de 150 *
150. Como puede observarse en él, la dispersión es el patrón espacial de estas
instalaciones; con la excepción del casco histórico, salpican toda la trama urbana.
Esta distribución concuerda con la demanda de cercanía al domicilio familiar que
gran parte de los usuarios mencionaron en la encuesta. La ausencia de guarderías
en ese espacio central se explica fácilmente, por tanto, si recordamos la escasa

población que lo habita y su estructura por edades, más envejecida que en el resto
de los distritos de la ciudad.
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.
Mapa 8.1. Localización de las guarderías y escuelas infantiles en Alcalá de Henares
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.
También existen diferencias notables en cuanto al horario en que estos

permanecen abiertos. Era éste un aspecto que nos interesaba sobremanera y que
demostró ser un discriminante fundamental entre tipos de usuarios que recibía cada
centro. Pudo comprobarse que era en las franjas horarias entre las 9.00 y las 12.30
por un lado y las 15.00 y las 17.00 cuando la mayoría de los centros están abiertos.
Entre las 7.30 y las 17.30 se extienden de forma continuada los horarios de las
escuelas públicas, y más amplios aún son los horarios de algunos centros privados.
Esas diferencias en cuanto a horarios y titularidad, junto con otras características
objetivas de los centros recogidas en la entrevista con los responsables de los
mismos (ratios superficie/puesto escolar, niños/educador) nos permitieron delinear
una clasificación de centros en tres tipos (tabla 8.2):
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
Centros públicos
Horario continuado (entre 8 y 11 horas)
3 4 70 193
Media de 14 m2 por puesto escolar
Tabla 8.2. Clasificación de las guarderías y escuelas infantiles que funcionaron en Alcalá de Henares
en el curso 1992/93 en tres tipos
Como puede verse en el gráfico de la figura 8.1, se da un importante déficit

de plazas escolares para estas edades en todos los distritos de la ciudad. Este déficit
es más acusado en el distrito II y en el VI (al suroeste y noreste de la ciudad
respectivamente), más aún si solo tenemos en cuenta las plazas que ofrecen los
centros de tipo 2 y 3 (los centros de tipo 1, que por sus características podríamos
considerar “infraestándar”, son especialmente numerosos en el II, uno de los
distritos con mayor problemática social de la ciudad).
8.2.3 La accesibilidad espacial

Sobre las distintas posibilidades de medir la accesibilidad espacial en un
Sistema de Información Geográfica se ha debatido ya largamente en capítulos
anteriores. En el presente estudio sobre la accesibilidad de la población a
guarderías y escuelas infantiles en Alcalá de Henares se probaron las siguientes:
• Asignación de la demanda almacenada en los arcos de la red de calles al

centro de oferta más cercano o de mínima impedancia (mandato
ALLOCATE de ArcInfo). Todos los tramos de arcos asignados a un
mismo centro de oferta se almacenan con un único identificador que
permite cartografiarlos con un color o un símbolo de línea distintivo. El
proceso solo se detiene cuando todos los arcos han sido asignados a
algún centro de oferta o cuando la capacidad máxima de estos es
superada. Nuestro mapa mostró numerosos arcos cuya demanda no pudo
ser asignada a ningún centro, haciendo patente, de nuevo, la falta de
plazas escolares para estas edades en la ciudad.
Déficit de plazas en educación infantil (0-4 años) por distritos
-200
-400
-600
Déficit
-800
-1000
-1200
-1400
Distr. I Distr.II Distr.III Distr.IV Distr.V Distr.VI Distr.VII Distr.VIII
Déficit (cálculo sobre el total de plazas)

Déficit (cálculo eliminando las plazas "infraestándar"; centros tipo 1)
Figura 8.1. Déficit de plazas en educación infantil (0-4 años) en los ocho distritos de la ciudad
• Medición de la distancia euclidiana y de la distancia a través de la red de

calles desde cada domicilio al centro de oferta más cercano. Este cálculo
mostró notables diferencias entre unas y otras áreas en la ciudad. Como
era de esperar, los mayores valores de distancia se registraron en ciertos
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.
• Disponibilidad de centros dentro de un alcance espacial dado (Öberg,

1976; Handy y Niemeier, 1997). Los radios de búsqueda se fijaron en
función de las distancias máxima y óptima que los propios usuarios
habían referido en el cuestionario realizado: 1125 y 375 metros
respectivamente. Dadas las enormes diferencias en cuanto a tamaño y
características de los distintos centros encontramos más adecuado
contabilizar no tanto el número de centros alcanzables desde cada
domicilio, como el número de plazas escolares o de horas que esos
centros existentes dentro de ese radio permanecían abiertos (ver mapa
7.2: número de plazas escolares alcanzables dentro de la distancia
óptima desde el domicilio).
• Medias de accesibilidad considerando conjuntamente el tamaño de la

oferta y los costes del viaje (gravity-based measures, función de
descenso lineal de la distancia, Handy y Niemeier, 1997; ver fórmulas 1
y 2 del capítulo segundo). En consonancia con los resultados anteriores
se pudo observar la existencia de amplias áreas de la ciudad con índices
relativos de accesibilidad muy bajos. Estos resultados, junto con la
preferencia de los usuarios de una localización cercana a la residencia,
parecerían apuntar a que la mejor solución para paliar el déficit existente
sería la puesta en funcionamiento de centros de tamaño mediano
repartidos en las áreas cuya accesibilidad sea más baja.
Los tres últimos tipos de cálculos de medidas de accesibilidad se han

realizado tomando como base el máximo grado de desagregación espacial con el
que contábamos en la base de datos, el portal (puntos). Su representación
cartográfica admite, por tanto, distintas posibilidades. Los valores de accesibilidad
calculados para cada uno de esos portales pueden, simplemente, ser representados
con símbolos puntuales proporcionales. Pueden, así mismo, ser utilizados como
valores de entrada en la construcción de un modelo TIN a partir del cual poder
dibujar isolíneas o isopletas, quizá más adecuadas desde el punto de vista
cartográfico que la solución de los símbolos proporcionales. Por último, el valor de
accesibilidad o el número de plazas escolares alcanzables dentro de un radio

determinado pueden totalizarse utilizando la forma de representación llamada
cuadrícula neta (cálculo de la suma total o de la media de los valores que se
encuentran dentro de cada una de las cuadrículas), tal y como mostramos en los
mapas 8.1 y 8.2. En éste último, llama poderosamente la atención la extensa
superficie ocupada por la primera categoría de la leyenda (0 plazas disponibles en
el radio prefijado). Quiere esto decir que una gran mayoría de la población reside
más lejos de uno de estos centros de lo que se considera distancia óptima,
apoyando la opción que mencionábamos en el párrafo anterior consistente en
centros no excesivamente grandes pero mejor distribuidos en la trama urbana.
No obstante, si bien es cierto que la cercanía al domicilio facilita el uso del

servicio y es una cualidad deseable en opinión de los pedagogos y de los propios
usuarios, antes habría que considerar la posibilidad misma de su uso por parte de
esos usuarios con otras obligaciones horarias inapelables (laborales, por ejemplo).
¿Qué evaluación debería merecer el servicio de guarderías si existieran suficientes
plazas, estuvieran racionalmente repartidas sobre la trama urbana, pero su horario
fuera –como en realidad es el de algunas de ellas– de 9.30 a 12.30 y de 15.00 a
17.00? ¿Qué trabajador tiene un horario compatible con ése? Esta circunstancia
apareció, como era de esperar, en la encuesta realizada entre los usuarios. A falta
de otras medidas que permitan a los padres o las madres con hijos en estas edades
el abandono temporal del trabajo, parece clara, pues, la necesidad de contemplar la
dimensión temporal en la evaluación y planificación de este equipamiento (Mey y
Heide, 1997).
8.3 LA ACCESIBILIDAD ESPACIO-TEMPORAL A

GUARDERÍAS Y ESCUELAS INFANTILES EN
ALCALÁ DE HENARES
Los interrogantes que acabamos de plantear no son más que una muestra de
las consecuencias cotidianas de una segregación creciente de espacios consolidada
y alimentada por la Revolución Industrial. De forma paralela, los lugares y los
tiempos dedicados al trabajo, al ocio, al abastecimiento de bienes y servicios
básicos, etc., se hacen progresivamente monofuncionales; se imponen los turnos,
los horarios fijos y segmentados, el tiempo de reloj. Medios de transporte cada vez
más rápidos y eficientes “acercan” esos lugares distantes, pero facilitan, al tiempo,
una mayor fragmentación y dispersión espacial. La sociedad industrial, se ha dicho,
es una civilización que hace un uso intensivo del tiempo y cada vez más extensivo
del espacio (Kellerman, 1989; Miller, 2001). Conjugadas ambas circunstancias, es
evidente que la accesibilidad a los recursos, sean servicios o puestos de trabajo,
tendría que contemplar, además de su posición en el espacio, la posibilidad de
coordinación temporal de esas actividades.
Por otra parte, como mencionábamos en los párrafos introductorios del

capítulo, esos mismos avances técnicos (tanto en los medios de transporte como en
las nuevas tecnologías de la información) pueden suponer una brecha creciente en
las posibilidades que unos y otros individuos, quizá residentes en el mismo
vecindario, tienen para acceder a los recursos de trabajo, ocio o contactos sociales
que ofrece el entorno.
La Geografía del Tiempo de la Escuela de Lund realiza una amplia

reflexión sobre las condiciones en que se desenvuelve la vida cotidiana de los
individuos en distintos contextos tecnológicos, sociales y de producción30. Para ello
desecha la vía analítica o composicional, esto es, aquella que extrae de la realidad y
agrupa los fenómenos por criterios de similaridad, aislándolos de su entorno, y
elige la aproximación contextual o ecológica. Ésta trataría de analizar las
interrelaciones entre los elementos del entorno físico y social que se producen en
un momento y un espacio concretos (Hägerstrand, 1981). El análisis de esas
celdillas espacio-temporales admite diversas escalas y grados de generalización,
pero siempre conservando la identidad e indivisibilidad de cada agente y las
relaciones entre ellos31.
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).
Así mismo, se ha aplicado a la previsión de necesidades y condiciones de vida futuras: necesidades de

transporte (Ellegard et al., 1977); nueva organización del tiempo y problemas del mercado laboral
(Wallin, 1974; cit. en Carlstein, 1975), así como en estudios que combinan el punto de vista
geográfico y antropológico (Carlstein, 1982c; Escobar y Moral, SF).
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).
Mapa 8.2. Suma del número de plazas escolares alcanzables desde cada cuadrícula dentro de la
distancia óptima
El espacio y el tiempo se convierten así en dimensiones inseparables entre

sí y en cañamazo esencial en el que se dibujan las trayectorias vitales de las
personas. Sus limitaciones (capacidad del espacio para soportar actividades,
acotación del tiempo individual entre el nacimiento y la muerte) son paredes
infranqueables para el individuo (esa aproximación individual es otra de las notas
características de este enfoque). La Geografía del Tiempo denomina “limitaciones
de capacidad” a “aquellas que limitan las actividades del individuo debido a su
constitución biológica y/o a las herramientas de que puede disponer” (Hägerstrand,
1970, p. 98; un individuo no puede estar en varios sitios al mismo tiempo, no puede
mover un gran volumen de materia, no puede desplazarse de forma instantánea,
etc.; la tecnología modifica estas limitaciones de capacidad, pero no de igual forma
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).
De tal manera que la calidad de vida individual dependerá de la disposición

espacio-temporal de los recursos (puestos de trabajo, oportunidades de ocio y
cultura, etc.) y de la capacidad del individuo para empaquetar (o hacer concurrir en
esas celdillas) los agentes y elementos necesarios para realizar las tareas y
proyectos esenciales para su supervivencia (Thrift, 1977c; Hägerstrand, 1981, p.
16; Hägerstrand y Wagner, 1994, p. 620). Puede entenderse, entonces, que el
planificador persiga equiparar las oportunidades y posibilidades de elección de los
individuos y la eliminación de barreras que impiden esa elección efectiva
(Martensson, 1975, p. 5). Entre las posibles estrategias para aminorar esas
limitaciones de capacidad y acoplamiento, encontramos tanto actuaciones de índole
espacial (localización de residencias y actividades), como temporal (horarios,
aparatos), como de mejora del sistema de transporte (véanse los ejemplos de la
tabla 8.3).
Estrategias Impacto de las estrategias

Mejora de las infraestructuras de Aumenta la velocidad de desplazamiento
transporte y de la red de transporte del individuo, aumentando
público, instalación y mejora de los considerablemente su prisma de
intercambiadores modales. accesibilidad.
Permiten mayor discrecionalidad en la
Flexibilización de horarios, extensión de
elección del período de tiempo que un
horarios de bancos y establecimientos
punto debe ser ocupado; en algunos casos
comerciales, programas de formación en
permiten aminorar los problemas de
horarios nocturnos...
reducción de velocidad en las horas-punta.
Acortamiento del horario de trabajo,
Cambian la cantidad de tiempo que un
restaurantes de comida rápida, horno
punto debe ser ocupado
microondas.
Cambian los puntos del espacio que un
Zoning, localización de equipamientos
individuo debe ocupar durante un período
públicos, políticas de vivienda.
de tiempo.
Provisión de centros de día, servicios de
Eliminan o reducen las limitaciones de
autobuses escolares, grabadores de vídeo,
acoplamiento.
temporizadores en hornos.
Tabla 8.3. Estrategias para aminorar las limitaciones de capacidad y acoplamiento

Fuente: adaptado de Burns (1979), p. 18
8.3.1 Los prismas de accesibilidad potencial en la Geografía

del Tiempo y sus posibilidades de integración en un
Sistema de Información Geográfica vectorial
La accesibilidad potencial de los individuos a los recursos y oportunidades
situados en el territorio y disponibles durante períodos determinados de tiempo es,
por tanto, una cuestión esencial para esa corriente geográfica. Para expresar de
forma gráfica esas limitaciones espacio-temporales individuales utiliza los
llamados prismas de accesibilidad potencial32. Como ejemplo véase el caso de la
figura 8.2. En la ella los dos romboides sombreados con distintos tonos de gris
traducen el área accesible de dos individuos (A y B). A ambos les es permitido
abandonar el punto e2 en el momento temporal t1, y ambos han de estar en la
localización e3 en t4; entre t1 y t4 pueden disponer libremente de su tiempo. La
única diferencia en las circunstancias de partida de ambos es que utilizan los
medios de transporte y, por tanto, velocidades de desplazamiento diferentes. Como
puede verse, la extensión del área alcanzable por uno y otro es notablemente
distinta, y con ella los servicios o puestos de trabajo en ella situados.
Atendamos ahora a la barra negra vertical situada en e1. Representa un

equipamiento fijo en el espacio y abierto al público entre t2 y t3. Dado que esa
localización está dentro del área accesible para cualquiera de los dos sujetos, podría
ser, en principio, igualmente utilizable por ambos. Sin embargo, es preciso conocer
las exigencias temporales de uso para ese tipo de servicio. Si se trata de una oficina
de correos o de un establecimiento comercial (en ambos casos el usuario puede
elegir el momento de entrada y el tiempo de permanencia), acordaríamos que, en
efecto, es accesible para ambos sujetos. Por el contrario, si el equipamiento es una
escuela, ésta no sería realmente accesible para el sujeto A, puesto que se le exigiría
permanecer en ella durante el horario escolar completo (entre t2 y t3), lo que supera
ampliamente los límites máximos de su prisma de accesibilidad potencial.
Los primeros intentos de hacer operativos en tareas de planificación los

prismas de accesibilidad se llevan a cabo con el programa de simulación
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).
PESASP33 (Program for Evaluating Alternative Sample Paths) “destinado a

evaluar las posibilidades alternativas de movilidad, acceso y realización de
actividades para los individuos de un determinado entorno. El modelo pretende
reproducir la estructura de las limitaciones físicas para las actividades individuales
e introducir variaciones en estas condiciones con el objeto de mejorar las
posibilidades de movilidad” (Díaz, 1991, p. 149; recogido de Lenntorp, 1977, p.
37). El sistema opera con las siguientes entradas:
Figura 8.2. Prismas de accesibilidad potencial con velocidades de desplazamiento diferentes
• Programas de actividad diarios, registrando la actividad, el tiempo

(mínimo) necesario para llevarla a cabo y los puntos de origen y destino.
• Modelos de la región urbana evaluada, construidos en términos de

estaciones o localizaciones espaciales en donde las actividades tienen
lugar (domicilios, lugares de trabajo, tiendas, etc.) y de las cuales se
registra también el/los período/s de tiempo que permanecen
abiertas/accesibles.
• Modelo del sistema de transporte de esa región, distinguiendo el

transporte motorizado privado (coche: 40 km/h, más 6 minutos
estimados por viaje para ir andando hasta el coche y aparcar), el público
(autobuses, horarios establecidos), los desplazamientos a pie (5 km/h) y
los desplazamientos en bicicleta (12 km/h).
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.
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.
Una vez examinados los objetivos, la información de base y los resultados

de este modelo de simulación, formulado a principios de los años setenta, el
traslado a un entorno SIG parecería inmediato. Sin embargo, no se daba en ese
momento la madurez tecnológica precisa; de hecho, han pasado muchos años hasta
que se ha planteado seriamente la necesidad de incorporar la dimensión temporal y,
quizá también otras bases de la Geografía del Tiempo, a los Sistemas de
Información Geográfica y a los análisis de accesibilidad (Löytonen, 1998; Kwan,
1999; Miller, 2001; Weber y Kwan, SF).
Un primer intento de hacer operativo dentro de un SIG el concepto de

prisma de accesibilidad potencial es el de Miller (1991). El algoritmo ideado por
este autor para determinar qué arcos de una red (a los que se ha asignado ya la
impedancia correspondiente en unidades de tiempo) pertenecerían al área de
accesibilidad potencial (PPA, Potential Path Area; término recogido en Parkes y
Thrift, 1980) se dividiría en dos fases:
1. PPA tentativo o cálculo de las impedancias acumuladas desde el nodo

origen al resto de los nodos de la cobertura (siempre asumiendo que el
camino escogido para llegar a los nodos de destino es el más corto y
siempre que esa impedancia acumulada en minutos no exceda el
presupuesto temporal del individuo). Los arcos cuyos nodos inicial y
final estén incluidos en este primer conjunto de elementos seleccionados
pertenecerán al PPA tentativo.
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.
Sobre esa base Kwan (1999) aborda la comparación de la accesibilidad

espacio-temporal de una muestra de varones y otra de mujeres en similares
condiciones laborales (trabajadores a tiempo completo). Para ello construye,
también sobre la base de un callejero vectorial, las que llama áreas de accesibilidad
potencial diaria (DPPA, Daily Potential Path Area), fruto de la agregación de los
diferentes PPA que un individuo puede tener a lo largo de una jornada cotidiana,
entre diferentes períodos de actividades obligadas con horario fijo. De ese DPPA se
derivan tres diferentes medidas de accesibilidad individual para realizar las
comparaciones entre la situación de varones y mujeres:
• Longitud de los arcos o segmentos de carretera incluidos en el DPPA.
• Número de recursos (opportunities) incluidos en el DPPA.
• Suma de los recursos (opportunities) incluidos en el DPPA ponderada

por el área de los mismos.
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.
8.3.2 El tratamiento del contexto y secuencia espacio-

temporal de los encuestados
Como acabamos de apuntar, tres eran los componentes a considerar en el
cálculo del número y/o capacidad de las guarderías y escuelas infantiles
efectivamente accesibles para los encuestados: (1) el medio físico en el que se
realizan los desplazamientos (red de calles y sistemas de transporte público y

privado); (2) la velocidad de desplazamiento y la secuencia de actividades que en
cada individuo determinan las ventanas temporales de libre disposición y el área
alcanzable; y (3) la situación espacial de las estaciones o localizaciones en las que
los individuos realizan actividades no discrecionales (domicilios, lugares de
trabajo, guarderías, etc.) y el horario en que el usuario puede acceder a ellas.
Recordamos que tanto la secuencia de actividades como la situación espacio-
temporal de las mismas se recogieron en la encuesta hecha a los usuarios en un
esquemático diario de actividades.
Respecto a la red en la que se realizan los desplazamientos y que impone,

por tanto, una determinada fricción al movimiento, recordamos que se utilizaron
los mismos ejes de calle que habían servido para las operaciones de
geocodificación. Por último, sobre esos valores de impedancia (medida en unidades
de tiempo), se calcularon las matrices origen-destino entre todos y cada uno de los
nodos de la red de calles para los tres modos de transporte indicados siguiendo
siempre el camino de mínima resistencia (el mandato NODEDISTANCE de
ArcInfo creo así los ficheros OD_PIE, OD_CAR y OD_BUS).
El tratamiento del contexto profesional y espacio-temporal individual se

hizo a través de dos vías. Por una parte, se realizó un volcado convencional de los
datos de los 158 cuestionarios válidos recogidos, excepto el diario de actividades, a
un solo fichero temático en el que cada registro reunía la información aportada por
cada encuestado. Por otra, para los diarios se optó por crear ficheros
independientes (USU002, USU003 ...; véase el ejemplo de la figura 8.3) en
formato ASCII, haciendo coincidir los tres últimos caracteres del nombre con el
número de la encuesta a que correspondía el item llave del fichero general. Esto
nos permitía gestionar de una forma más flexible su longitud variable (en algunos
casos se mencionaron hasta cuatro y cinco “actividades con un horario fijo”,
mientras en otros se mencionó apenas una) y sus especiales condicionantes
(manejo de información referida a horarios, desplazamientos, direcciones postales
múltiples, etc.). Su estructura puede verse en el ejemplo de la figura 8.3.
Cada uno de estos pequeños ficheros incluye siete campos y un número

variable de registros. Los campos son: posición temporal y duración de la
actividad, ambas expresadas en minutos (1º y 2º respectivamente), código de la
actividad (3º) lugar funcional (domicilio, lugar de trabajo o estudio, etc., 4º); y
dirección postal donde se realiza dicha actividad en el formato que ArcInfo 7.x
utiliza para realizar la geocodificación de direcciones y que nos permitiría, más
tarde, ubicarlas sobre el plano (5º, 6º y 7º).
Figura 8.3. Ejemplo de codificación de un diario de actividades
Respecto al manejo de la dimensión temporal de las actividades, buscando

la máxima sencillez y operatividad en la codificación y posible edición o
actualización de los datos, se optó por introducir solo el momento de inicio, y no
sus límites inicial y final (ello supone la necesidad de codificar todas las
actividades de forma exhaustiva a lo largo del día, incluidos los desplazamientos).
Por otro lado, tras ensayar la posibilidad de trabajar con la información temporal en
formato más habitual “hora.minuto”, se optó por una segunda solución (“minuto
acumulado de inicio de la actividad” con origen en las cero horas), que permite
cálculos más rápidos y sencillos de duración total de las actividades con horario
fijo, de los desplazamientos, etc. (segundo item).
Tampoco la decisión sobre la codificación del tipo de actividad y de los

lugares funcionales (campos 3º y 4º) fue sencilla. Las distintas clasificaciones de
actividades existentes en la literatura satisfacen criterios y necesidades diferentes:
desde la clasificación tripartita de indicadores de uso del tiempo de Naciones
Unidas (recogida en Sabaté, Rodríguez y Díaz, 1995), o la cuatripartita de Ramos
(1990) o el conocido estudio comparativo a nivel internacional de presupuestos
temporales de los años sesenta y setenta (Szalai, 1972; recogido en Parkes y Thrift,
1981; documentos producidos por la sección estadística de Naciones Unidas y que
pueden revisarse en www.un.org/Depts/unsd/timeuse/tusindex.htm). Más
relacionadas con los planteamientos de la Geografía del Tiempo se pueden
consultar las reflexiones al respecto de Ellegård (1999) o Vilhemson (1999). En
nuestro caso, para poder definir los prismas de accesibilidad potencial de cada
individuo era crítico distinguir las actividades obligatorias y no delegables que
deben realizarse en un espacio determinado y con un horario rígido del resto.
Dadas las condiciones en que se recogieron los datos de nuestra encuesta,
necesitábamos una clasificación general, muy poco detallada. Finalmente los
códigos empleados quedaron como se muestra en la tabla 8.4.
Código Actividades Código Lugares funcionales

1 Necesidades esenciales 1 Domicilio
2 Tareas domésticas 2 Lugar de trabajo/estudio
3 Trabajo/estudio 3 Comercio/otros servicios
4 Uso de servicios/comercio 4 Medio de transporte
Actividad indeterminada
5 5 Otros
(ocio)
Tabla 8.4. Clasificación final de actividades y de lugares funcionales
El siguiente paso nos acercaba al objetivo final del trabajo: el análisis de

accesibilidad efectiva a las guarderías basado en las limitaciones espacio-
temporales de cada uno de los usuarios, esto es, la integración de todos los
componentes de la escena: las características del medio físico (localizaciones de
actividades fijas, desplazamientos), las de los diarios de actividad de los
encuestados y de los centros analizados. Referimos brevemente a continuación el
modo en que se realizó ese análisis.
8.3.3 Cálculo del número y características de los centros

accesibles con las limitaciones espacio-temporales
indicadas en los diarios de actividad de los encuestados
Tras realizar ese previo análisis de los presupuestos temporales de los
encuestados, parte de la información incluida en los ficheros ASCII individuales se
transfirió al fichero general que recogía las contestaciones al resto de las preguntas
del cuestionario y se integró en la base de datos geográfica siguiendo estos pasos:
1. Preparación de la cobertura USUARIOS:

– Geocodificación de los domicilios de los encuestados (previa
creación de un fichero de direcciones independiente).
– Geocodificación de sus lugares de trabajo o de estudio y otras
localizaciones en las que tuviera que permanecer de forma obligada
durante un tiempo (de nuevo previa creación de un fichero de
direcciones al efecto).
– Asociación de esos puntos en las nuevas coberturas creadas con
nodos de la red de calles (mandato NEAR) y traslado al fichero
temático de la cobertura USUARIOS del identificador interno de ese
nodo más cercano al domicilio (item NODODOM) y al lugar de
trabajo (item NODOTRA: ver figura 8.4).
– Traslado al fichero temático de la cobertura USUARIOS de los

horarios de esas actividades estacionarias de obligado cumplimiento
(trabajo), en formato “minuto acumulado de inicio” (items
TRA_INI1, TRA_FIN1, TRA_INI2, TRA_FIN2).
2. Geocodificación de las guarderías y escuelas infantiles de la cobertura
GUARDE:
– Geocodificación de las guarderías y escuelas infantiles.
– Asociación de esos nuevos puntos con nodos de la red de calles
(mandato NEAR) y creación del item NODOGUA (figura 8.4).
3. Cálculo de las matrices origen-destino para los tres modos de transporte
contemplados (OD_PIE, OD_BUS, OD_CAR) y sobre las impedancias
previamente almacenadas en la red de calles (ver apartado 8.2.1).
Con estos elementos en la base de datos se procedió a la creación del

programa que permitiría establecer las relaciones entre esos tres ficheros temáticos
(USUARIOS.PAT, GUARDE.PAT y OD_xxx) y realizar los cálculos de los
prismas de accesibilidad potencial tal como aparece en la figura 8.4. El programa,
escrito en AML, seguía los siguientes pasos:
1. Petición del nombre del fichero ASCII en el que se escribirán los
resultados del análisis y que posteriormente se podrá convertir en una
tabla temática más de la base de datos.
2. Bucle de lista: para considerar los tres medios de transporte
mencionados. En función del elegido en cada momento se establecen las
relaciones con la matriz origen-destino correspondiente (OD_PIE,
OD_BUS, OD_CAR) y se activa el cursor.
3. Anidado en el anterior: bucle de contador que se repetirá tantas veces
como usuarios (registros) utilicen el medio de transporte seleccionado en
ese momento.
4. Anidado en el anterior: segundo bucle de contador que se repetirá tantas
veces como nodos existen en la red de calles: revisa las distancias entre
el domicilio/trabajo y el resto de los nodos de la red; todos aquellos que
tengan asignada una guardería y cumplan las limitaciones horarias
peculiares en cada caso, se escriben en el fichero ASCII de resultados,
abierto en el primer paso.
5. Terminada la ejecución del cuerpo principal del programa y cerrado el
fichero de resultados, se totalizan los mismos:
a) Número de centros alcanzables de cada uno de los tres tipos
establecidos (tabla 8.2).
b) Número de plazas alcanzables con las restricciones espacio-

temporales individuales.
c) Número de horas lectivas totales en los centros alcanzables con esas
restricciones.
d) Número de horas consecutivas en los centros alcanzables con las
restricciones espacio-temporales de los encuestados (se descarta el
período más corto en los centros de horario partido).
e) Hora de salida más tardía y de llegada más temprana al domicilio con
esas restricciones.
f) Tiempo total invertido en desplazamientos.
Figura 8.4. Estructura del programa de cálculo de accesibilidad efectiva a guarderías

Mapa 8.3. Número de plazas escolares alcanzables con el presupuesto espacio-temporal

de cada encuestado
El mapa 8.3 es un ejemplo de las representaciones cartográficas que se

generaron a partir de los resultados registrados en esos ficheros de salida. Llama la
atención, en primer lugar, la existencia de domicilios con valores bajos de
accesibilidad muy cerca de otros con valores medios o altos, lo que supone que la
ubicación del domicilio en la ciudad no es el criterio que establece las principales
diferencias entre unos y otros usuarios (atendiendo a cualquiera de las variables
mencionadas en el párrafo anterior), sino el tipo de diario de actividad.
Un primer intento de clarificación del significado de esos resultados puede

ser el establecimiento de dos grupos dentro de los encuestados: los que no tienen
restricciones horarias y los que sí las tienen, podemos observar cómo a los
individuos del primer grupo les serían accesibles un número considerablemente

mayor de centros de cualquiera de los tres tipos señalados en la tabla 8.2. Dentro de
este grupo los peor situados residen, sobre todo, al norte del distrito IV, sobre el eje
entre distritos II y III, y en las zonas periféricas de estos últimos, mientras que los
que tienen mayores posibilidades de elección dentro de este primer grupo son los
que residen en el área del distrito V, más cercana al centro de la ciudad.
Por el contrario, los que sí declararon tener restricciones horarias (trabajo,

estudio) ven notablemente reducidas sus posibilidades de elección de guardería,
sobre todo, en cuanto a centros de tipo 1. Dentro de este grupo la situaciones
menos favorables parecen abundar más entre domicilios situados en la periferia (en
el distrito VIII y en el II, fundamentalmente) bien sin ninguna guardería cerca, bien
rodeados de guarderías de tipo 1, que por los horarios de trabajo no pueden ser
utilizadas. Puede inferirse, por tanto, que con restricciones temporales más severas
la localización relativa de domicilios y guarderías se convierte en un factor de
mayor peso en el problema de la accesibilidad. Considerando la dificultad de
mover las instalaciones que se encuentran ya en funcionamiento, o de encontrar
parcelas vacantes en el punto señalado como teórica localización óptima de un
nuevo centro, quizá sería conveniente incluir de forma rutinaria la planificación
temporal o el estudio de los horarios de apertura más ajustados a las necesidades de
distintos tipos de usuarios en los estudios de provisión de equipamientos (Mey y
Heide, 1997).
Más allá de la conclusión, perfectamente previsible, de que los usuarios

con restricciones pueden acceder a un menor número de centros, es interesante
observar la mayor variabilidad interna en este grupo. Ello parece indicar la
necesidad de una clasificación más afinada de tipos de presupuestos temporales.
Volviendo a los ficheros ASCII que almacenaban los diarios individuales, se
realizó un análisis gráfico y estadístico de los mismos sin referencia a la dimensión
espacial, al estilo de los estudios clásicos de presupuestos temporales (ver, por
ejemplo, Chapin, 1978). En base a él se estableció una clasificación en seis tipos
diferentes. Cada tipo se codificó con dos dígitos, cuyo significado se describe a
continuación:
a) Según el volumen total de minutos consumidos en actividades

obligatorias (el primer dígito del código de clasificación):
1: Poco atados (mínimo ≤ sumaact.obligatorias >1º cuartil)

2: Medianamente atados (1º cuartil ≤ sumaact.obligatorias > 3º cuartil)
3: Muy atados (1º cuartil ≤ sumaact.obligatorias > máximo)
b) Según la duración media de los períodos de tiempo discrecional

(segundo dígito del código de clasificación):
Mayor duración media de los

0: (mediaact-discrecionales ≥ mediana)
períodos de tiempo discrecional
Menor duración media de los
1: (mediaact-discrecionales < mediana)
períodos de tiempo discrecional
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.
8.4 CONCLUSIONES Y FUTURAS LÍNEAS DE

INVESTIGACIÓN
El estudio descrito en los apartados anteriores muestra la posibilidad de
asociar los diarios de actividad individuales y el contexto espacio-temporal que en
ellos se encierra a una base de datos georreferenciada convencional. En él queda
constancia, así mismo, de la capacidad de un SIG comercial de estructura
georrelacional de analizar y cartografiar la accesibilidad espacio-temporal
individual, respetando la secuencia de actividades obligatorias registradas en cada
diario. Todo ello supone una aportación interesante para acercar algunos de los
conceptos básicos de la Geografía del Tiempo de T. Hägerstrand al entorno de los
Sistemas de Información Geográfica y de la planificación de equipamientos
colectivos.
Ese contexto de creciente especialización y segregación de funciones y

espacios que mencionábamos en apartados anteriores, y la necesidad de mayor
movilidad individual que ello conlleva34, otorga cada vez más importancia a la
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
coordinación temporal de las trayectorias vitales de los individuos implicados en

procesos comunes y, por tanto, a las limitaciones de acoplamiento entre los
presupuestos espacio-temporales individuales y los horarios de servicios y
equipamientos (Lenntorp, 1981). Se explica entonces la idoneidad de la lectura en
clave espacio-temporal de la provisión de servicios colectivos en general y, en
especial, de los destinados a los niños y otros miembros dependientes en la unidad
familiar (Hägerstrand, 1970, p. 104), así como la necesidad de que la localización y
horarios de apertura de estos centros no se traten de forma aislada, sino en
conexión con otros hitos en las trayectorias vitales individuales. Porque, siendo ya
muy rotunda la afirmación de Palm y Pred (1974) de que “el empleo que, en
definitiva, escoja una mujer sola con uno o más hijos en edad preescolar estará
determinado con frecuencia por las características geográfico-temporales de las
guarderías o jardines de infancia” (p. 116), quizá hoy es aún más cierto que
entonces.
Por otro lado, retomando la reflexión de Miller (2001) con la que

comenzábamos este capítulo, parece necesario reconsiderar el mismo concepto de
accesibilidad a puestos de trabajo, servicios sociales y culturales, posibilidades de
interacción personal, etc., que venimos manejando los geógrafos y planificadores.
Si las capacidades de aprovechar los recursos del medio difieren cada vez más
entre unos y otros individuos, y esas diferencias solo en parte son explicadas por la
posición de su lugar de residencia, la evaluación de ese concepto debería migrar de
un enfoque locacional a un enfoque individual. Para este autor, “accessibility is an
individual-level phenomenon with contextual effects related to demographic,
social, economic and cultural factors” (Miller, 2001, p.[3]). De otro modo no será
posible prevenir o paliar las fracturas sociales que puedan derivarse del nuevo
marco tecnológico y económico. El enfoque individual y contextual de la
Geografía del Tiempo y los ensayos de incorporación de sus asunciones a los
Sistemas de Información Geográfica son, creemos, un marco adecuado para
abordar ese tipo de análisis.
Sin embargo, quedan muchos aspectos por esclarecer o consolidar en este

análisis de la accesibilidad individual a los recursos del medio. Sin pretensiones de
exhaustividad, y ateniéndonos solo a cuestiones relacionadas con la integración de
los planteamientos de la Geografía del Tiempo en los Sistemas de Información
Geográfica podemos mencionar la necesidad de avanzar en:
un fenómeno de substitución de movilidad física por uso de las telecomunicaciones, antes

al contrario, éstas suponen una nueva forma de “hipermovilidad” y han alentado la
generación de nuevos desplazamientos (Carlstein, Parkes y Thrift, 1978; Zumkeller, 1996;
Gillespie y Richardson, 2000; los dos últimos cit. en Kwan, SF).
• Modelos de datos y definición de primitivas espacio-temporales: qué

elementos y qué características, tanto de las trayectorias individuales
como del entorno físico, son significativos para la adecuada
representación de esas interrelaciones en las que se entretejen proyectos
individuales y determinaciones sociales. Estrechamente relacionado con
ello, en la literatura sobre Sistemas de Información Geográfica Temporal
se cuestiona qué tipo de tiempo se ha de representar (lineal, cíclico,
ramificado), qué tipo de topología y operadores temporales considerar
(Raper, 2000; Ott y Swiaczny, 2001; o Yang, 2001). En nuestro área de
interés, existe ya más que de un modelo de representación de las
trayectorias individuales (geospatial lifelines, Yang, 2001; Mark, et al.,
SF) o prismas de accesibilidad potencial: ¿se consolidarán todos ellos?,
¿darán paso a modelos diferentes para dominios temáticos específicos?
• Estructuras de datos aplicables a las trayectorias espacio-temporales y

diseño de modelos computacionales capaces de manejar grandes
volúmenes de información individual y ambiental: evaluación de la
mayor idoneidad de la estructura georrelacional de los SIG tradicionales
o, por el contrario, de las nuevas estructuras orientadas a objetos (Miller,
2001; Yang, 2001; Mark, et al., SF).
• Captura y manipulación de datos: ensayo de métodos eficaces que

permitan incorporar a un SIG datos espacio-temporales realistas y
significativos tanto de los individuos, como de los elementos fijos del
medio o de los sistemas de transporte. Además de las propuestas para
tratar los diarios de actividad en su forma más tradicional, como el del
presente trabajo, se está empezando a trabajar con la incorporación de
datos procedentes de receptores GPS u otro tipo de dispositivos móviles
portados por individuos o vehículos (Kwan, 2000a; Miller, 2001). Ya se
ha discutido brevemente en alguno de los epígrafes del capítulo la
dificultad de extraer y catalogar actividades y lugares funcionales
significativos para el análisis abordado. Muy cercano a estas cuestiones
está el problema de las implicaciones éticas y legales del tratamiento de
datos individuales detallados, como son los que aquí se están analizando
(Miller, 2001; Mark, et al., SF). Al tiempo, convendría profundizar en la
importancia de técnicas de muestreo espacio-temporal adecuadas y
técnicas de detección de hot spots o conjuntos de objetos relevantes en
un área o dominio temático de interés (Yang, 2001). En esta fase previa
al análisis se encontrarían, así mismo, los métodos de generalización o
cambio de escala espacial y temporal o los métodos de interpolación
para completar de líneas de vida incompletas (Mark, et al., SF).
• Estandarización de los tipos de análisis o de consultas posibles sobre

estos datos: cálculo de prismas de accesibilidad potencial combinando
todas o algunas de las posibilidades que se han ensayado hasta ahora
(sobre el plano o sobre una red de transporte, con velocidad de
desplazamiento constante o no, con posibilidad de cambio de medio de
transporte o no, considerando los horarios reales de los recursos a
alcanzar o no, etc.); cálculo eficiente de posibles intersecciones de los
prismas de accesibilidad potencial de varios individuos (limitaciones de
acoplamiento o clusters espaciales formados bien en el pasado bien en el
futuro; Huisman y Forer, 1998; Hariharan y Hornsby, 2000);
estandarización del tratamiento de las trayectorias individuales y de los
métodos de análisis sobre este elemento. Otros objetivos a desarrollar
serían: desarrollo de técnicas o métodos de razonamiento espacio-
temporal (spatiotemporal reasoning) que nos permitan extraer
conclusiones significativas de los datos contenidos en las trayectorias
vitales almacenadas en el SIG. En definitiva, y esto lo entronca con el
marco más general de los Sistemas de Información Geográfica
Temporales sería deseable fijar tipos de consultas temporales, análisis de
procesos y simulaciones (Ott y Swiaczny, 2001, p. 129).
• Representación gráfica y cartográfica de los prismas de accesibilidad

potencial y de las trayectorias espacio-temporales o geospatial lifelines.
La riqueza semántica de los conceptos de la Escuela de Lund, la
dificultad de representación de la dimensión temporal en un SIG
convencional y la escala individual de los análisis hacen necesarias
nuevas herramientas de visualización (Raper, 2000; Ott y Swiaczny,
2001, p. 144 y ss.; Mark et al., SF). Nuestro mapa 8.3 no es más que un
pobre acercamiento a los resultados obtenidos con las macros descritas
anteriormente. Para aprehender estos de forma más completa sería
preciso un tipo de soporte distinto del tradicional mapa en papel;
posiblemente un soporte electrónico con capacidades multimedia
aportaría esa consulta flexible e interactiva que precisan estos datos.
Hasta el momento podemos citar como ejemplos de la exploración en
este campo: los prismas de accesibilidad individuales o compartidos
presentados en 3D en versión estática o animada, gráficos animados que
presentan el área urbana alcanzable por uno o varios individuos en el
transcurso de un día o la probabilidad de la presencia de estudiantes en
distintas áreas de la ciudad, presentados por Huisman y Forer, (1998);
densidades de puntos en distintos planos temporales (Yang, 2000);
gráficos 3D de patrones espacio-temporales de determinados tipos de
actividad, acuarios espacio-temporales con distintos niveles de detalle
en los que se dibujan las trayectorias completas; trayectorias
estandarizadas (Kwan, 2000b).
El futuro en este campo es prometedor, creemos. Los avances en las nuevas

tecnologías de la información permiten ya o permitirán en un plazo breve la
captura de grandes volúmenes de datos espacio-temporales individuales y su
visualización y tratamiento en distintos tipos de dispositivos. Conviene, no
obstante, simultanear la investigación puramente técnica en estas cuestiones con la
reflexión y el debate teóricos, en nuestro caso, sobre las consecuencias y los
beneficiarios últimos de una determinada opción metodológica en los estudios de
evaluación y provisión de equipamientos colectivos.
Agradecimientos
Al Department of Geospatial Sciences, RMIT University (Melbourne,

Australia) y al Departamento de Geografía de la Universidad de Alcalá (Madrid,
España).
9Capítulo 9
SITIOS ÓPTIMOS DESTINADOS A LA

EXPANSIÓN DE LOS EQUIPAMIENTOS DE
ATENCIÓN PRIMARIA DE LA SALUD EN EL
ÁREA METROPOLITANA DEL GRAN
RESISTENCIA CHACO (ARGENTINA)
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.
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.
Los modelos de localización-asignación óptima, de los que con abundancia

se han extendido anteriormente en este texto, nos permitirán:
• Identificar cuál es la localización más apropiada para nuevos

equipamientos sanitarios considerando los que actualmente forman parte
de la dotación de servicios en el AMGR; y
• Estimar y valorar las mejoras que implicaría la expansión del servicio de

cara a aumentar y potenciar el acceso a los equipamientos o instalaciones
sanitarias.
Finalmente, además de los propósitos expuestos, nuestra finalidad es poner

en valor la utilidad de un sistema, programa o desarrollo concebido en la Faculty of
Geographical Sciences de la Universidad de Utrecht, el Flowmap, que está
orientado al análisis espacial y entre sus funcionalidades ofrece la posibilidad de
emplear modelos de localización-asignación óptima35 que nos permitirán alcanzar
nuestros propósitos.
9.2 EL ÁREA DE ESTUDIO Y LA POBLACION USUARIA

POTENCIAL
En el norte de la República Argentina, el sector de mayor población de la
Provincia del Chaco es el Área Metropolitana del Gran Resistencia –AMGR–
(figura 9.1), está conformada por 4 municipios: Resistencia, Puerto Barranqueras,
Fontana y Puerto Vilelas (figura 9.2), que en 200136 reunía una población de
360.405 habitantes que habitaban en 90.284 hogares, de esta cantidad unas
196.147, es decir el 54,4% no contaba con los beneficios de obra o cobertura
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).
Figura 9.1. Localización del área de estudio38
La distribución de la población sin obra o cobertura social o como la

llamaremos en adelante “demanda potencial” que emplea los equipamientos
sanitarios públicos se ha podido modelizar, a partir de la información
proporcionada por la Dirección de Estadísticas de la Provincia del Chaco que
suministró los datos correspondientes a las 369 unidades censales –radios– que
cubrían el AMGR en 2001. El dato de total de población sin cobertura social por
radio al que se ha podido acceder, no presenta diferencias por edad ni tampoco por
sexo, razón por la cual solo plantearemos un escenario de análisis, es decir el que
corresponde a la totalidad de la población que no se atiende en el servicio privado.
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.
Figura 9.2. Distribución actual de los equipamientos sanitarios públicos
En la figura 9.3 se visualiza la cantidad de demanda potencial según su

residencia en cada una de las unidades censales; considerando que el valor
promedio de demanda en cada radio es de 532 individuos39, se aprecia que en el
anillo externo del conglomerado, en ciertos radios censales, la demanda potencial
es dos veces y media más que el valor medio. El registro absoluto de la población
usuaria de equipamientos sanitarios públicos es relevante para la aplicación de los
modelos de localización, pero también es preciso tener una aproximación a la
mejor distribución espacial que sea posible, en este caso, en la figura 9.4, se
muestra la densidad considerando una unidad mínima de 100 metros cuadrados.
Cuanto más precisa sea la información del reparto poblacional existen mayores
posibilidades de comparar los resultados alcanzados en función de las necesidades
de acceso de la población40.
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.
Figura 9.3. Distribución de la población sin cobertura social
Figura 9.4. Densidad de población en el AMGR

9.3 METODOLOGÍA
9.3.1 La información de entrada

Como ya expusimos, nuestro interés radica en estimar el grado de equidad
territorial que presenta la actual distribución de equipamientos sanitarios públicos
en el AMGR en relación con la población usuaria potencial, por tanto, los datos
necesarios de entrada son los puntos que representan a las 43 instalaciones41 y la
demanda asignada a puntos que se corresponden con el centroide de cada uno de
los 369 radios censales42. A su vez, si tenemos presente que los usuarios
potenciales, para trasladarse de un sitio de demanda (centroide/unidad censal) a un
sitio de oferta (equipamiento), se desplazan a través de la red vial, entonces, un
tercer elemento necesario para el análisis, es la red viaria, constituida en nuestro
caso, por las calles y avenidas que conforman la estructura vial del conglomerado
metropolitano43.
Con esta información de partida es preciso plantear más de un escenario de

análisis, por ejemplo, en cuanto a la demanda potencial se podría considerar “según
género”, “según grupos de edad”, “según el estado de morbilidad”; en cuanto a la
movilidad se podría analizar las distintas formas “andando a pie”, “andando en
moto-vehículos”, “bicicletas”, “transporte público”, “transporte privado o
particular”, entre otros. Con esto queremos hacer notar que somos conocedores de
las variadas situaciones o escenarios que podemos plantear y que, a pesar de ello,
solo se presentará el escenario que corresponde a la totalidad de la demanda
potencial contenida en cada unidad censal y a la posibilidad de movilidad o
traslado a pie, estimamos que ésta sería la situación más comprometida y por ello
la elección.
9.3.2 Los recursos tecnológicos utilizados

Los recursos tecnológicos se han elegido en función de las necesidades que
surgen del planteamiento de los objetivos y también de las posibilidades de análisis
que nos ofrecen las aplicaciones o desarrollos que se encuentran actualmente
disponibles. SIG y SADE son recursos que se complementan de manera apropiada
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.
para abordar cuestiones de localización óptima. ArcGis 9.3 ha sido la plataforma

que nos permitió realizar la modelización de la distribución de la demanda, el
análisis de accesibilidad y la representación y salida cartográfica. Flowmap 7.40
nos resultó idóneo para elaborar la matriz de distancias, aplicar diferentes modelos
de localización óptima bajo diferentes alternativas y, a partir de ellas, apreciar y
poner en valor los resultados alcanzados. Si bien la conversión e integración de
datos en Flowmap resultó tedioso y, en ocasiones, latoso, sus resultados logran
disimular las cansadoras etapas previas a los logros, por ello alentamos a su
utilización y apostamos a futuras versiones más asequibles.
9.3.3 El análisis de accesibilidad y los modelos de localización

óptima
Conocer de la mejor manera posible la accesibilidad geográfica o espacial
que actualmente le cabe a la población respecto de los equipamientos sanitarios, es
el paso inicial, necesario, para encaminar cualquier futura planificación u
ordenamiento territorial que esté basado en la equidad espacial. Así, previo a la
aplicación de los modelos de localización óptima, se estimará la demanda potencial
según accesos diferenciales en distancia y tiempo, medido a través de la red vial,
que le corresponde actualmente a cada equipamiento sanitario. Una vez conocida la
configuración actual y la potencial demanda que atiende cada instalación se
procederá a la utilización de los modelos que nos permitirán conocer el grado de
justicia espacial y, luego, saber cuáles son los sitios más idóneos para localizar
nuevas instalaciones.
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.
9.4 LA SITUACIÓN ACTUAL EN EL AMGR

A los efectos de precisar las características que presenta la accesibilidad de
la población a los equipamientos sanitarios en el AMGR, se consideró pertinente,
como primer análisis, tener en cuenta la distancia que se recorre por la red vial, este
dato nos aproxima a la modelización de la movilidad o desplazamiento de las
personas a través de ella. Surgieron así las áreas de cobertura de servicio según 5
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.
Como resultado de la actual configuración del reparto de los centros o

equipamientos sanitarios, se puede señalar que cerca del 22% (más de 43.000
personas) tienen acceso a un centro a menos de 500 metros; el rango de distancia
que reúne una mayor cantidad de demanda se corresponde con el trayecto
comprendido entre los 500 y 1.000 metros, en este caso se trata de más del 42% de
los potenciales usuarios. Un tercer grupo de posibles beneficiarios, que supera el
31%, debería recorrer entre 1 y 2 kilómetros para ser atendido. Finalmente, el
grupo más alejado es el que tiene que recorrer distancias superiores a los 2
kilómetros y que son más de 8.700 individuos, dentro de este último intervalo se
han apreciado distancias extremas superiores a los 10 kilómetros, situación
observada en el sur del AMGR.
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.
Total de Demanda potencial

Intervalo de distancia
demanda potencial (%)
Menos de 500 metros 43.026 21,94
500,1 a 1.000 metros 82.856 42,24
1.000,1 a 2.000 metros 61.518 31,36
2.000,1 a 3.000 metros 5.950 3,03
Más de 3.000 metros 2.788 1,42
Tabla 9.1. Demanda potencial asignada por áreas de servicio, según distancia al equipamiento más
cercano
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).
Figura 9.6. Áreas de servicio al equipamiento actual más cercano, según tiempos de acceso
Los resultados alcanzados muestran una situación más alentadora que el

análisis anterior, una proporción cercana al 78% de la demanda potencial se
encuentra a menos de 10 minutos de distancia del centro más próximo, mientras
que más del 19,6% necesita entre 10 y 20 minutos para desplazarse hasta un
equipamiento sanitario. Un poco más de 5.000 personas estarían alejadas más de 20
minutos de distancia al equipamiento más próximo.
Intervalo de tiempo de Total de demanda Demanda potencial

desplazamiento potencial (%)
Menos de 10 minutos 152.455 77,73
10,01 a 20 minutos 38.597 19,68
20,01a 30 minutos 3.352 1,71
30,01 a 60 minutos 1.465 0,75
Más de 60 minutos 276 0,14
Tabla 9.2. Demanda potencial asignada por áreas de servicio, según tiempos de acceso al
equipamiento más cercano
Gráfico 9.2. Demanda potencial asignada por áreas de servicio, según distancia al
equipamiento más cercano
Finalmente, también podemos señalar los estadísticos más relevantes como

la distancia promedio que se recorre actualmente 930,87 metros y el desvío
estándar de este parámetro que alcanza a 724,20 metros.
El planteamiento de la situación actual nos permitirá, a la postre, realizar

las comparaciones necesarias a los fines de advertir de qué forma se mejora la
configuración actual con la adición de tres equipamientos a los que actualmente
existen. Si bien ya hemos reconocido la riqueza que implicaría la presentación de
un trabajo con variadas aristas que indague cuáles son las localizaciones óptimas
“discriminando” de forma apropiada los diferentes grupos poblacionales y las
diversas maneras de movilidad de la población, esta aproximación será suficiente
para demostrar los variados escenarios posibles que brinda la aplicación de los
modelos de localización-asignación y, sobre la base de sus resultados, fortalecer el
proceso de toma de decisiones.
9.5 LOS SITIOS ÓPTIMOS PARA LA EXPANSIÓN DEL

SERVICIO
El crecimiento y la redistribución de la población en los aglomerados,
enfrenta a las administraciones públicas a planificar, casi de manera constante, la
mejora en los servicios públicos que atienden a los habitantes. Esta mejora, entre
otras cuestiones, puede consistir en el mantenimiento de sus instalaciones, en el

adecuado funcionamiento de sus prestaciones, en la ampliación del servicio; en este
último aspecto se pueden señalar el incremento de la dotación de recursos
humanos, la adición de nuevos horarios de atención o la expansión territorial del
servicio. Cualquiera de las situaciones que se deban resolver implica una relevante
toma de decisiones que tiene que estar sustentada en criterios de justicia y equidad
a los efectos de alcanzar resultados que, considerando las necesidades que cada
grupo poblacional presenta, beneficien a todos de manera justa y equitativa, es
decir que no es preciso otorgar a todos los habitantes iguales servicios, sino intentar
otorgar a cada individuo lo que necesita.
En efecto, en este apartado se mostrarán los resultados surgidos como

consecuencia de aplicar modelos de localización-asignación óptima para
incrementar la cantidad de equipamientos sanitarios en el AMGR, considerando un
grupo inicial existente que coinciden con los centros de salud y hospitales públicos
actuales. Estos resultados se apoyan en el criterio de equidad, en este caso,
proporcional a la población que los necesita.
9.5.1 Según el modelo Maximize Overall Customer Coverage

Tal como comentamos anteriormente si de lo que se trata es de aumentar la
dotación de equipamientos bajo criterios de equidad, uno de los modelos más
pertinentes para emplear es el de “cobertura máxima del servicio”, éste puede ser
aplicado considerando un umbral de tiempo o alcance espacial del servicio o
considerando la totalidad de los demandantes. La aplicación del modelo se realiza
sobre la base de una matriz de distancias o tiempo elaborado en la misma
aplicación Flowmap que contiene los modelos de localización-asignación óptima.
Como resultado de nuestra investigación, teniendo en cuenta la distancia

recorrida por los usuarios, surgieron las tres posibles localizaciones óptimas para
nuevas instalaciones, el primer lugar escogido por este modelo fue el radio 01 de
la fracción 8 (nº 1 en la figura 9.7-figura 9.8), sitio ubicado en un lugar céntrico
del AMGR, en el municipio de Resistencia, coincidente con un espacio en el que
no se aprecian actualmente centros públicos y, por el contrario, está dotado de una
significativa cantidad de servicios sanitarios privados. La segunda localización
marcada es el radio 04 de la fracción 20, en el sector sureste (nº 2 en la figura 9.7-
figura 9.8), esta ubicación corresponde al municipio de Barranqueras, mientras que
el tercer sitio se ubica al oeste del municipio de Resistencia, en el radio 08 de la
fracción 16, en un sector altamente poblado del aglomerado (nº 3 en la figura 9.7-
figura 9.8).
Figura 9.7. Áreas de servicio delimitadas según intervalos de distancia al equipamiento más cercano.
Equipamientos actuales y óptimos según modelo Cobemax
En la figura 9.9 podemos apreciar las múltiples salidas de información que

ofrece Flowmap, una vez aplicados los modelos de localización-asignación óptima.
Así de izquierda a derecha apreciamos, en primer lugar, las posibilidades
cartográficas en lo que atañe a la asignación de puntos de demanda a centros de
oferta; en el centro, los estadísticos univariados, en este caso para el análisis de la
distancia, aunque se puede realizar también para la demanda; y a la derecha un
gráfico de frecuencias acumuladas en el que se observa la proporción de población
según distancias al equipamiento más próximo, gráfico que se corresponde con la
imagen de la tabla inferior en la que se registran los valores de demanda, demanda
acumulada, proporción de demanda acumulada, y promedio de distancia
acumulada, en todos los casos según la distancia, en las unidades de medida en la
que se haya trabajado, a los puntos de oferta.
Figura 9.8. Áreas de de servicio delimitadas según tiempos de acceso al equipamiento más cercano.
Equipamientos actuales y óptimos según modelo Cobemax
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.
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)
cercano, sitios actúales y 3 sitios óptimos según modelo Cobemax
Considerando la distancia en el acceso, se aprecia un leve aumento de la

población o usuarios potenciales que se beneficiarían con esta expansión ya que
quedarían contenidos en el primer umbral de distancia –menos de 500 metros–,
algo semejante sucede con el tercer intervalo –de 1 a 2 kilómetros–. En términos
relativos parecería una ventaja muy leve, sin embargo, en valores absolutos, los
beneficiarios alcanzarían a más de 870 individuos. Por otro lado, se debe señalar
también que en el último umbral se aprecia un aumento de demanda que, en
términos absolutos, no supera a las 100 personas. Esta situación nos lleva a
plantear que sería necesario avanzar en una combinación de modelos para que las
ventajas logradas en los primeros umbrales no se desequilibren con lo que sucede
en los últimos.
Equip. Equip. actuales y

Tiempo Diferencias
actuales sitios CbMx
Menos de 10 minutos 77,73 78,09 0,47 (706)
10,01 a 20 minutos 19,68 19,24 -2,24 (-867)

20,01 a 30 minutos 1,71 1,71 0
30,01 a 60 minutos 0,75 0,75 0
Más de 60 minutos 0,14 0,22 53,84 (148)
equipamiento más cercano, sitios actúales y 3 sitios óptimos según modelo Cobemax
Cuando se analizan las áreas de servicio a partir de los tiempos de acceso a

los centros de oferta, vemos que, como en el caso anterior, el primer intervalo de
tiempo (menos de 10 minutos) mejora de cantidad de demanda contenida en su
interior, pero se aprecia una reducción en el segundo intervalo (de 10 a 20 minutos)
y lo menos ventajoso de este resultado lo constituye el aumento de usuarios en el
último intervalo (más de 60 minutos). En consecuencia cabría idéntica reflexión
que para el análisis anterior.
9.5.2 Según el modelo Minimize Overall Average Distance

El modelo P-median persigue el objetivo de minimizar el total de la
distancia recorrida por los usuarios. Cuando se hace referencia a los parámetros de
distancia, tenemos que señalar que podemos hablar de la sumatoria de la distancia
total, de la distancia media o de la distancia mínima, en el caso que detallaremos se
ha aplicado un modelo que intenta “minimizar el total de la distancia media” tal
como su nombre lo describe. En este caso, los sitios que han resultado elegidos
como potenciales lugares a albergar nuevos equipamientos son el radio 15 de la
fracción 01 y el radio 15 de la fracción 10, ambos corresponden al municipio de
Resistencia, a estos dos se suma el radio 05 de la fracción 20, en el municipio de
Barranqueras (figuras 9.10 y 9.11).

Distancias Diferencias
actuales sitios P-median
Menos de 500 metros 21,94 21,43 -2,33 (-1003)
500,1 a 1.000 metros 42,24 42,40 0,38 (314)
1.000,1 a 2.000 metros 31,36 31,70 1,08 (666)
2.000,1 a 3.000 metros 3,03 2,98 -1,76 (-105)
Más de 3.000 metros 1,42 1,49 4,56 (127)
cercano, sitios actúales y 3 sitios óptimos según modelo P-median
Logrados los sitios óptimos se analizaron las modificaciones que se

podrían advertir como consecuencia de añadir estos tres nuevos sitios. Es decir que
se re-diseñaron las áreas de servicio tanto las que se logran a partir de las distancias
recorridas (figura 9.10), como las que se generan a partir del tiempo de acceso a
los centros de salud (figura 9.11) y de este modo se extrae la demanda contenida en
cada uno de los cinco intervalos, tanto de distancia como de tiempo.

Tiempo Diferencias
actuales sitios P-median
Menos de 10 minutos 77,73 77,27 -0,59 (-907)
10,01 a 20 minutos 19,68 20,05 1,91 (734(
20,01 a 30 minutos 1,71 1,72 0,60 (20)
30,01 a 60 minutos 0,75 0,75 0
Más de 60 minutos 0,14 0,22 53,87 (148)
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
Figura 9.11. Áreas de servicio delimitadas según tiempos de acceso al equipamiento más cercano.
Actuales y óptimos según modelo P-median
De igual forma que para la aplicación del modelo Cobemax, el sistema

Flowmap nos brinda una serie de resultados que son muy importantes de cara a la
comparación de los diversos escenarios que se alcanzan, estos parámetros incluyen
el análisis de distancias y demanda por cada contexto y la asignación de puntos de
demanda a puntos de oferta, entre otros (figura 9.12).
En efecto, entre otros análisis comparativos que es posible realizar, se

puede resaltar el que muestra la cantidad de población o usuarios potenciales que
residen en el umbral más próximo a los centros, a saber: actualmente 31.055
(15,83%), considerando la expansión del servicio según las localizaciones óptimas
definidas por el modelo Cobemax, 32.277 usuarios (16,45%) y, finalmente,
teniendo en cuenta las localizaciones óptimas determinadas por el modelo P-
median, se alcanzan a 34.279 (17,47%).
Figura 9.12. Salida de la información en Flowmap 7.4. Equipamientos actuales y 3 sitios óptimos
según el modelo P-median
Sin duda las múltiples y variadas combinaciones que se pueden lograr, y

que escapan a la extensión de esta contribución, permiten al analista, planificador o
investigador diseñar complejos escenarios, nutridos de parámetros o estadísticos
univariados y de salidas gráficas y cartográficas que auxilian en todos los
momentos que caracterizan al proceso de toma de decisiones.
9.5.3 Comparación de resultados

Los gráficos 9.3 y 9.4 abonan las posibilidades de comparación de
resultados que se pueden realizar entre la configuración actual de la distribución de
equipamientos y la resultante de la aplicación de los modelos de localización-
asignación, habiendo considerado la eventualidad de incrementar el servicio en tres
centros, estas representaciones gráficas exponen de forma más evidente la
información contenida en las tablas 9.3, 9.4, 9.5 y 9.6.
En definitiva, analizadas las estadísticas, los gráficos y los mapas

resultantes los sitios óptimos Cobemax sumados a los centros actuales son los que
brindarían mejoras más significativas a los usuarios de centros sanitarios públicos.
A todo lo señalado anteriormente, podemos agregar un último estadístico, el
Coeficiente de Gini, generado en el Flowmap, que nos permite apreciar la
inequidad espacial; así, en el caso de los sitios actuales sumados a los sitios
Cobemax se alcanza un valor de 0,4032, mientras que este valor asciende a 0,4109
cuando se analizan los sitios P-median junto a los sitios actuales.
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
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
9.6 A MODO DE CIERRE

La cuestión de la localización óptima que responda a criterios de equidad
es un asunto altamente complejo, sin embargo, a pesar de su complejidad, es una
tarea constante y fundamental para la planificación territorial sanitaria de cualquier
territorio o país a la que no escapa ninguna administración. Por esta razón, la
presente contribución ha intentado mostrar las bondades que la suma de los SIG y
los SADE puede otorgar a los procesos de toma de decisiones en relación a
localización, ordenación y planificación de servicios públicos. Los dos recursos
tecnológicos señalados han venido a complementar la tarea que durante siglos le
cupo al “mapa” o a la “cartografía” en su condición de instrumento de
planificación por excelencia. En efecto, más de siglo y medio separan aquel primer
mapa empleado en planificación sanitaria, el mapa de Snow, en 1854, hasta las
poderosas funcionalidades que en la actualidad brindan los SIG y los SADE. La
gestión de los servicios públicos se ha visto muy favorecida, ya que incesantemente
se han ido mejorando e incorporando nuevas aplicaciones todas ellas con el mismo
propósito, auxiliar en la toma de decisiones.
Los modelos de localización-asignación y toda la información derivada de

su aplicación, permiten simular una multiplicidad de escenarios bajo diferentes
supuestos (p. ej., demanda y movilidad diferencial), reconocer los mejores
resultados de cara a optimizar los servicios a la población y, finalmente, justificar

de forma apropiada la mejor opción. Así mismo permiten evaluar periódicamente
las decisiones escogidas y encaminar o encauzar modificaciones necesarias.
En el caso del AMGR, los resultados Cobemax, supondrían una mejora en

la prestación del servicio, en particular en el acceso de la demanda a los centros.
No obstante, sería apropiado utilizar los modelos luego de consensuar entre todos
los actores involucrados, ciertos supuestos bajo los cuales se aplica.
Finalmente, la aplicación particular empleada, el Flowmap, es un

interesante desarrollo que brinda múltiples recursos para evaluar escenarios
actuales y para proponer nuevos lugares con el propósito de expandir el servicio,
no obstante apostamos a aplicaciones más dúctiles para los usuarios.
10Capítulo 10
EL PROBLEMA DE LAS ESCUELAS RURALES

EN GUADALAJARA (ESPAÑA). USO DE LOS
MODELOS DE LOCALIZACIÓN-ASIGNACIÓN
PARA TRATAR EL PROBLEMA DE LOS
COLEGIOS RURALES AGRUPADOS (CRA)
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.
Como en otras muchas provincias españolas, la emigración masiva de los

años sesenta y setenta desde los núcleos rurales a las ciudades trajo como
consecuencia el desigual reparto y ubicación de servicios varios, entre ellos los de
Educación. Fruto de la política de concentración escolar derivada de la Ley
General de Educación de 1970 se produjo una desaparición masiva de escuelas
rurales45 y unitarias46. Se abrió una etapa en la que el alumnado de muchos pueblos
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
se veía obligado a salir de sus localidades. Para recibir clases, necesaria y

obligatoriamente, tenían que viajar en transporte escolar a otra localidad más o
menos cercana. La política educativa en ese momento se fundamentaba en la
promoción de centros de grandes dimensiones con capacidad para un gran número
de alumnos. Al tiempo que se vaciaron los pueblos se llenaron las Escuelas Hogar
y en las carreteras se incrementó el tránsito de autobuses escolares. En las últimas
décadas, se ha renunciado progresivamente a formas de concentración o
comarcalización escolares en beneficio de otros modelos organizativos que
ofrecieran el servicio educativo lo más próximo posible a los lugares de residencia
de sus beneficiarios.
A finales de los años ochenta las Administraciones Educativas comenzaron

a arbitrar políticas tendentes a mantener escuelas en núcleos pequeños de población
e implantar programas de apoyo a esta escuela rural, término que, entendido en su
sentido estricto, hace referencia a un conjunto de formas de escolarización que son
específicas de esas áreas geográficas denominadas zonas rurales y tienen, entre
otras, las siguientes características:
• La ratio alumno/profesor es baja o muy baja.
• La edad de los alumnos es inferior a 12 años.
• La forma de agrupamiento de los alumnos no suele ser por cursos, sino

por ciclos o incluso por etapas.
• Dificultades para el acceso a los bienes culturales que provoca un cierto

aislamiento en el alumnado.
10.2 EL SISTEMA EDUCATIVO ESPAÑOL DE LOS

AÑOS NOVENTA. NACIMIENTO DE LOS
COLEGIOS RURALES AGRUPADOS
En los años noventa, el sistema educativo llamado Enseñanza General
Básica (EGB), fue sometido a un proceso de reforma global de todas sus etapas y
niveles de enseñanza con el objetivo de conseguir una mejor educación en los
alumnos del estado español. Con la LODE se reguló el derecho de todos los
españoles a la educación básica y se estableció un modelo de centro escolar basado
importantes de comunicación, actividad económica relacionada básicamente con el sector primario y

la dificultad de acceso a servicios públicos básicos de salud, cultura y ocio
46
Un único profesor imparte todas las asignaturas a los alumnos de todas las edades.
© RA-MA CAPÍTULO 10. EL PROBLEMA DE LAS ESCUELAS RURALES EN... 253
en los principios de participación y de gestión democrática. Por otra parte, en la

LOGSE y en las normas que la desarrollan se han introducido una serie de
importantes modificaciones en la estructura de los centros, la organización del
profesorado, y los currículos de todos los niveles de la enseñanza. La aplicación de
la LOGSE incorporó entre otras las siguientes medidas:
• Se amplió la obligatoriedad y gratuidad de la enseñanza hasta los 16

años.
• En Educación Infantil y Primaria, se procura realizar la escolarización de

la forma más próxima al domicilio familiar, evitando en lo posible los
desplazamientos, escolarizando siempre que sea posible conjuntamente
las etapas y garantizando la permanencia de la escuela en aquellas
localidades que mantengan, al menos, cuatro alumnos.
• Se considera la fórmula organizativa de CRA (Colegio Rural Agrupado)

como la que mejor se adapta a las características y necesidades de la
zona rural, ya que garantiza la presencia de profesorado especialistas con
la permanencia del alumnado en su localidad.
• El alumnado de Educación Primaria recibirá clases de Música y

Educación Física desde los 6 años e Inglés desde los 8, por maestros
especialistas47.
10.2.1 CRA. Concepto, características y peculiaridades

El concepto aparece en los años ochenta, la característica fundamental es
su deslocalización institucional. Se trata de centros escolares rurales que agrupan
bajo una misma organización (un único claustro de profesores, un único equipo
directivo y un único consejo escolar) un cierto número de unidades situadas en
diversas localidades que forman el ámbito del CRA. El funcionamiento del centro
se acomoda a lo establecido para el resto de los centros del mismo nivel educativo.
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)
• La localidad más centrada geográficamente, o la de mayor entidad,

funciona como cabecera del ámbito. El domicilio, a efectos de
identificación, se sitúa en la cabecera.
• En cada aula hay un tutor/a.
• En la cabecera, además de los tutores, hay profesorado especialista.
• Los especialistas itineran por las localidades para impartir docencia. El

alumnado (mínimo cuatro alumnos por localidad) permanece en sus
localidades de origen.
Con el fin de asegurar la funcionalidad de las plantillas de profesores, se

definen en los Colegios Rurales Agrupados dos tipos de puestos de trabajo: los
ordinarios, que son ocupados por profesores estables en las correspondientes
localidades y desempeñan la función de tutores de los grupos de alumnos, y los
itinerantes, propios de profesores especialistas –de Idioma extranjero, Educación
Física y Música– que imparten su especialidad en varias localidades del CRA.
Esta modalidad de escolarización, específica de las zonas rurales, se revela

como modelo organizativo con la estructura más adecuada para organizar la
escolarización en la zona rural. Este tipo de centro se adapta convenientemente a
las necesidades de las zonas rurales con pequeños núcleos de población, al permitir
que los alumnos permanezcan en sus localidades de origen, evitando el desarraigo
y disminuyendo los riesgos que conlleva el transporte escolar. Además esta
organización escolar permite impartir las enseñanzas especializadas que la LOGSE
establece mediante profesores itinerantes.
Entre el curso 1990/91 y el 1997/98 el número de CRA en el territorio de

gestión directa del Ministerio de Educación y Cultura se multiplicó por 9 y, en el
año 2000, 66.099 alumnos reciben sus enseñanzas –principalmente las de infantil y
primaria– en Colegios Rurales Agrupados, lo que representa el 7% del total del
alumnado correspondiente a dichos niveles educativos. Todo ello a pesar del efecto
de caída demográfica, que es particularmente intenso en este medio.
10.2.2 Criterios48 para su configuración

• Distancia/accesibilidad: La configuración de un CRA está íntimamente
relacionada con la distancia que separa a las localidades que lo formen.
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.
La mayor dependencia para su configuración está en la dispersión

geográfica y en la accesibilidad entre localidades. Si las localidades
están cercanas se podrá configurar un C.R.A de mayor tamaño. Si las
localidades están muy alejadas, o su acceso es difícil será de menor
tamaño. Los profesores especialistas (Música, Ingles, E. Física)
itinerarán por las localidades donde se encuentren las aulas para dar sus
respectivas materias en el horario que se establezca semanalmente.
• Tamaño/posición geográfica de las localidades: Para la elección de la

cabecera del CRA se considera la localidad de mayor entidad y que más
centrada se encuentre geográficamente dentro de la zona que ocupa el
mismo. La cabecera sirve como referente de los kilómetros, las dietas,
las horas de reducción de jornada lectiva, etc., para los profesores
itinerantes y la administración. La elección de un lugar u otro para
cabecera de CRA no afecta al alumnado que recibe el servicio educativo
en su localidad Por tanto, una buena elección deparará en una mayor
eficiencia espacial de los recursos.
• Distancia/tiempo: Se integran en un mismo CRA localidades de la

misma zona cuya situación geográfica no supere los 30 kilómetros o
cuyas condiciones de comunicación no exijan traslados del profesorado
desde la cabecera superiores a 30 minutos
10.2.3 Ordenación49 de un CRA

• Todos los maestros del CRA forman parte de un único centro con: un
claustro de profesores, un equipo directivo, y una sola programación
general anual para todas las aulas que lo componen, un solo proyecto
educativo que recoge los principios de identidad del CRA, las normas de
funcionamiento y el reglamento de derechos y deberes de los alumnos
del ámbito del mismo y un solo proyecto curricular donde se recogen
objetivos, contenidos procedimentales y actitudinales, metodología y
criterios de evaluación de las áreas de conocimiento a impartir para cada
etapa en el ámbito del CRA.
• Al menos quincenalmente se establecen reuniones de coordinación en

aquella localidad que sea de más fácil acceso, o según disponga el
claustro.
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.
• La confección del horario lectivo y la programación de actividades

deberá recoger el menor número de desplazamientos posible de maestros
con puestos itinerantes.
• La jornada lectiva de los profesores itinerantes comenzará en la

localidad que indique su horario coincidiendo con el inicio de las
actividades lectivas de los alumnos. La atención a localidades situadas
en una misma ruta se realiza preferentemente de la más alejada a la más
próxima. El diseño de las rutas incluirá desplazamientos por sesiones
completas de mañana o tarde. El cálculo de kilómetros para la
compensación económica y horaria se realizará desde la cabecera del
CRA. Se computará, a estos efectos, el desplazamiento de ida y vuelta.
10.2.4 Incidencia de la estructura educativa en el medio rural

Para las familias que viven en zonas rurales la escolarización de los niños
resulta problemática. En muchas ocasiones resulta difícil tomar una decisión. Son
pocas y no siempre opinan igual. Las hay que quieren a toda costa que sus hijos
permanezcan en el pueblo, otras prefieren enviarlos a un núcleo mayor a estudiar y
deciden optar por el transporte y comedor escolar. En muchas ocasiones se ven
abocados al traslado a zonas más pobladas, siendo el motivo principal la educación
de sus hijos. En el medio rural, el acceso a los servicios de educación se vive de
forma distinta en cada zona, en cada localidad e incluso en cada familia
Para un número importante de maestros, así como para otros profesionales

de la educación, adaptar el sistema de enseñanza a las características de la zona
rural a través de los Centros Rurales Agrupados supone muchos desplazamientos a
las distintas localidades. Aunque el alumnado al que deben atender es pequeño, las
grandes distancias y el número de centros que deben atender resulta a veces
desproporcionado para el número de profesionales de los equipos.
El profesorado siente que se han cometido, en aras de la calidad de la

enseñanza, agravios entre los profesionales de las zonas rurales al tipificar los
puestos de trabajo. Las diferentes dimensiones y la localización de los distintos
Centros Rurales Agrupados afectan, de muy distinta manera a los especialistas de
cada zona en sus itinerancias (unos han de recorrer muchos kilómetros para llegar a
las localidades, otros las tienen más cercanas, algunos son tutores y especialistas
con lo que deben atender grupos e itinerar...) Entre el profesorado que trabaja en
este medio existe también el sentimiento de estar injustamente tratados, intuyen la
falta del necesario grado de igualdad que les permita acceder a sus trabajos en
idénticas o similares condiciones a otros compañeros.
El modelo actual diseñado para atender al mundo rural tiene costes

altísimos para la administración Educativa que si bien es necesario asumir también
es preciso hacerlo de modo que se consiga la máxima eficiencia espacial posible.
Los costes se traducen en pagos de profesorado, kilometraje realizado, dietas y
reducción de horas lectivas que también tienen un precio en dinero.
10.2.5 La planificación de equipamientos educativos

Debido al carácter público de los servicios educativos aquí estudiados
numerosos autores han manifestado, en lo que se refiere a localización y
distribución de los mismos, los principios que deben prevalecer:
• Eficiencia económica y social: Una distribución eficiente de las

cabeceras de los CRA hará que el volumen global de desplazamientos,
respecto al que se produce actualmente, disminuya. Se persigue
minimizar los costes globales (en tiempos de recorrido, distancias,
desplazamientos). Cualquiera de las localidades del CRA puede ser lugar
candidato para cumplir la función de cabecera, si bien es verdad que
existen dos criterios en este momento utilizados por la Administración:
tomar como cabecera la localidad más centrada geográficamente y/o la
de mayor entidad (número de habitantes). Buscamos posiciones para las
cabeceras de los centros que, dada la posición concreta de la demanda en
las diferentes localidades, determinen un coste mínimo en el uso
cotidiano de estas instalaciones. Un elemento esencial en este sentido es
la minimización de los desplazamientos necesarios para que los
profesores accedan a los centros. Para la Administración será importante
determinar y minimizar los gastos (incluye los costes de transporte
derivados de los traslados desde las cabeceras hasta las diferentes aulas
del ámbito de los correspondientes CRA, los descuentos en horas
lectivas por las itinerancias y las dietas ocasionadas). Por otro lado se
trata de minimizar los kilómetros que el profesorado itinerante ha de
recorrer y que suponen riesgo, tiempo, desgaste psíquico y desgaste de
su propio vehículo. Se trata, por tanto, de considerar cómo afecta la
localización de las cabeceras al profesorado. La eficiencia económica y
la social unidas indicarán el grado de eficiencia global que tendría la
colocación de una cabecera en el ámbito de cada CRA.
• 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
lleven a cabo otros profesionales en idénticas circunstancias. El nivel de

“desequilibrio espacial” se puede medir, simplemente, comparando las
distancias máximas y mínimas que se deben recorrer para llegar a las
escuelas.
10.3 PROVINCIA DE GUADALAJARA, ÁMBITO

GEOGRÁFICO EN EL CUAL SE DESARROLLÓ EL
ESTUDIO
Se trata de una provincia con 12.190 km2 de superficie, la población
asciende a 159.331 habitantes (revisión padronal a 1 de enero de 1998) y se reparte
con una distribución muy desigual en 287 municipios, 108 núcleos de población y
7 entidades menores La densidad es de 13,07 hab/km2. Cifra muy por debajo de la
media nacional (78,76 hab/km2). 243 localidades tienen entre 0 y 10 hab/km2 lo
que supone el 84,08% de pueblos prácticamente abandonados. El 52,9% del total
de la población está situada entre dos municipios: la capital, Guadalajara, y
Azuqueca de Henares. Mientras que existen 210 municipios con menos de 200
habitantes. Este llamativo y desigual reparto va a influir sobremanera en la
distribución de todo tipo de servicios. El débil montante global de la población
absoluta ubicada en una provincia extensa de caracteres morfológicos, topográficos
y climáticos duros, hace que resulten económicamente muy costosas las
inversiones de mejora o sostenimiento de los servicios, porque de ellos se
benefician demasiado pocos y muy desperdigados.
En la provincia de Guadalajara se presentan unos condicionantes de

carácter físico y geográfico que hacen que la oferta educativa tenga que enfrentarse
a dificultades objetivas.
• Las distancias entre núcleos poblacionales generan tres tipos de

dificultades: el alumnado tiene que recurrir con frecuencia al transporte
escolar, su esfuerzo semanal tiene que contar con un añadido
suplementario como el traslado habitual y un tiempo constante que se
resta al tiempo de descanso y de estudio.
• La dispersión poblacional obliga a la construcción de mayor número de

centros que, si bien podrán ser de un volumen escolar menor, supondrán
una mayor inversión y mayores costes de mantenimiento.
• La ruralidad tiene una repercusión directa en la estabilidad del

profesorado, que tiende a buscar destino definitivo en núcleos
poblacionales grandes.
• La red de centros prevista contempla la incidencia de la geografía rural a

la hora de generar una demanda escolar que no se atiene solo a criterios
cuantitativos de población escolar, sino que responde a exigencias
sociales y a planteamientos de compensación.
En Enseñanza Básica, obligatoria y gratuita, la red de centros públicos está

prácticamente consolidada. Se detectan necesidades de construcción de nuevos
centros en la provincia y en zonas donde se está produciendo constante
asentamiento de población. El alumno se escolariza preferentemente en su
localidad, la escuela rural puede mantenerse con 4 alumnos. Cuando no es posible
la escolarización en la localidad de origen, los alumnos son atendidos por el
transporte escolar y tienen derecho a comedor. En la provincia se presta una
atención educativa en el área rural de una calidad similar a la que se presta en los
centros urbanos.
En Educación Secundaria obligatoria la oferta sigue siendo todavía

insuficiente. La red provincial de Centros de Educación Secundaria Obligatoria
(CESO) necesita ser ampliada para dar una respuesta adecuada a las distintas
variables geográficas, sociales y escolares.
El número total de centros que ofertan enseñanza obligatoria en la

provincia de Guadalajara es de 72 y de ellos 16 son CRA (ver tabla 10.1) y están
repartidos por las cuatro comarcas que conforman el territorio. En 1999 la
provincia escolarizó a 2.171 alumnos en estos 16 CRA (ver mapa 10.1). Por otra
parte, 7.321 maestros están adscritos a este sistema organizativo, lo que supone el
10,7% del total del profesorado de educación infantil y primaria.
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
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
Torrejón del CRA García

15 12 240 164 13 + 2 3 270
Rey Lorca
Villanueva CRA J. Luís

16 6 120 51 9+2 5 756
de Alcorón S. Pedro
Tabla 10.1. CRA provincia de Guadalajara 1999

Fuente: Elaboración propia sobre datos del Servicio de Inspección. Delegación Provincial de
Educación de Guadalajara
SEGOVIA
SORIA
#
Atienza
#
r ZARAGOZA
# #
Alcolea del Pinar

#
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 #
CRA Sexma de la Sierra

Iriepal r
#
r #
#
r
#
#
CRA Chiloeches
Chiloeches r Horche
#
r CRA Cogolludo
Checa
#
r #
CRA Horche
Tendilla
#
#
r
#
#
CRA Humanes
CRA Francisco Ibañez. Iri
# #
TERUEL
#
# #
#
#
CRA Duques de Pastrana

# r Pastrana CRA Tortuera
# CRA Tendilla
CUENCA
#
#
# CRA Valcarria
#
CRA Torrejón dl Rey
MADRID #
r
Almoguera CRA José Luís San Pedro
#
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
10.4 PLANTEAMIENTO DEL PROBLEMA. HIPÓTESIS

DE PARTIDA Y OBJETIVOS
Tratamos de evaluar un problema real, un caso práctico y muy geográfico.
Desde que en 1993 se optara por organizar en CRA las escuelas rurales, estos
centros han ido perdiendo localidades por el cierre de sus aulas. Estudiamos una
realidad cambiante a la que hay que dar soluciones cada año. Los Técnicos en
Educación necesitan realizar ajustes para lograr que el servicio educativo funcione
de la forma más eficaz posible. Los ajustes que hasta el momento se hayan podido
hacer no pasan de adjudicar una plaza de tutor si es que existe alumnado (al menos
cinco niños) en una localidad, cerrar una escuela y trasladar al profesor si es que ha
disminuido por debajo de 4 el número de niños y como algo excepcional y tras
comprobar continuas perdidas de unidades/aulas, reorganizar un CRA
El profesorado especialista ha de viajar desde las cabeceras hasta las

localidades para impartir docencia al alumnado. Las diferentes distancias a
recorrer, las distintas condiciones de las vías de comunicación de cada zona de la
provincia, la variada composición de los ámbitos y posición de las cabeceras de
estos centros resultan un problema para la administración y para el profesorado.
Hipótesis de partida: los CRA de la provincia de Guadalajara que ofertan

servicio de Educación obligatoria y gratuita, tienen una configuración poco eficaz
que provoca desigualdad para el profesorado y baja eficiencia espacial para la
administración pública (ver mapa 10.2). La localización50 de sus cabeceras y la
configuración de su ámbito es mejorable si para su organización se aplican criterios
y métodos más geográficos. Con la configuración actual no existe un equilibrio
justo ni el necesario grado de igualdad que permita al profesorado acceder en
similares condiciones a los centros docentes de estas zonas, ni la localización de las
cabeceras aporta a la administración la necesaria eficacia espacial.
Los modelos de localización-asignación son una excelente herramienta

para abordar la problemática de localización óptima de las cabeceras de los CRA y
su dimensión. Informatizando el proceso, cada curso escolar, los Técnicos de
Educación tendrán una importante ayuda a la hora de tomar decisiones y elegir la
solución óptima, mas justa, racional y rentable económicamente.
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.
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
#
Nucleo de población con escuela

#
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:
• Determinar el área de influencia de cada CRA, y la localización de su

cabecera. Averiguar si existe el necesario equilibrio, el grado de
igualdad que permite al profesorado el acceso a los mismos. Utilizar el
programa LOCALIZA para determinar si la localización actual es la más
idónea, si el profesorado accede a las aulas de las localidades de modo
similar en todos ellos.
• Tratar de determinar las posiciones geográficas más apropiadas para

cada cabecera de CRA buscando localizaciones que minimicen costes
tanto para profesores/as como para la Administración. Aplicar modelos
matemáticos de localización-asignación para establecer aquellos lugares
mas apropiados para convertirse en cabecera de CRA.
• Determinar si los SIG son los instrumentos adecuados para el desarrollo

de esta investigación, así como si facilitan el estudio del problema y
aportan soluciones alternativas abundantes y contrastadas para realizar
el “arreglo escolar de la provincia” cada año.
• Crear una base de datos geográfica que sirva de apoyo a la toma de

decisiones para los futuros planes de ordenación de centros.
• Emplear programas de localización-asignación para buscar

localizaciones óptimas de centros escolares. Comprobar la bondad del
programa LOCALIZA como sistema de ayuda a la decisión espacial y a
la resolución del problema de localización de estos equipamientos en la
provincia y de este modo contribuir a la consolidación de la estructura
del programa como sistema potente de ayuda al análisis espacial SADE.
• Comprobar la utilidad de los SIG como herramienta de gestión en la

elaboración de los diseños cartográficos y para el análisis espacial de la
dotación de centros en el territorio objeto de estudio. Producir una
cartografía en relación con la localización actual y óptima de los centros
educativos.
• Testar la validez de los programas utilizados. Evaluar y contrastar con la

realidad los resultados obtenidos para que, si son métodos válidos,
incluirlos como pautas en la toma de decisiones.
10.5 APLICACIÓN DE MODELOS DE LOCALIZACIÓN

ASIGNACIÓN CON OBJETO DE DETERMINAR LAS
LOCALIZACIONES OPTIMAS DE NUEVAS
CABECERAS/CENTROS
Una vez estudiada con detalle la organización educativa en las zonas
rurales de la provincia de Guadalajara, analizados y comparados los 16 Centros
Rurales Agrupados existentes, se aplicaron algunos modelos de localización-
asignación con objeto de establecer según la demanda existente, cuáles eran los
núcleos de población óptimos donde deberían situarse las cabeceras de los centros
para lograr una mayor eficiencia y justicia espacial.
Los modelos de localización asignación Minisum y Cobemax del programa

LOCALIZA, a la vez que definen sitios óptimos para localizar las cabeceras de los
centros, asignan la demanda a cada uno de ellos, es decir asignan las localidades
que formarán el ámbito del CRA.
10.5.1 Aplicación del modelo de localización-asignación

Minisum de LOCALIZA
Se eligieron los nombres de los ficheros necesarios de demanda y posibles
puntos de oferta. Al tratarse de centros educativos se utilizaron los centroides de
demanda como centroides de oferta o puntos móviles ya que se trataba de
conseguir la localización óptima de instalación un servicio publico que ha de estar
presente en cada punto de demanda.
Los datos de partida para los cálculos con el modelo MINISUM fueron:
• Fichero demanda: ID_CRAA.img_doc_fichero.IMG de demanda con los

identificadores de los puntos de demanda. El fichero CRA.img contiene
los 69 puntos de demanda con su ID. Se considera como ya hemos
indicado anteriormente que la demanda aparece centralizada en puntos
del territorio. De cada punto de demanda es necesario conocer tres tipos
de datos: el ID (número único y específico de cada punto), su
localización geográfica (coordenadas X e Y) y el valor de la demanda
existente en ese punto.
• Fichero demanda VAL: NVIAJES fichero .VAL: contiene el tamaño de

la demanda en cada punto El fichero tamaño.Val contiene los puntos de
demanda con el tamaño de cada uno de ellos para los cuatro casos:
(NVIAJESSE, NVIAJES50%, NVIAJES100%, NVIAJES99)
• Fichero puntos candidatos ID_CRAA.img fichero .IMG de lugares

candidatos: con los identificadores de los puntos candidatos a recibir las
instalaciones de la oferta que seleccionará el programa, su localización
geográfica (coordenadas X e Y) y el hecho de ser móvil. Los
identificadores de los centroides han de ser números enteros y distintos
para cada punto.
• El algoritmo heurístico que se emplea para calcular la solución necesita

partir de una configuración inicial de puntos candidatos que proceden en
nuestro caso de una selección de puntos específicamente escogidos por
nosotros y que son los 69 núcleos de población con escuela rural.
• Tomar o no la opción que ofrece de considerar la configuración de la

oferta existente mediante otro fichero .IMG que contenga los
identificadores de los puntos de oferta existentes.
Una vez indicado el número de instalaciones a localizar se solicita la

lectura de la matriz de distancias D_CAR elaborada previamente como fichero
.IMG. Por último, se indican los nombres de los ficheros de salida (.VAL), que han
de contener las instalaciones seleccionadas y la asignación de la demanda.
10.5.2 Aplicación del modelo Cobemax

Se eligieron los nombres de los ficheros necesarios de demanda y posibles
puntos de oferta. Al igual que en Minisum se utilizaron los centroides de demanda
como centroides de oferta o puntos móviles.
Los ficheros de demanda y de puntos candidatos para los cálculos del

modelo Cobemax fueron los mismos expresados anteriormente para el modelo
Minisum.
• Indicamos el número de instalaciones a localizar, y el valor de la

restricción de alejamiento, en las unidades de medida de las coordenadas
(X,Y) de las coberturas de entrada.
• Solicitamos la lectura de la matriz de distancias D_CAR y se indican los

nombres de los ficheros de salida (.VAL), que han de contener las
instalaciones seleccionadas y la asignación de la demanda.
Terminado el proceso, los resultados numéricos de los dos modelos pueden

ser guardados en un fichero .TXT.
Desde IDRISI, con la orden VISUALIZAR, procedemos a obtener una

visualización de cada composición cartografica obtenidas con Minisun y Cobemax.
Se visualiza el fichero vectorial de demanda ID_CRAA en conexión con el fichero
de valores con instalación obtenido por los programas en cada ocasión. Se pide que
añada la cobertura obtenida con el programa SPIDER (araña) y la asignación de la
oferta. SPIDER permite rápidamente tomar decisiones sobre problemas de
localización-asignación y donde el resultado se basa en la asignación mediante
vectores a puntos óptimos de localización, lo cual viene a representar una red de
vectores asignados a puntos en concreto. Este programa lee un mapa de oferta, un
mapa de demanda, y una tabla donde a cada punto de oferta se le asignan algunos
puntos de demanda, el programa genera un fichero .VEC de IDRISI formado por
líneas rectas cuyos vértices son: uno el punto de oferta y el otro un punto de
demanda. Se debe visualizar este superpuesto a los ficheros vectoriales.
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.
10.5.3 Escenarios de la simulación

Se simularon cuatro escenarios posibles:
1. Que en las localidades no hubiera ningún profesor especialista y todos

fuesen tutores/as generalistas.
2. Que la mitad de las localidades tuviesen un especialista como tutor/a,

impartiendo docencia y en la otra mitad fuese un tutor/a generalista.
3. Que en todas las localidades existiera un especialista como tutor/a.
4. La situación existente durante el curso 1999/2000, la realidad de ese

curso.
En el primer supuesto la demanda de viajes de todos los centros en que se

imparte infantil y primaria es de 7, y para los centros que imparten secundaria es de
10 (tres sesiones de E. Física, tres de Inglés y una de Música) si hay secundaria:
tres de Francés (es el segundo idioma).
En el segundo supuesto apostamos porque fuese el especialista de las áreas

de Educación Física o Inglés en los casos de primaria y también de Francés en los
casos de secundaria, ya que atender dichas áreas requiere tres sesiones semanales
mientras que Música solo requiere una. Al adjudicar el profesorado especialista al
50% de los centros se optó porque se colocaran en la actual cabecera por ser el más
grande y en las localidades más lejanas de la cabecera y de este modo reducir los
kilómetros a recorrer por el resto de los itinerantes.
En el tercer supuesto, el profesor sería especialista en las áreas de

Educación Física, Inglés o Francés que son las que más horario lectivo requieren.
En este caso, todos los centros tendrían una demanda de 4 viajes en infantil y
primaria y 7 viajes en los centros que tengan ESO.
En el último supuesto se considera la situación existente en el año 1999.

Los centros que han sido cabecera de CRA figuran con la necesidad real que
tendrían de ser atendidos por los especialistas a pesar de que las cabeceras no han
requerido ningún viaje de especialistas puesto que los mismos, en el curso
1999/2000, se encuentran ya en ellas.
Se tuvieron en cuenta otras consideraciones tales como:
• Tipo de unidades existentes en las localidades (si eran de Educación

infantil o eran de primaria pues es sabido que en la etapa de infantil no
son preciso los especialistas).
• Número de unidades por localidad (si tiene dos unidades de primaria se

ha optado por poner dos especialistas uno de Inglés y otro de E. Física,
de este modo la localidad solo necesitaría el viaje del especialista de
Música ya que los otros dos especialistas se intercambiarían los grupos a
atender).
10.5.4 Criterios de valoración de las soluciones propuestas

por los modelos
Se obtuvieron múltiples y variadas soluciones que suponen cambios que
afectan profundamente a la composición jurídica de todos los CRA, es por ello que
de cada solución obtenida por los modelos Minisum y Cobemax valoramos los
siguientes aspectos:
• Costes de recorrido. La variación de estos costes (aumento/disminución)

nos da información sobre la mayor / menor eficiencia espacial obtenida
con las soluciones.
• Desviación típica. El descenso o aumento de este parámetro informa de

una mayor/menor justicia espacial obtenida con las diferentes
soluciones. 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. Una desviación típica
más alta informará de grandes diferencias en los recorridos a efectuar
por una parte del profesorado con relación a los que lleven a cabo otros
profesionales en idénticas circunstancias. Una desviación típica menor
informará de una situación en la que un número importante de profesores
estarán en similares condiciones de acceso a los centros.
• Número de profesores especialistas que son necesarios en cada nueva

cabecera para atender a su nuevo ámbito. Se trata aquí de un coste no
espacial a tener en cuenta. La reorganización de los centros supone a su
vez una reorganización de los recursos humanos con que cuenta la
Administración. En el curso 99/2000 trabajaron 54 profesores itinerantes
para atender los 16 CRA. Es necesario valorar el número de profesores
que la nueva organización necesitará ya que sin duda será otro criterio
que ayude a decidir la conveniencia de adoptar o no una determinada
solución. Se calculó para el supuesto 1 que son necesarios tres
especialistas (1 E. Física, 1 Inglés, 1 Música), por cada uno de los CRA
que se formen con un número de localidades entre una y cuatro, cinco
especialistas ( 2 E. Física, 2 Inglés, 1 Música) para los que se formen
con un número de localidades entre cinco y ocho, y siete especialistas (3
E. Física, 3 Inglés, 1 Música) para los centros que tengan más de ocho
unidades. Estos datos se rebajarán sensiblemente para los supuestos 2 y
3 en los que ya habría especialistas en las localidades.
• Localidades no incluidas en ningún ámbito y CRA de dos localidades.

• Es preciso solucionar sus necesidades de especialistas bien desde algún

centro completo cercano como se hace en la actualidad con las escuelas
unitarias, bien colocando en dicha localidad tres profesores con las
diferentes especialidades. También se ha de contemplar el caso de los
CRA con dos localidades ya que por el momento todos los existentes
están formados como mínimo por tres.
10.5.5 Soluciones obtenidas

• Soluciones con planteamientos teóricos totalmente nuevos. (ver
mapas 10.3, 10.4 y 10.7). Se trató de determinar las localizaciones
óptimas de 16 nuevas cabeceras de los CRA, nuevos equipamientos
educativos, así como de los núcleos de población que se les asignen y
que formarán el nuevo ámbito de cada CRA.
• Soluciones que apuestan por la reducción de los CRA (ver mapa

10.6). Reducir el número de cabeceras de CRA de modo que ampliando
el ámbito de alguno de ellos y sin sobrepasar el coste de recorrido actual
el profesorado que itinera lo haga en condiciones similares de igualdad.
• Soluciones para el hipotético caso de ampliación de CRA (ver mapa

10.5). Añadir nuevas cabeceras de CRA, manteniendo los 16 existentes,
para asignar las mismas 69 localidades intentando conseguir una
reducción de los recorridos globales al tiempo que mayor justicia
espacial de modo que el profesorado que itinere lo haga en similares
condiciones en todos los CRA.
10.5.5.1 SOLUCIONES CON PLANTEAMIENTOS TEÓRICOS

TOTALMENTE NUEVOS
Se partió aquí de una hipotética situación inicial totalmente nueva en la que
se planificaría y organizaría el servicio educativo por primera vez, sin tener en
cuenta ninguna de las cabeceras actuales y dando por válido que cualquiera de las
69 localidades puede ser cabecera de un ámbito. Se procedió a la búsqueda de 16
cabeceras y a la asignación de sus correspondientes ámbitos para los cuatro
supuestos comentados. Los resultados obtenidos se comparan con la configuración
actual efectuada por la Delegación Provincial de Educación de Guadalajara para el
curso 1999/2000 (mapa 10.2).
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
50% 399617 47975 458456 55039
100% 457760 54908 348880 41848 343362 41215 385892 46287 320668 38464 355996 42701
Real 99 362167 43472 343362 41215 436529 52398
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
10.5.5.2 SOLUCIONES OFRECIDAS POR MINISUM.

COMENTARIOS
Supuesto 1: FOBJ 556185 unidades de coste DTIP 66818. Profesorado: 63
Supuesto 2: FOBJ 399617 unidades de coste DTIP 47975 Profesorado: 41
Las soluciones que resultaron de aplicar el modelo para la búsqueda y

selección de 16 nuevas cabeceras resultan ser espacialmente más eficaces y justas
que la actual. Aun teniendo en cuenta que en ellas no exista ningún especialista,
caso 1, se rebaja considerablemente los costes globales de recorrido, por tanto, las
configuraciones propuestas por Minusum producirán un importante aumento de la
eficacia espacial. Por otro lado la desviación típica también bajará
considerablemente lo que indica una solución al problema espacialmente más justa.
Para poder atender las itinerancias se necesitaría, excepto en el primer caso, menor
número de profesores.
Las soluciones del 50% y 100% especialistas, caso 2 y 3, aportadas por el

modelo, como era de esperar, mejoran notablemente el supuesto anterior, es decir
que colocando como tutores a especialistas en la mitad o en todas las localidades
del CRA se reducen notablemente las unidades de coste semanal y, muy
importante, se reducen más de la mitad los recorridos que actualmente están
llevándose a cabo. El número de profesores necesarios disminuye colocándose por
debajo de la cifra actual. La solución que propone el modelo para el curso
1999/2000 tiene ciertos parecidos con la situación real. Los ámbitos son muy
similares a los reales.
10.5.5.3 SOLUCIONES OFRECIDAS POR COBEMAX.

COMENTARIOS
Supuesto 1: CT: 653513 DTIP 78510 Profesorado: 70
Las soluciones que Cobemax ofreció no mejoran las obtenidas con

Minisum aunque todas rebajan notablemente los costes globales de los recorridos
semanales que han de efectuar los profesores. Cualquiera de los cuatro supuestos
mejora notablemente la eficiencia espacial. En cuanto a profesorado en los

supuestos 2 y 3 varía muy poco con respecto al actual con lo que los costes de
personal no sufren ningún aumento. En lo referente a la desviación típica se
obtienen también resultados mejores que los existentes en la realidad. La
desviación típica baja según aumentan los profesores especialistas y sube siempre,
tanto con Minisum como con Cobemax, para el último caso o supuesto ya que en el
curso 99/2000 solo algunas localidades tienen especialistas.
Las nuevas configuraciones de CRA propuestas tanto por Minisum como

por Cobemax incorporan algunas dificultades que será necesario resolver:
• Propuestas de localidades como cabeceras pero sin adjudicar ámbito,

quedando como unitarias, lo cual choca de lleno con el objetivo de la
organización de la educación en el medio rural. Estos centros se
convertirían en unitarias, algo en este momento impensable ya que las
cuatro existentes piden una solución urgente a su problema.
• Organiza CRA de tan solo dos localidades, caso tampoco previsto en la

normativa actual de los CRA que han de tener al menos tres localidades
en su ámbito.
Teóricamente podemos concluir diciendo que las soluciones aportadas

mejoran la eficiencia y la justicia espacial de forma notable. Desde el punto de
vista del planificador las soluciones de los supuestos 2 y 3 resultan muy
interesantes.
10.5.5.4 SOLUCIONES QUE APUESTAN POR LA REDUCCIÓN DE

LOS CRA
Se probaron Minisum y Cobemax, considerando y sin considerar las
cabeceras actuales, para localizar 15, 14 y hasta 10 (Minisum) localizaciones de
nuevas cabeceras elegidas de entre los 69 puntos candidatos y 100% especialista.
Primera opción: no considerar las cabeceras actuales. (tabla 10.2).
Soluciones ofrecidas por MINISUM para la localización de nuevas

cabeceras entre 69 puntos candidatos:
15 cabeceras supuesto 3: FOBJ 343362 DTIP 41215 Profesorado: 51

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.
Minisum ofreció buenas soluciones para la localización de 1, 2 y 6

cabeceras menos de las existentes en la actualidad. Todas mejoran notablemente la
eficiencia, la justicia espacial y las plantillas de itinerantes de la organización
actual.
Soluciones óptimas obtenidas por COBEMAX para la localización de

nuevas cabeceras entre 69 puntos candidatos:
15 cabeceras supuesto 3: CT 385892 DTIP 46287 Profesorado: 49

14 cabeceras supuesto 3: CT 488720 DTIP 58621 Profesorado: 49
Las solución obtenidas por Cobemax cuando tratamos de reducir las

cabeceras resultan un tanto extrañas, pues se aprecia una configuración y
dimensión de centros muy desigual. Junto a CRA de una sola localidad configura
otros de hasta 16 localidades. En el caso de 15 cabeceras sitúa siete de muy
pequeño tamaño en el Señorío de Molina y conforma un inmenso CRA en la
Alcarria con cabecera en Iriepal, que si bien es verdad coincide con la zona que
mejores comunicaciones tiene la provincia de Guadalajara, también es cierto que
en esta misma zona mantiene otros de tres y cinco localidades, tamaño que resulta
más habitual en las soluciones que hasta el momento hemos obtenido.
Segunda opción: considerar las cabeceras actuales. (tabla 10.3)
Minisum 15 supuesto 3: FOBJ 476464 DTIP 57151 Profesorado: 46

Cobemax15 supuesto 3: CT 476464 DTIP 57151 Profesorado: 46
Minisum 14 supuesto 3: FOBJ 488720 DTIP 58621 Profesorado: 51
Cobemax14 supuesto 3: CT 488720 DTIP 58621 Profesorado: 51
Partiendo de los centros existentes, se pretendió mejorar la eficiencia y la

justicia espacial a través de configuraciones óptimas de los ámbitos, para ello
mantuvimos las cabeceras actuales. Buscamos disminuir en una o en dos las
cabeceras y, probando con los dos modelos, obtuvimos soluciones muy parecidas.
En ambos casos se mejoró la configuración actual.
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
100% 488720 58621 476464 57151 384928 46171 358912 43051
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:
1. Fichero demanda: ID_CRAA.img_doc fichero .IMG de demanda con

los identificadores de los puntos de demanda. El fichero CRA.img
contiene los 69 puntos de demanda con su ID.
2. Fichero demanda VAL: NVIAJES fichero .VAL: contiene el tamaño

de la demanda en cada punto. El fichero tamaño.Val contiene los puntos
de demanda con el tamaño de cada uno de ellos para NVIAJES100%.
3. Fichero puntos candidatos ID_43A.img fichero .IMG de lugares

candidatos: con los identificadores de los 53 puntos candidatos a recibir
las instalaciones de la oferta que seleccionará el programa.
Ofrece la opción de considerar la configuración de la oferta existente

mediante otro fichero .IMG que contenga los identificadores de los puntos de
oferta existentes, en nuestro caso CABECEA-img. Una vez indicado que queremos
1 o 2 instalaciones más/menos a localizar se solicita la lectura de la matriz de
distancias D_CAR como fichero .IMG. Se indican los nombres de los ficheros de
salida (.VAL), que han de contener las instalaciones seleccionadas y la asignación
de la demanda.
Ambos modelos ofrecen idéntica solución a la localización de 14 y 15

cabeceras considerando las existentes en la actualidad. Estas configuraciones
propuestas resultan algo chocantes. Aumentar el ámbito de dos CRAs en la zona
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.
Tercera opción: el hipotético caso de ampliación de cabeceras de CRA

manteniendo las actuales (tabla 10.3):
Minisum 17 cabeceras FOBJ 384928 DTIP 46171 Profesorado: 56

Cobemax 17 cabeceras CT 384928 DTIP 46171 Profesorado: 56
Minisum 18 cabeceras FOBJ 358912 DTIP 43051 Profesorado: 57
Cobemax 18 cabeceras CT 362344 DTIP 43463 Profesorado: 59
Se planteó una hipotética situación de aumento del número de cabeceras de

CRA. Se probó, también en esta ocasión con el supuesto 3 (un especialista en cada
localidad) y se procedió con los modelos Minisum y Cobemax para localizar 17, 18
instalaciones, teniendo en consideración las 16 existentes. Los resultados
obtenidos, las soluciones de ambos programas coinciden plenamente cuando se
pretende aumentar una cabecera. La solución en ambos casos es deshacer el CRA
de la Serranía de Atienza en dos y dejar Atienza como cabecera sin ámbito. La otra
cabecera se localiza en Galve de Sorbe en los dos casos.
Los resultados obtenidos por los modelos difieren sensiblemente cuando se

trata de aumentar en dos las cabeceras de los CRA. Creemos que Minisum ofrece
una solución mejor al planificador. Los resultados también favorecen más al
profesorado, se da mayor justicia espacial, los costes globales de recorrido para
atender la demanda son sensiblemente mejores que los obtenidos por Cobemax.
10.5.5.5 COMENTARIOS FINALES SOBRE LOS RESULTADOS

OBTENIDOS POR LOS PROGRAMAS Y CONCLUSIONES
Tanto el programa Minisum como Cobemax han resuelto todos los
supuestos planteados ofreciendo soluciones que, teóricamente, siempre mejoran la
situación actual. Ambos modelos coinciden casi plenamente cuando se trata de
aumentar o disminuir cabeceras siempre que se conserven las actuales.
En cualquiera de las soluciones de ambos programas, el coste global de

recorridos semanales es considerablemente más bajo que el existente en la
actualidad. Este coste disminuye de forma importante cuando pasamos del
supuesto 1 al supuesto 3, es decir cuando pasamos de no tener ningún especialista
en los centros a tener uno en cada localidad. Por otro lado este costo sube
sensiblemente para el supuesto 4 y para los supuestos en los que pretendemos
reducir las cabeceras a localizar. En ningún caso hemos llegado a superar los costes
actuales a pesar de forzar la situación tratando de conseguir una configuración de
solo diez cabeceras de CRA. En cuanto a la plantilla de itinerantes necesaria para
atender las configuraciones de los nuevos centros no resultan desproporcionadas si
tenemos en cuenta que todas las soluciones mejoran notablemente la eficiencia y
la 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.
Es importante destacar que las soluciones obtenidas implican cambios que

afectan profundamente a todos los centros. No se trata ya de cambiar los núcleos de
población que son cabeceras de los actuales CRA por otros núcleos de su mismo
ámbito sino que estamos cambiando centros completos. Recordemos una vez más
que un CRA es un centro escolar que funciona como un todo con la peculiaridad de
que sus aulas están separadas físicamente, sus aulas se encuentran en las
localidades del ámbito que lo conforma. Recordemos también que cada CRA tiene
un proyecto educativo propio, un proyecto curricular y una programación única.
Bien es verdad que si buscamos eficiencia y justicia espacial los modelos probados
dan soluciones que las aumentan considerablemente por lo que estamos de acuerdo
en que es necesario proceder a una nueva organización de los centros actuales pero
no podemos pensar que es posible hacerlo cada año ya que los centro no se
organizarían internamente nunca y la gestión de los mismos por parte de los
equipos directivos sería imposible, también chocamos con que el profesorado ha
obtenido determinadas plazas en un concurso de traslados por lo que cualquier
modificación requeriría innumerables trámites. Por tanto nos enfrentamos a normas
y leyes por las que han quedado constituidos estos centros y a concursos de
provisión de puestos por los que han optado los profesionales de la enseñanza.
Probablemente no pudimos demostrar una total eficacia de las soluciones

debido a que trabajamos con modelos teóricos. Son modelos que necesitan
determinados ajustes cuando tratamos de abordar problemas reales en los que es
preciso tener en cuenta muchos y variados condicionantes. En aquel momento no
era posible incorporar. No obstante hemos de admitir que dichos modelos nos han
aportado soluciones no disparatadas que nos han permitido valorar otras
distribuciones de los centros, otras configuraciones que con determinados ajustes
podrían ser válidas y utilizables. Con los modelos utilizados no se logró resolver
definitivamente la cuestión pero, podemos afirmar que: “La localización de las
cabeceras de CRA y la configuración de su ámbito es mejorable si para su
organización se aplican criterios y métodos más geográficos y que los modelos son
una herramienta de ayuda para abordar la problemática de localización óptima de
las cabeceras de los CRA y su dimensión”.
Los SIG han resultado instrumentos adecuados para el desarrollo de esta

investigación, facilitan el estudio del problema y aportan soluciones alternativas
abundantes y contrastadas que si bien no pueden utilizarse tal cual se presentan sí
que sirven de orientación y ayuda para prever futuras decisiones sobre
organización óptima de centros escolares rurales.
Visualizar cada una de las soluciones conseguidas con los programas

Minisum y Cobemax también ayudará a los técnicos que están encargados de
ajustar cada año los ámbitos de los centros rurales. Se ha logrado una producción
cartográfica de una calidad aceptable que estará disponible y cada vez que se tome
una decisión se podrá haber estudiado un buen número de ellas que, contrastadas y
evaluadas, permitirán decidir con mayor facilidad por la mejor, valorando todos y
cada uno de los aspectos que necesariamente deban ser tenidos en cuenta.
10.7 LÍNEAS DE ACTUACIÓN FUTURAS

El entramado administrativo es muy complejo y resulta imposible proceder
a desarticular los actuales centros y partir de cero. Para continuar trabajando en el
tema trataremos de lograr que los programas incorporen procedimientos que
permitan trabajar con las restricciones que legalmente pesan sobre los CRA.
Pretendemos probar los programas de localización-asignación teniendo en cuenta o
admitiendo las siguientes restricciones:
• Que a cada cabecera de CRA se le adjudique al menos dos localidades.

No dejando cabeceras sueltas.
• Que en la elección de las cabeceras prime el criterio de elección sobre
aquellas que son de mayor entidad/categoría sobre las de menor por
ejemplo: las de mayor población, aquellas que ya tienen buenas

instalaciones, las que tengan más alumnos escolarizados, etc.
• Que en la asignación de localidades a una cabecera prime el criterio de
no estar a más de 20/30 kilómetros o en su defecto no estar a más de 30
minutos de viaje.
• Contemplar la posibilidad de permitir la incorporación de centros
completos como cabecera de las localidades pequeñas de los
alrededores.
• Incorporar a la nueva organización los centros incompletos y las
escuelas unitarias que todavía existen en la provincia.
• Ampliar la zona de estudio y considerar al menos a la vecina Cuenca (la
educación depende de cada comunidad autónoma y, aunque sea
interesante, no sería posible considerar ninguna de las otras limítrofes).
• Lograr una organización de los CRA atendiendo a las comarcas en que
se encuentren.
Se tratará de buscar y probar modelos de localización-asignación que

teniendo en cuenta determinados aspectos nos ayudarán a construir una
ordenación territorial del Servicio Público Educativo Rural, con una estructura
que se inicie en la localidad para pasar por la zona y la comarca. Resulta más
realista en el medio rural hablar de ámbitos comarcales en los que se deberían
concretar tanto las actividades educativas de los centros como las propuestas
organizativas y la distribución de recursos para la formación de profesores.
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
#
#
#
Taracena Localidad con escuela

# #
#
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
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 #
#
#
Localidad con escuela

#
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
#
#
Mapa 10.5. Solución obtenida por Minisum para la localización-asignación de 18 cabeceras.

Supuesto 3 con 100% de especialistas y manteniendo las cabeceras actuales
SEGOVIA SORIA
#
#
Atienza
#
#
#
ZARAGOZA
#
Alcolea
# Tortuera
#
Cogolludo # #
#
# #
#
#
N
# Humanes # #
#
# W E
#
Trijueque #
S
#
#
#
#
#
#
Iriepal Budia #
#
Torrejon #
#
# #
#
Horche Nucleo de población con escuela

#
# #
#
#
Chiloeches #
# #
Cabecera CRA
#
#
#
#
Checa r #
# # Tendilla
#
TERUEL
Asignación
#
# #
#
#
#
Pastrana
MADRID #
#
#
#
#
CUENCA
#
#
Almoguera
#
#
0 20 40 Km.
#
Mapa 10.6. Solución obtenida por Cobemax para la localización-asignación de 15 cabeceras.

Supuesto 3 con 100% de especialistas y manteniendo las cabeceras actuales
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.
#
Mapa 10.7. Solución obtenida por Cobemax para la localización-asignación de 16 cabeceras.

Supuesto 4. Datos del curso 99/2000
11Capítulo 11
DISEÑO DE PROPUESTAS ÓPTIMAS PARA

AMPLIAR LA DOTACIÓN DE CENTROS DE
SALUD EN LA REGIÓN DE
VALPARAÍSO (CHILE)
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.
Es por ello que la evaluación, desde principios de equidad y eficiencia, de

la organización espacial de los CAPS constituye una tarea conspicua para dilucidar
si un desarrollo puede ser calificable como armónico, ya que a nivel territorial es
donde mejor se reflejan los conflictos entre estos principios, especialmente en su

relación con el tiempo que tarda en llegar un usuario al equipamiento sanitario de
referencia. Esto se torna más importante cuando existe la posibilidad de
“caracterizar” a ese usuario según su condición socio-económica, puesto que se
contaría con un punto de inicio básico para el diagnóstico y la generación de
propuestas, concernientes a una igualación aceptable al acceso de este tipo de
servicio entre los diferentes grupos socio-espaciales, para de este modo,
proporcionar bienestar y una mejor calidad de vida a la población que accede a
ellos.
Ello da cuenta de la necesidad de describir, cuantificar y valorar las

relaciones espaciales entre el estatus socio-económico de la población y la
accesibilidad física a los CAPS, asumiendo como premisa general, la búsqueda de
la eficiencia y equidad en la orientación de las actuales y futuras políticas
concernientes a la distribución y organización espacial de los servicios sanitarios.
Ello afecta al uso eficiente de los escasos equipamientos disponibles al interior de
un Servicio de Salud y al tiempo de viaje de los usuarios hacia el equipamiento,
que debe estar dentro de un período de tiempo razonable, en base a la
disponibilidad y tipo de transporte, calidad de la red vial y velocidad de
desplazamiento permitida.
Al respecto, y desde la óptica geográfica, debido a que sería muy difícil, si

no imposible, construir algo (p. ej., un CAPS, un hospital, un laboratorio
biomédico, etc.) en algún lugar que beneficiara por igual a todos los ciudadanos
(Smith, 1980), se han venido desarrollando o aplicando modelos de localización
óptima e índices de accesibilidad, que desde la eclosión de los SIG y los software
de optimización espacial, evalúan las condiciones existentes y futuras de equidad
espacial, bien como igualdad, proporcional a la población o al territorio, bien
como justicia, proporcional a la necesidad de cada demanda (Moreno, 2007).
Así mismo, la eficiencia espacial importa a la hora de abordar los

problemas atingentes a la distribución espacial de los servicios sanitarios, de tal
forma que la distribución de la oferta permita alcanzar el valor máximo de, por
ejemplo, la suma total de desplazamientos entre cada punto de demanda y los
centros de oferta (Moreno, 2007).
Los trabajos sobre el tema abundan y como ilustraciones ejemplares

remitimos, entre otras, a las obras de Mayhew y Leonardi (1982), Charroalde
(1982), Joseph y Phillips (1984), Thouez (1987), Goddard y Smith (1988), Halseth
y Rosenberg (1991), López (1992), Olivera (1993), Bonmatí (1994), Humphreys
(1998), Perry y Gesler (2000), Marianov y Taborga (2001), Ramírez y Bosque
(2001), Escalona y Diez (2003), Luo y Wang (2003), Guagliardo (2004), Rosero
(2004), Ramírez (2000, 2005, 2008), Shortt et al. (2005), Buzai y Bexendale
© RA-MA CAPÍTULO 11. DISEÑO DE PROPUESTAS ÓPTIMAS PARA AMPLIAR LA... 283
(2006), Hare y Barcus (2007), Garza et al., 2008), Prat et al. (2009) y Fuenzalida y
Moreno (2010a).
De los modelos de localización-asignación disponibles para estas labores,

se optará por aquel que permita planificar convenientemente los equipamientos
sanitarios, conciliando objetivos de equidad, al mismo tiempo que de eficiencia. De
este modo, se privilegiará la preocupación porque la mayoría de la demanda
potencial no esté demasiado lejos de los puntos de oferta, intentando que las
desigualdades en el acceso queden en gran medida limitadas al radio máximo de
servicio establecido; se tratará así de conseguir la máxima cobertura espacial de
demanda potencial con los centros de oferta disponibles. Sería plausible considerar
que ello permitirá configurar un escenario territorial, a escala regional, que facilite
las oportunidades de acceso para que la población obtenga los beneficios brindados
por este tipo de servicio.
En primer lugar se describe la metodología utilizada para evaluar, desde

principios de equidad y eficiencia, la distribución y organización espacial de los
CAPS. Luego, se interpreta y valora, para cada uno de los Servicios de Salud (SS)
que pertenecen a la región de Valparaíso, el patrón espacial derivado de las
propuestas de ampliación óptima de los mismos, a fin de justipreciar en qué medida
los objetivos de equidad espacial y eficiencia se estarían logrando en beneficio de
los habitantes de la región.
11.2 JUSTIFICACIONES METODOLÓGICAS

El examen de las relaciones espaciales entre el estatus socio-económico de
la población y la accesibilidad física a los CAPS, asumiendo como premisa
general, la búsqueda de la equidad y eficiencia, se aborda convenientemente a
través de la resolución de Problemas de Localización-Asignación (PLA), que como
se puede observar en el figura 11.1, en su configuración básica requiere de: (1)
instalaciones, (2) lugares candidatos, (3) usuarios y (4) sus interrelaciones,
principalmente aquellas entre instalación-usuario que miden la interacción entre los
lugares en donde están situadas las instalaciones y el acceso de consumidores a la
provisión de servicios, a fin de orientar el proceso de optimización hacia un
resultado satisfactorio (Scaparra y Scutellà, 2001).
En este estudio territorial, los dos primeros serán considerados “lugares de

destino”, el tercero “lugares de origen” y el cuarto “distancias, tiempos o costes
que implican los desplazamientos entre los lugares de orígenes y destinos”.
Operativamente se han utilizado para el análisis: (1) la localización de los

CAPS georreferenciados como puntos por GPS, (2-3) los centroides de pequeñas
unidades espaciales estándar de 1 km2 generadas “ad hoc” (PUEE), de cara a

computar la población residente en ellas y a caracterizar la condición
socioeconómica de la misma en cada PUEE, y (4) la red de transporte vial regional,
que articula el territorio y que conecta todos los lugares de orígenes con los de
destino, diferenciando entre la red básica nacional compuesta por caminos de clase
A-B-C, que permiten una superior velocidad que la red comunal, compuesta por
caminos de clase D-E.
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
Figura 11.1. Configuración de un problema de localización-asignación
Desde que emergen en la planificación los llamados sistemas de apoyo a

las decisiones espaciales (SADE), resultantes de la integración de un SIG con
alguna herramienta de análisis para apoyo a la planificación (planning support
system, PSS), p. ej., optimización, análisis exploratorio de datos, modelación de
usos de suelo, flujo de trasportes, erosión del suelo, etc., en un entorno adecuado
para la adopción “racional” de decisiones sobre problemas espaciales (Batty y
Densham, 1996; Bosque et al. 2000), se ha facilitado enormemente la resolución de
un PLA, tanto en tiempo empleado, como en la robustez de los resultados, que por
medio de la elección de un “modelo” apropiado permiten lograr escenarios
territoriales, orientados por los principios de equidad y/o eficiencia espacial, en
términos de oportunidades entre la población (Bosque y Moreno, 2007).
A continuación pasaremos a describir sucintamente las justificaciones

metodológicas adoptadas para dar respuestas a los siguientes interrogantes: ¿Cuáles
son los grupos sociales que están en peor situación y cuáles mejor en cuanto a la
superación de la barrera de accesibilidad física? ¿Conforman patrones espaciales
definidos? Las respuestas nos podrán orientar respecto de las decisiones que
deberían adoptar planificadores y responsables para reducir las desigualdades

existentes y lograr mayor equidad, permitiendo mejorar así la calidad de vida de la
población.
11.2.1 Medición del estatus socio-económico de la población

La medición del estatus socio-económico de la población constituye uno de
los elementos esenciales del método aquí desarrollado, por cuanto se trata de
establecer primero los niveles de estatus de cada lugar, para luego computar el
grado de accesibilidad diferencial de cada nivel. A tal fin, y para las PUEE, se ha
adoptado como fuente de información, el XII Censo de Población y VI de Vivienda
de 2002, considerado como el único instrumento estadístico disponible en Chile
que cuenta con la conveniente cobertura territorial y grado de desagregación,
referidos a personas y hogares.
Sobre la base de la tradición de estudios sobre diferenciación socio-

espacial de la población, hemos seleccionado un número equilibrado de variables
que reflejen tanto niveles positivos, como medios, pero también bajos de estatus,
referentes a la posesión y consumo de bienes duraderos (5 variables), nivel
educacional (3 variables), actividad laboral (3 variables) e instalaciones de la
vivienda (3 variables), de tal forma que resultase un factor de estatus socio-
económico (FSE) altamente discriminante, del cual se obtuviese una imagen
integral de los patrones espaciales conformados por la población regional. Para una
exposición más amplia de esta cuestión véase Fuenzalida y Moreno (2010b).
Habiendo obtenido las catorce variables socio-económicas por Zona

Censal, se procedió a construir un estadístico que sintetizara esta información. La
técnica de análisis multivariante que goza de mayor aceptación para este tipo de
estudio es el Análisis de Componentes Principales (ACP). Se utilizó el software
estadístico SPSS para realizar dicho análisis.
Una vez obtenida la solución factorial final, se procedió a estimar las

puntuaciones factoriales (factor scores) referidas a las PUEE. Para tal efecto, se
consideró solo el primer factor resultante de la extracción (69,91% de la varianza
explicada) a fin de valorar la situación relativa de cada unidad espacial en la
dimensión “latente” que hemos denominado factor de estatus socio-económico
(FSE), la cual resume en alto grado la información contenida en las catorce
variables originales. Técnicamente se recurrió a una operación de superposición de
capas en un SIG, estimando la puntuación factorial para cada PUEE como una
media ponderada por la población residente del FSE de cada Zona Censal incluida
en cada PUEE.
Figura 11.2. Distribución territorial del factor de estatus socio-económico de la población
Para categorizar de manera significativa y representar cartográficamente el

FSE en las PUEE se procedió previamente a inspeccionar la distribución
univariada del mismo. Por conveniencia interpretativa se ha clasificado el estatus
socio-económico en cinco intervalos, resultado de sus regularidades internas, y tras
modificar ligeramente los “cortes naturales” (“natural breaks”) para que los límites
de los intervalos fueran más simples y memorizables; finalmente quedaron como
categorías para describir la distribución espacial del FSE las siguientes: (a) baja,
(b) media-baja, (c) media, (d) media-alta y (e) alta.
El mapa (figura 11.2) evidencia mayoritariamente en los ámbitos urbanos

un patrón espacial sectorial para los estatus superiores. Por su parte, la transición
de estatus medio a bajo se localiza generalmente en amplios espacios de
valorización tardía o deteriorados/obsoletos funcionalmente de las ciudades y en la
periferia urbana, los cuales ven disminuido su estatus en función de la distancia al
centro de la ciudad, generalmente según un patrón concéntrico. Esta disposición es
también detectable a escala regional, cuando se comparan los ámbitos urbanos con
los rurales y más remotos.
11.2.2 La medida de accesibilidad espacial a los CAPS

La tradición investigativa sobre la superación de la barrera de accesibilidad
física ha constatado que el porcentaje de visitas en cada lugar es inversamente
proporcional a la distancia al equipamiento sanitario (Joseph y Phillips, 1984;
Apparicio et al., 2008), por lo cual se considera verosímil aquí una disminución de
las interacciones entre puntos de oferta (CAPS) y demanda (potenciales usuarios) a
mayor distancia.
Con respecto a la cuantificación del umbral de tiempo de viaje máximo

(accesibilidad), a partir del cual se entiende que la prestación del servicio de un
CAPS se degrada de sobremanera, en Chile no se cuenta con actuales estándares
técnicos o normativos que definan cifras de referencia para el análisis y
planificación de los equipamientos, por lo cual se procedió a fijar un límite o
alcance temporal máximo que contemplase el desplazamiento desde un punto de
demanda hasta uno de oferta, según el modo peatonal o el de transporte público a
través de la red vial regional.
Considerando los desplazamientos habituales de la población urbana y

rural en Chile y las recomendaciones adoptadas en otros países, se realizó una serie
de ensayos para estimar un umbral de tiempo de acceso plausible por encima del
cual cabe asumir que la efectividad en la prestación y en la demanda real de
servicios sanitarios decae sobremanera. La cifra que pareció de mayor
verosimilitud en la relación inversa: uso de CAPS/tiempo necesario para acceder a
los mismos, se estableció finalmente en 20 minutos, que equivalen
aproximadamente a un poco más de 1 km a velocidad peatonal y 13,3 km por vías
de la red básica nacional (A-B-C). En consecuencia, los resultados de nuestros
análisis, en términos de accesibilidad espacial a la oferta sanitaria, se interpretarán
como eficiencia = número total de potenciales usuarios dentro de ese alcance
temporal y como equidad = cobertura de usuarios potenciales, dentro del mismo
alcance espacial, similar entre los distintos niveles de FSE o eventualmente
superior para los niveles bajo, medio bajo y medio.
11.2.3 El modelo de localización-asignación adoptado

El problema de localización de cobertura máxima (Cobemax) restringe el
número de plantas a localizar a un número finito de ubicaciones, maximizando la
cantidad de demanda cubierta. Las primeras investigaciones fueron realizadas por
Church y ReVelle (1974), y aplicar el modelo requiere definir un umbral de
distancia o tiempo de trayecto máximo (accesibilidad), a partir del cual se entiende
que la prestación de servicio se degrada mucho, asumiéndose además que las
restricciones presupuestarias solo posibilitan el establecimiento de un cierto
número de centros de servicio, que no bastan para cubrir toda la demanda dentro de
la distancia crítica (Moreno, 2004). El modelo es congruente con el concepto de
accesibilidad como número de consumidores potenciales situados dentro de un
alcance dado.
Cobemax considera la siguiente situación. Sea I = {1,…, m} un conjunto

de índices de ubicaciones potenciales para localizar instalaciones (centros de
servicio), y J = {1,…, n} un conjunto de índices para los clientes. Para cada cliente
j ∈ J se especifica una cierta demanda del servicio hj,y para cada par i ∈ I, j ∈ J se
especifica una distancia o coste de desplazamiento dij. Se requiere determinar cuál
es la máxima demanda dentro de un radio de cobertura, δ, y seleccionando como
máximo p instalaciones (p también es un valor dado), se considerán las siguientes
variables de decisión:
⎧1 si el cliente j ∈ J tiene cobertura del servicio

xj = ⎨
⎩0 en otro caso
⎧1 si se selecciona una instalación en la ubicación i ∈ I

yi = ⎨
⎩0 en otro caso
Dependiendo de la variable aij como sigue
⎧1 si el cliente j ∈ J puede ser cubierto por una instalación

⎪
aij = ⎨ ubicada en el nodo i ∈ I , (i.e. d ij ≤ δ )
⎪
⎩0 en otro caso
El problema de cobertura máxima puede formularse de la siguiente manera

(Daskin, 1995, p.110):
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 conjunto de restricciones (1) asegura que un usuario tiene cobertura

siempre y cuando exista una instalación dentro del radio de cobertura. La
restricción (2) asegura que se ubicarán como máximo p instalaciones. Las
restricciones de integridad de las variables de decisión se expresan mediante (3) y
(4).
Como apunta Moreno (2008), Cobemax permite planificar

convenientemente equipamientos públicos (sanitarios, educacionales, deportivos,
asistenciales, áreas verdes, ocio, etc.) puesto que concilia objetivos de eficiencia
(conseguir la máxima cobertura espacial de demanda con los recursos disponibles,
p. ej., centros) y equidad (preocupación porque la mayoría no esté demasiado lejos
de los puntos de oferta, al intentar que las desigualdades en el acceso queden en
gran medida limitadas al radio máximo establecido), lo que en definitiva permite
configurar escenarios territoriales que faciliten oportunidades de acceso aceptables
para la mayoría de la población y la obtención de los beneficios brindados por este
tipo de servicios. Por las consideraciones anteriores, se adoptó el modelo de
optimización Cobemax para resolver el problema de ampliar el número de CAPS
en la región de Valparaíso.
11.2.4 Aplicación del método en Flowmap

En los párrafos siguientes se procederá a mencionar las opciones de la
interfaz gráfica de usuario utilizadas en Flowmap para la resolución del problema.
• Cálculo de tiempos de trayecto: La resolución de problemas de

optimización requiere como condición inicial, datos relativos a los
tiempos (también pueden ser distancias o costes) que implican los
desplazamientos entre los lugares de origen (demanda) y destino
(oferta). Se optó por utilizar la variable tiempo de trayecto,
fundamentalmente por el hecho de que las características propias del

área de estudio (p. ej., nivel espacial regional, concentración de
población urbana, dispersión de población rural y una red viaria que
permite distintas velocidades de desplazamiento) posibilitan que la
población regional en igual período de tiempo cubran distancias muy
diferentes. El cálculo de tiempos de trayecto en la región de Valparaíso
se logró accediendo a: Menú Create > Distance matrices > Network
distance, en el cual se utilizaron las siguientes opciones (figura 11.3):
Figura 11.3. Interfaz de usuario para la matriz de distancia/coste de transporte
– Impedancia: (a) Es el atributo de la tabla de arcos que indica el coste

de desplazamiento a lo largo de cada arco. (b) Se debe indicar la
unidad en la que está referida la impedancia, que en nuestro caso está
referida a minutos.
– Factor de conversión: (c) En el caso de que ciertos puntos de oferta

y demanda no estén conectados a la red, el programa calcula la
distancia mínima a un arco de la misma y multiplica dicha distancia
por ese factor. Si se elige el botón de asistencia, es posible digitar los
parámetros a considerar para dicho cálculo. Como se supone que
dicho trayecto se realiza a pie, se optó por utilizar la estimación
general, ampliamente compartida por los investigadores que tratan
temas de accesibilidad/movilidad, de que los peatones se desplazan
por la ciudad a una velocidad de 1,2 m/s o lo que es lo mismo, 4,3
km/h. El resultado arrojado para el factor de conversión fue =
0,0139535.
Tras la obtención de la matriz de distancias/costes de transporte, se

puede pasar a resolver el problema de localización-asignación con el
modelo Cobemax.
• Algoritmo de optimización: Entre las disponibles en Flowmap se eligió

la metaheurística de expansión y relocalización. Ejecutando el
procedimiento Models > Service location models > Combined
(Expansion and Relocation) Models. Se requiere haber especificado
previamente en el fichero de proyecto una capa de oferta, otra de
demanda y la matriz de distancias/costes de transporte.
Los parámetros elegidos en la interfaz de usuario se deberán

proporcionar en cuatro ventanas consecutivas. En la primera se indicará:
(1) Selección de modelo: maximizar cobertura.
En la segunda ventana se indicará: (2) Uso de solución parcial: Sí,

eligiendo el campo de la tabla que identifica la actual dotación de
equipamientos sanitarios del Servicio de Salud respectivo. (3) Variable
de peso: Se indica el campo que identifica la demanda potencial del
Servicio de Salud correspondiente. (4) Condiciones para la solución: Se
tendrá en cuenta al aplicarlo, una restricción de cifra de centros, ya que
la dispersión de la población rural provoca que las cifras arrojadas en
nuevos centros para las opciones “90%” de cobertura o “total” (full),
sean inviables desde el punto de vista presupuestario de implementación.
Se elegirá encontrar los mejores q centros que maximicen la demanda
potencial cubierta, siendo q la cantidad de centros nuevos que podrían
llegar a ser financiados en su implementación, en el corto plazo. A los
efectos del estudio se estableció una ampliación de dos CAPS en cada
Servicio de Salud.
En la tercera ventana de indicará: (5) Exclusión de sitios como

candidatos: No. Indica que no se facilitará lista de lugares excluibles. (6)
Rango de distancia: Se utilizará 20 minutos para los CAPS. (7) Forma de
elección de sitios candidatos ante iguales puntajes en la secuencia de
búsqueda: Aleatorio. En el caso de que el algoritmo halle sitios
candidatos igualmente “buenos” elige uno al azar.
En la cuarta ventana se indicará: (8) Selección del campo donde escribir

el resultado: Solo es posible escribir máximo 8 caracteres. Dicho campo
identificará los sitios óptimos. (9) Selección del modo de presentación
de resultados: Operación continua obviando mostrar las etapas o ciclos
iterativos, con un reporte final.
• Asignación de la demanda a los centros de oferta: Para asignar los

lugares de demanda potencial a los centros de oferta actuales y óptimos,
se ejecuta mediante la orden Analysis > Catchment Area Analysis >
Regular Catchment Areas. Se requiere haber especificado en el fichero
de proyecto una capa de oferta (actual y óptima), otra de demanda y la

matriz de distancias/costes de transportes.
Los parámetros elegidos en la interfaz de usuario se deberán

proporcionar en dos ventanas consecutivas. En la primera se indicará: (1)
Campo de la tabla (Field) conteniendo la demanda de cada lugar. (2)
Capacidad de los centros: cifra límite de capacidad de demanda que cada
equipamiento sanitario puede atender. En nuestro caso, considerando
que cada CAPS no podrá negar atención a quienes la requieran, ni
condicionarla al pago previo de tarifas, o aranceles fijados a este efecto
(artículo 2º, Ley 18.469), hemos puesto una cifra grande que supera el
total de la demanda potencial (2.000.000 de personas) para todos y cada
uno de los centros. (3) Un valor de distancia o alcance máximo: 20
minutos para los CAPS.
En la segunda ventana se señalan los campos que en la tabla dbf

acogerán los resultados. (1) CADemand: Demanda total asignada a cada
centro de servicio. (2) CACentre: Identificador del centro asignado a
cada origen. (3) CADistan: Distancia desde el lugar con demanda al
centro de servicio asignado (el más cercano). (4) CARemain: Demanda
no asignada a centro alguno, debido al alcance máximo establecido en la
ventana anterior. Los nombres de los campos anteriores, tendrán un
número ordinal consecutivo, dependiendo de cuantas veces se cambien
las opciones de la ventana precedente.
11.3 DISEÑO DE ESQUEMAS DE LOCALIZACIÓN

ÓPTIMA
Se aborda ahora el diseño de esquemas de localización óptima que
permitan, por un lado, el aumento de la cobertura total, y por otro, de ser posible,
mejorar las condiciones de los más desfavorecidos.
Por los argumentos expuestos en el apartado metodológico, se empleará

Cobemax para dar respuesta a este problema: dado un número limitado de nuevas
unidades estadísticas espaciales (NUEE) a dotar con CAPS, hallar el conjunto de
ellas que cubre el máximo posible de demanda potencial dentro de un cierto
alcance de distancia o tiempo.
Aparte del alcance en tiempo máximo (accesibilidad) a efectos de

cobertura, ya fijado anteriormente en 20 minutos para los CAPS, se asume que las
restricciones presupuestarias solo posibilitan incrementar en un número limitado
los equipamientos existentes. La concreción de este segundo supuesto aconseja una
breve digresión. En la bibliografía está ampliamente tratada la cuestión de qué

criterios y métodos usar para establecer la demanda o necesidad espacial de ciertos
servicios, entre ellos los de salud (vid. por ejemplo, Moreno, 1995), y también los
procedimientos de asignación de recursos por territorios, considerando principios
de equidad, eficiencia, etc. En sí mismo ello conforma un problema de notable
calado que aquí se ha soslayado conscientemente, sin que ello signifique
minusvalorarlo en modo alguno. Habida cuenta de que nuestro enfoque se centra
en la cuestión de la accesibilidad espacial y de cómo puede ser considerada para
mejorar la organización espacial de la oferta, y que por otro lado no se pretende
solventar un encargo político de planificación sanitaria real, ha parecido suficiente
asumir unas ampliaciones razonables de la dotación actual de CAPS, que avistasen
a un incremento de la igualdad en los niveles de accesibilidad espacial entre los tres
servicios de salud de la región. Ello ha simplificado mucho la tarea de concretar la
cifra y reparto entre SS de los nuevos equipamientos de salud, aunque, reiteramos,
ello precisaría de mayor profundización. En síntesis, las cifras que se adoptarán
como ampliación serán menguadas: dos centros nuevos en cada uno de los tres SS.
11.3.1 Contexto actual del área de estudio

La región de Valparaíso cuenta con tres Servicios de Salud (SS), siendo
estos los de Valparaíso-San Antonio (SSVSA), Aconcagua (SSA) y Viña del Mar-
Quillota (SSVQ). La demanda potencial de usuarios del sistema público de salud
alcanza a 1.720.160 personas en 2008 (última estadística oficial disponible), las
que están desigualmente repartidas en los SS. El SSVQ exhibe la mayor población
asignada con 993.948 personas (57,78%). Le sigue el SSVSA con 470.794
(27,37%). En último lugar está el SSA que presenta 255.418 (14,85%).
En relación a la oferta, la atención primaria está constituida, en un primer

nivel, de consultorios generales los cuales tienen por objeto satisfacer las
necesidades de atención ambulatoria de nivel primario, pudiendo ser, según su
ubicación, urbanos (CGU) o rurales (CGR). En la literatura científica, son
reconocidos como centros de atención primaria de salud (CAPS). El CGU está
ubicado en localidades de más de 20.000 habitantes y con un área de atracción,
idealmente no superior a 50.000 habitantes. El equipo del CGU está constituido por
médicos y odontólogos generales, más los profesionales y técnicos (enfermeras,
matronas, nutricionistas, etc.), al cual se le agregará el tecnólogo médico para el
manejo del laboratorio básico que pueda poseer el establecimiento. El CGR está
ubicado generalmente en localidades de 2.000 a 5.000 personas y presta servicios a
la población de un área determinada que no exceda los 20.000 habitantes. El
equipo del CGR está compuesto por médico, odontólogo, enfermera matrona, otros
profesionales y técnicos apoyados por medios básicos de diagnóstico y tratamiento.
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.
El SSVSA está compuesto por veinticuatro consultorios generales que se

reparten en quince para Valparaíso, cinco para San Antonio, y los restantes, en uno
para Casablanca, Algarrobo, Cartagena y El Quisco. Existen dos comunas, El Tabo
y Santo Domingo, que carecen de este tipo de equipamiento, presentando solo
postas de salud rural.
El SSA está formado por doce consultorios generales que se distribuyen en

cada una de las diez comunas que pertenecen al Servicio, con la excepción de Los
Andes y San Felipe que exhiben dos. La principal característica de este SS es que
tanto la oferta como la demanda por servicios sanitarios se muestran espacialmente
compactas.
El SSVQ está integrado por treinta y seis consultorios generales, asignando

once a Viña del Mar, cinco a Quillota, dos a Puchuncaví, Quilpué, Villa Alemana,
Petorca, Calera y Nogales, y finalmente uno a Concón, Quintero, La Ligua,
Cabildo, Hijuelas, La Cruz, Limache y Olmué. Las comunas litorales de Papudo y
Zapallar están privadas de este tipo de equipamiento, mostrando solo postas de
salud rural.
11.3.2 Evaluación y presentación de esquemas de localización

óptima de CAPS
Una vez ejecutados los algoritmos de optimización, la distribución espacial
de los setenta y ocho CAPS en la región de Valparaíso (SSVQ = 38 + SSVSA = 26
+ SSA = 14), para el alcance máximo de servicio prefijado en 20 minutos de
acceso (ver tabla 11.1), permitiría cubrir una demanda potencial de 1.341.936
habitantes, correspondiente al 78,3% de la población regional, desatendiendo la
cobertura en 372.779 personas, que equivalen al 21,7%.
Este prudente aumento dotacional de equipamientos permitiría superar en

algunos puntos el límite psicológico que representa el 75% de cobertura, y se
podría calificar de moderada eficiencia, con el correspondiente aumento del

equilibrio en la provisión de servicios de atención primaria de salud.
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%.
Estado por Población según status socio-económico

Población
Servicio de Salud total Bajo Medio-bajo Medio Medio-alto Alto
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)
En relación a la distribución de la demanda potencial según intervalos de

tiempo a un CAPS (tabla 11.2), a nivel regional, la cobertura se desagrega en
580.643 para el rango de 0-10 minutos y 761.293 en el de 10-20 minutos. Así
mismo, se pueden observar las frecuencias, tanto relativa como acumulada, y en

ellas destaca que el reparto de los puntos porcentuales (p.p.) en cobertura permite
elevar hasta poco más de un tercio la población regional que accede en 10 minutos
como máximo a un CAPS. La distribución de la demanda potencial por SS según
intervalos de tiempo, en relación a los valores de la región, nos permite apreciar
que para los tramos que dan cobertura, el SSVQ presenta una leve pérdida en el de
0-10 min., y enseña un mínimo incremento para el de 10-20 minutos. El SSVSA
aumenta de manera clara la fracción para el de 0-10 minutos., y pierde una mayor
parte en el de 10-20 minutos. Se comporta de manera distinta el SSA, ya que logra
aumentar ligeramente la cobertura en el intervalo de 0-10 minutos y de forma
importante el de 10-20 minutos.
Servicio Rango Frecuencia Frecuencia Frecuencia

de Salud (en minutos) absoluta relativa acumulada
0 - 10 580.643 33,9 33,9

10 - 20. 761.293 44,4 78,3
Región de 20 - 30 267.251 15,6 93,8
Valparaíso 3,3
30 - 40 56.447 97,1
más de 40 49.081 2,9 100,0
Total 1.714.715 100,0
0 - 10 300.466 30,1 30,1
10 - 20. 450.053 45,1 75,3
Viña del Mar- 20 - 30 178.247 17,9 93,2

Quillota 30 - 40 39.457 4,0 97,1
más de 40 28.582 2,9 100,0
Total 996.805 100,0
0 - 10 187.920 40,6 40,6
10 - 20. 174.841 37,8 78,4
Valparaíso- 20 - 30 65.741 14,2 92,7
San Antonio 30 - 40 15.673 3,4 96,0
más de 40 18.317 4,0 100,0
Total 462.492 100,0
0 - 10 92.257 36,1 36,1
10 - 20. 136.399 53,4 89,5

20 - 30 23.263 9,1 98,6
Aconcagua
30 - 40 1.317 0,5 99,1
más de 40 2.182 0,9 100,0
Total 255.418 100,0
Tabla 11.2. Distribución de la población (2008) según intervalos de tiempo de acceso

al CAPS más próximo
En cuanto a la cobertura territorial, el esquema tras la adición de 6 nuevos

CAPS óptimos (figura 11.4) corrige a los descubiertos, como era de esperar,
mayoritariamente en los ámbitos urbanos de mayor jerarquía y en las localidades
rurales cercanos a ellos. Siguen quedando fuertemente penalizadas en acceso las
comunas litorales de Petorca y Zapallar (en el norte-SSVQ), El Tabo y Santo
Domingo (en el sur-SSVSA), las cuales no alcanzarían a tener una demanda
suficiente para ser candidatos a la instalación de algún tipo de estos equipamientos
(consultorio general urbano – consultorio general rural).
En el SSVQ la incorporación de dos nuevos equipamientos a la oferta

actual permite que las comunas de Quilpué y Viña del Mar mejoren en forma
amplia a sus residentes cubiertos, con la principal diferencia que ésta última
incorpora más población del status medio, y la primera del medio-alto. No
obstante, seguirían con peor acceso las localidades rurales de interior y costeras
identificadas en la situación actual (figura 11.4).
En el SSVSA la adición de dos nuevos equipamientos, solo beneficiaría a

la población residente en la ciudad de Valparaíso. Se seguiría desatendiendo
espacialmente a los ámbitos rurales desfavorecidos y se mantendría el ya descrito
efecto visual de polarización de la cobertura en los ámbitos urbanos (figura 11.4).
En el SSA la añadidura de dos nuevos equipamientos beneficia

principalmente a los ámbitos desfavorecidos, es decir, al anillo periférico de la
ciudad de San Felipe, más sus áreas rurales inmediatas, y al ámbito rural de la
comuna de Llaillay (figura 11.4). De este modo, los espacios sin cobertura
quedarían reducidos a las localidades rurales lejanas, inmersas en la cordillera de
Los Andes.
La ampliación de dos CAPS en cada SS no logra el mismo grado de

eficiencia (cobertura). El de Aconcagua es el que más la aumenta: más de 11 p.p.
sobre el escenario de la región, elevando los cubiertos a un 89,5%. El de
Valparaíso-San Antonio resulta casi igual de eficiente y se sitúa en segundo lugar
con 78,4%, mejorando en casi 10 p.p. Escapa a este contexto favorable el de Viña
del Mar-Quillota, que se presenta algo menos eficiente y que con un 75,3%, no
logra siquiera 5 p.p. de incremento en cobertura.
En términos de equidad espacial, si se compara el esquema recién descrito

con la situación actual, no se observa mejoría alguna en la población de status bajo
y medio-bajo de los SSVQ y SSVSA, debido a que los nuevos equipamientos
óptimos recaen en ámbitos urbanos de mayor jerarquía (ciudades de Valparaíso,
Viña del Mar y Quilpué) y de predominante mejor status. En cambio, en el SSA
sucede lo contrario, ganando más cobertura los ámbitos más desfavorecidos. Es
constatable que el modelo espacial del FSE en la región de Valparaíso (centro-
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
11.4 BALANCE Y CONCLUSIONES

Los estudios geográficos aplicados a la planificación y gestión territorial de
los servicios sanitarios ofrecen unas posibilidades notables de cara a evaluar las
condiciones espaciales existentes de la distribución de la oferta de centros de
atención primaria de salud (CAPS), en las que se pueden reconocer dónde están las
áreas servidas y/o marginadas, cuáles son los grupos socio-espaciales beneficiados
y/o penalizados, lo que de forma directa permite valorar en qué medida los
objetivos de eficiencia y equidad espacial se logran en beneficio de los habitantes
de la región.
La evaluación de las condiciones espaciales futuras se obtiene por medio

de análisis sustentados en sistemas de apoyo a las decisiones espaciales (SADE,
que en nuestro caso está compuesto de ArcMap + Flowmap) y permite el diseño de
escenarios de incremento dotacional óptimo de equipamientos sanitarios, utilizando
el modelo de localización-asignación Cobemax, a fin de justipreciar las ganancias
y/o pérdidas en eficiencia y equidad espacial.
Es por ello que en esta contribución se ha llevado a cabo un diagnóstico

adoptando una representación espacial basada en centroides de cada una de las
nuevas unidades estadísticas espaciales, que contienen información acerca del
status socio-económico, como “lugares de origen”; en centros de atención primaria
de salud georreferenciados en terreno, como “lugares de destino”, y en la serie de
arcos que componen la red vial de la región de Valparaíso, como “distancias,
tiempos o costes que implican los desplazamientos entre los lugares de orígenes y
destinos”.
Los argumentos esgrimidos en las justificaciones metodológicas y la

ejecución del método allí descrito, utilizando el software de optimización
Flowmap, posibilitaron examinar las relaciones espaciales entre el status socio-
económico de la población y el acceso a servicios y equipamientos públicos de
salud, asumiendo como premisa general la búsqueda de la eficiencia y equidad en
la orientación de las actuales y futuras políticas concernientes a la distribución y
organización espacial de los servicios sanitarios.
Si nos referimos a la cobertura territorial (eficiencia) por SS, el esquema

tras la ubicación óptima de los seis nuevos CAPS óptimos, mejora a los
descubiertos, como era de esperar, mayoritariamente en los ámbitos urbanos de
mayor jerarquía y en las localidades rurales cercanas a ellos.
En términos de equidad espacial, si se compara el esquema con la

situación actual, no se observa mejoría alguna en los status bajo y medio-bajo de
los SSVQ y SSVSA, en cambio en el SSA sucede lo contrario, ganando más
cobertura los ámbitos más desfavorecidos. Es constatable, que el patrón territorial

del status socio-económico de la población en la región de Valparaíso 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 hace patente una injusticia territorial en cuanto
al acceso, que resulta de la localización de población en asentamientos urbanos de
menor jerarquía y en el medio rural, los cuales tienden además a poseer status
socio-económico inferior.
El planteamiento metodológico adoptado y la representación visual de los

datos cuantitativos en cuadros y cartografía temática del tipo “araña” (que
relaciona con líneas los puntos de oferta y los puntos de demanda asignados a cada
uno de ellos) han evidenciado su efectividad para individualizar los puntos de
demanda potencial que se encuentran a una distancia menor o mayor que la
prefijada a los CAPS. Desde el punto de vista de las políticas futuras referidas a la
construcción de equipamiento sanitario ello posibilitaría priorizar la apertura en los
sitios candidatos más convenientes, según el criterio adoptado aquí.
12Capítulo 12
EVALUACIÓN DEL SISTEMA DE RECOGIDA

DE RSU. LOCALIZACIÓN DE CONTENEDORES
DE RSU EN ALCALÁ DE HENARES, ESPAÑA
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.
Uno de los objetivos centrales de dicho proyecto fue la generación de un

Sistema de Información Geográfica (SIG), en el que incorporar toda la información
espacial y temática relacionada y relativa a la prestación municipal de los servicios
de recogida de residuos sólidos urbanos y de limpieza viaria en la ciudad.
En principio, el sistema debería atender a las condiciones y prioridades

fijadas por el consistorio en la convocatoria de ayudas del proyecto: (a) elaborar un
diagnóstico de la actual gestión; (b) establecer criterios para medir el grado de
eficiencia y/o calidad de los servicios; (c) plantear posibles mejoras de los mismos,
etc. Sin duda, los SIG y muchas de las funciones analíticas que incorporan podrían
ser de gran utilidad y ayuda para abordar estos aspectos y, con él, el
correspondiente departamento municipal dispondría de una herramienta de
reconocida utilidad en el análisis y gestión territoriales, en este caso orientada a la
prestación de esos servicios concretos.
Al igual que lo es la propia realidad urbana, la gestión de los servicios

municipales es compleja; se caracteriza por demandar, hacer uso y generar
abundante información, de todo tipo, pero entre ella la territorial o geográfica
ocupa un lugar destacado. Además, suele ser información muy dinámica,
cambiante, necesitada de continuas actualizaciones.
Es cierto, y suficientemente demostrado, que los SIG facilitan el manejo de

grandes volúmenes de información y que permiten analizar las distintas facetas de
cualquier problema con mayor profundidad y rapidez. Pero parece oportuno
recordar que la tarea de plantear y organizar un SIG destinado a la gestión
municipal nunca resulta sencilla.
La gran cantidad de variables que se necesitan para abarcar cualquiera de

las múltiples facetas de la vida urbana; el volumen y dinamismo de la información
que cualquiera de ellas genera; la necesidad de contar con un tipo de información
muy precisa, de calidad, que no introduzca excesivos errores de localización que
puedan traducirse en análisis erróneos posteriores, etc., son algunas de las
dificultades a las que hay que hacer frente.
Porque en muchas ocasiones, a esta escala de trabajo, la información de la

que se parte carece de unos mínimos niveles de precisión, calidad, etc., necesarios
para asegurar resultados aceptables en la aplicación de los diversos modelos
incorporados en los SIG y, por tanto, para que estos puedan ser de utilidad y
considerados en la planificación territorial y en la toma de decisiones con las que se
enfrentan estos niveles de la Administración Pública.
12.1.1 Los servicios de recogida de RSU y limpieza viaria

No es objetivo de este trabajo la discusión y reflexión sobre los problemas
que, en muchas ocasiones, plantean los datos geográficos, sobre su calidad, etc., así
como tampoco lo es la de realizar una revisión crítica del conjunto de técnicas y
procedimientos orientados a la localización-asignación de equipamientos,
suficientemente tratados en la bibliografía especializada. Por el contrario, el grueso
del capítulo se centra en mostrar algunos ejemplos de las posibilidades de
aplicabilidad de técnicas incorporadas en los SIG, profusamente empleadas y
aplicadas en diferentes estudios sobre servicios públicos, al caso de los servicios de
recogida de residuos sólidos urbanos y limpieza viaria de las ciudades.
Porque la recogida de basuras y la limpieza de calles son otros de los

servicios asumidos tradicionalmente por la Administración Local de nuestro país,
destinados a asegurar la seguridad, higiene y salubridad públicas entre la
población.
© RA-MA CAPÍTULO 12. EVALUACIÓN DEL SISTEMA DE RECOGIDA DE RSU... 303
La legislación española consuma la consideración de ambos servicios

como públicos. La Ley 42/75 sobre Desechos y Residuos Sólidos Urbanos
(modificada por el Real Decreto Ley 1163/86 de Recogida y Tratamiento de
Residuos Sólidos Urbanos) hace corresponder a la Administración Autonómica la
formulación de planes de gestión de residuos y, al mismo tiempo, establece
claramente que todos los municipios tienen entre sus atribuciones el prestar el
servicio de recogida de residuos urbanos. Por su parte, en la Ley 7/85 Reguladora
de las Bases de Régimen Local se establecen unos servicios mínimos que deben ser
prestados por la Administración Local, como la gestión de su recogida (y su
tratamiento en municipios mayores de 5.000 habitantes) y la limpieza viaria,
reafirmando la condición pública de este tipo de prestaciones.
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.
No obstante, antes de plantear la aplicación de tales modelos, es

conveniente advertir sobre algunas peculiaridades de estos servicios, que influirán
en el planteamiento y definición de los mencionados modelos:
• La demanda: se identificaría, como en otros casos, con el conjunto de la

población cuyas necesidades a cubrir, aquí, serían la limpieza del
entorno en el que desarrollan sus actividades cotidianas y la retirada de
sus basuras domiciliarias.
• La oferta: que se presentaría bajo formas diferentes, unas veces se

trataría de “instalaciones”, como contenedores, papeleras, etc., y otras se
relacionaría con los medios materiales (maquinaria de limpieza, por
ejemplo) y personales (los barrenderos, por ejemplo) que se ponen a
disposición del servicio.
• La eficiencia espacial: definida por la componente privada que, en

muchos casos, subyace en la prestación del servicio.
Aunque, como sucede en el caso de Alcalá de Henares, las actividades

relacionadas con la prestación de los servicios las realice una empresa
privada, bajo la modalidad administrativa de la concesión, siguen siendo
servicios públicos pues, al fin y al cabo, su financiación procede del
erario.
La empresa concesionaria busca maximizar sus beneficios económicos,

mayores en la medida en que se logre el tamaño y emplazamiento que
maximice el consumo del servicio (Bosque Sendra y Franco Maass,
1995). Pero también, los beneficios de “prestigio”, medidos en actitudes
favorables de la población y de la Administración hacia el servicio, son
tenidos en cuenta por estas empresas ya que, en gran medida, de ello
depende las posibles prórrogas, ampliaciones o renovaciones de unos
contratos que se rigen por el sistema de concurso público.
• La justicia espacial: como servicio público los criterios de justicia o

equidad espacial y social deben estar asegurados. Se trata de conseguir
la accesibilidad de toda la población al servicio, unas veces en términos
de distancia (por ejemplo, asegurando distancias aceptables hasta
contenedores o papeleras para acercar y hacer más cómodo el servicio al
ciudadano), y, otras, medida como accesibilidad temporal total que, en
este caso, estaría tan solo limitada, por ejemplo, por los horarios
establecidos para el depósito en contenedor de la basura o por la propia
jornada laboral del personal de la empresa concesionaria.
Como se ha apuntado con anterioridad, el interés de los ejemplos

presentados en este capítulo no reside tanto en la utilización de este tipo de
herramientas y metodologías como en la aplicación de las mismas para el estudio
de una problemática que, en nuestra opinión, no ha recibido demasiada atención y
tratamiento en el ámbito de los SIG, como es la que se genera en las primeras fases
de la gestión de los residuos urbanos (la pre-recogida y la recogida) y en el
servicio de la limpieza viaria en las ciudades.
Servicios que, como se ha podido comprobar, tienen un claro componente

espacial y ocupan un lugar destacado en el conjunto de la gestión municipal, con
implicaciones y repercusiones de calado sobre múltiples aspectos de la misma que,
finalmente, acaban incidiendo sobre la calidad de vida y/o bienestar de la
población. Unos servicios que además, y al igual que otros servicios prestados por
la Administración, cercanos al vivir cotidiano del ciudadano, se convierten en un
elemento clave para juzgar la gestión y, en general, las políticas de los gobiernos
municipales.
12.2 LOS PROBLEMAS DE LA INFORMACIÓN EN EL

MEDIO URBANO
Además de evidenciar una vez más el potencial de los SIG y este tipo de
modelos de localización-asignación en tareas de planificación, evaluación, etc., en
el ámbito de la gestión municipal, en este capítulo también se hace un breve repaso
a ciertos problemas que se presentaron en concreto en esta investigación. No se

quiere ir más allá de plasmar la experiencia y señalar alguna de las dificultades
reconocidas a lo largo de la misma, a modo de lecciones aprendidas a tener en
cuenta y/o traspuestas en estudios o trabajos que aborden problemáticas similares
en el contexto urbano.
Se ha constatado que muchos de los problemas a la hora de abordar la

generación de un SIG en el medio urbano y, por tanto, para aplicar modelos y
análisis similares a los propuestos en esta investigación, son, básicamente y en
principio, derivados de la distinta procedencia y calidad de la información espacial.
En gran medida, la mayor exigencia a la información se justificaba en esta

investigación por el propio objetivo general que se perseguía con el SIG: la
evaluación de la gestión de los servicios.
La variada procedencia de la información de partida utilizada

(Ayuntamiento de Alcalá, Comunidad de Madrid, empresa concesionaria, etc.) y la
muy distinta calidad de la misma condicionaron, sin duda, los tipos de análisis a
plantear en la propuesta. Aunque se contaba, en teoría, con un aceptable nivel de
desagregación de la información (datos demográficos del Padrón municipal a nivel
de edificio, localización de contenedores distribuidos por la empresa concesionaria
para la prestación del servicio, callejero digital de la ciudad, etc.), el nivel de
detalle de la misma no era el más adecuado para implementar determinados
procedimientos.
Por otra parte, siempre es recomendable ser un tanto prudente a la hora de

plantear modelos como estos y es conveniente advertir que la aplicación de estos
siempre supone una aproximación, más o menos grosera a la realidad; una
“obviedad” que no siempre lo es para usuarios poco familiarizados con estas
técnicas.
Como apuntan Moreno Jiménez y López de los Mazos (1989), el interés y

valor de los modelos de localización está en su potencial para informar y valorar
situaciones reales, explorar soluciones, etc. Sin embargo, en este caso, para evaluar
y valorar la gestión de los servicios de recogida de residuos y de limpieza viaria
como era intención del Ayuntamiento, se debería exigir a tales modelos una mayor
“operatividad”, una aplicabilidad efectiva al proceso de toma de decisiones, algo
difícil porque, como reconocen los mismos autores, de por sí, en estos modelos la
simplicidad de las formulaciones ensayadas limita bastante la aplicabilidad real de
las soluciones por ellos ofrecidas (Moreno Jiménez y López de los Mazos, 1989).
Y, como se puede suponer, el empleo de una información de escasa calidad para su
implementación agrava aún más esta limitación.
En nuestra investigación, el grado de precisión, exactitud, exhaustividad,

etc., requerido y exigido debía ser considerable, básicamente porque era mucho lo
que estaba en juego: determinar si la empresa concesionaria de los servicios
abastecía realmente las necesidades del conjunto de la población de Alcalá de
Henares.
Para el planteamiento de este tipo de modelos a escala de trabajo urbana es

necesario, al menos muy recomendable, disponer de información de partida precisa
y de calidad; cualquier pequeña desviación de la realidad en la localización, por
ejemplo, de puntos de oferta y/o de demanda (en este caso, contenedores y
viviendas) puede incorporar errores importantes en la definición de estos análisis y,
por tanto, tener implicaciones negativas sobre la evaluación del servicio.
En este tipo de servicios (sobre todo en la recogida de residuos urbanos),

donde los desplazamientos de la población para hacer uso de los mismos son
realizados a pie, el problema de la distancia puede llegar a adquirir una especial
relevancia y cualquier ampliación de la misma puede redundar en la percepción
que se tiene de la calidad en la prestación del mismo. Más aún, puede implicar
ineficiencia y/o injusticia en la distribución de los equipamientos.
La diferente procedencia de la información incorporada al SIG está, en

muchos casos, condicionando la calidad del mismo al no darse, por ejemplo,
correspondencia espacial exacta entre estratos temáticos.
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.
Lógicamente, y tal como señala Bosque Sendra (1992), la distancia lineal

no es la más adecuada para utilizar en casos como éste en donde la existencia de
una red (el viario de la ciudad) está ya indicando que los movimientos solo son
posibles a través de ella. Además, algunos programas, como el utilizado en este
estudio51, trabajan bajo raster para ejecutar modelos de localización-asignación y,
por tanto, no posibilitan incorporar distancias a través de una red. Así, la
aproximación a soluciones “realistas” se ve de nuevo dificultada.
Se apunta a continuación alguno de los principales inconvenientes con los

que se encontró la investigación, muchos de ellos derivados de la incorporación y
utilización en el SIG de determinadas coberturas de referencia, y se intenta mostrar
cómo esto puede llegar a condicionar, en parte, la calidad de otra información
generada y, por tanto, incidir en el desarrollo de este tipo de modelos:
En este caso, el sistema de red estaría definido por el callejero de la ciudad

de Alcalá de Henares que posee algunas peculiaridades.
Procedente del callejero digital de la Comunidad de Madrid 1996 y

actualizado con cartografía municipal, se trata de una cobertura vectorial de líneas
que representa los ejes centrales de cada calle. Implica, por tanto, una
generalización que estaría introduciendo ya una primera imprecisión, agravada si
se tiene en cuenta que algunas de las nuevas coberturas generadas fueron referidas
a este callejero. Aquí la generalización suponía desplazar localizaciones, por
ejemplo las de puntos considerados de origen y de destino, o de oferta y demanda
(contenedores y edificios, respectivamente), en algunos casos (por ejemplo, en
grandes avenidas urbanas) hasta 10 metros.
La utilización de los ejes como sistema de red lleva a no considerar, por

ejemplo, las dobles calzadas de determinadas calles o grandes avenidas, o las vías
peatonales, los pasos entre bloques de viviendas, etc., de gran relevancia en la
prestación y/o utilización de este tipo de servicios.
El proceso de traspaso de la información analógica facilitada por la

empresa concesionaria y el Ayuntamiento de la ciudad al SIG (mapas de
organización de rutas de recogida, distritos de limpieza, etc.), de por sí, implicaba
una primera imprecisión y la posibilidad de introducir errores. A lo que se une el
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
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.
Por otra parte, se partía de coberturas que, repitiendo lo apuntado

anteriormente, tenían distinta procedencia, algunas de nueva generación, y todas
referenciadas con respecto al callejero de la ciudad. Las de mayor interés para la
aplicación de algunos de estos modelos serían las que recogen los puntos de oferta
y de demanda.
El proceso de georreferenciación del Padrón Municipal de Habitantes de

1996 (facilitado por el Ayuntamiento de Alcalá de Henares y actualizado a octubre
de 2000) permitió localizar sobre el callejero los puntos de demanda del servicio,
un conjunto importante de edificios con información demográfica asociada52.
Como se constató, en este proceso se asume un cierto grado de error, no solamente
motivado por la pérdida de parte de la información (en este caso no se localizaron
640 edificios, en torno al 10% del total, consecuencia de la falta de
correspondencia entre las direcciones recogidas en el Padrón y las asignadas en
cada arco del callejero), sino también por la “aleatoria” asignación de
localizaciones a lo largo de cada arco que realiza el método de geocodificación de
direcciones.
Este método conlleva desplazar los edificios desde su ubicación original al

eje de la calle y, además, cuando son varias las direcciones registradas para un
mismo arco, éstas se distribuyen regularmente a lo largo de la longitud del mismo.
En nuestro caso, esto supuso en ocasiones que, por ejemplo, en barrios de
edificación abierta, constituidos por bloques de viviendas aislados, estos
desplazamientos fueron significativos, en torno a los 100 metros. En parte, esto
podía cuestionar la validez y utilidad de esta información para aplicar análisis de
este tipo, no tanto para plantear estos modelos como para la evaluación del nivel de
dotación y atención prestada a las necesidades de la población (objetivo
fundamental de la investigación).
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).
de oferta (contenedores de recogida de RSU). Esta información fue facilitada por la

empresa concesionaria del servicio en un archivo digital, en el formato de uno de
los programas de diseño gráfico más difundidos, posteriormente convertido en un
estrato temático del SIG.
Se pudo comprobar que no siempre la ubicación de los contenedores en

dicha capa era la real; algunos casos observados, como la localización de
contenedores ocupando calzadas, o incluso manzanas de edificios, en puntos de
recogida donde su número era elevado, venían a confirmar estas dudas,
evidenciaban que esta información podría tener para la empresa más valor gráfico
que de localización exacta.
Dentro de esta cobertura, los contenedores aparecían, como suele ser

habitual, ubicados sobre las aceras, alejados del eje de calle. La cobertura de puntos
de demanda (los edificios) había sido generada en relación al callejero y, ahora,
para dar mayor coherencia al conjunto de información contenida en el SIG, se
debería proceder de la misma forma con los puntos de oferta, aproximándolos
también a los ejes de calle. Esto implicó incorporar más imprecisión en una
localización de la que no se tenían suficientes garantías de exactitud.
Pero, ¿cómo se podría mejorar la calidad de la información y, por

extensión, la utilidad que estos modelos de localización pueden tener en el estudio
de este tipo de servicios en medios urbanos? Al respecto, en nuestra opinión y
teniendo siempre presente la finalidad perseguida en la investigación, se pueden
hacer algunas breves consideraciones.
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.
La calidad de la información municipal se verá considerablemente

mejorada, aumentando su interés, utilidad y eficacia para la gestión y planificación,
si se concibiera como una verdadera base de datos territorial y se abandonara la
tradicional concepción “cartográfica” de la misma, aún vigente en muchas
administraciones de nuestro país.
En este caso, las recomendaciones para mejorar la información territorial

del Ayuntamiento de Alcalá de Henares se centraron en los siguientes aspectos: (1)
incorporación de información asociada a los edificios de la ciudad, como por
ejemplo información demográfica básica, de gran interés para cualquier estudio
territorial, (2) exigencia de mayor exactitud en la localización, por ejemplo, de los
puntos de oferta (los contenedores de recogida de residuos), una base de datos que
recogiera la posición de los mismos en coordenadas x e y, (3) en relación al sistema
de red, revisión y actualización del callejero de la ciudad, incorporando en el
mismo todos aquellos tipos de vía no recogidos hasta el momento,
fundamentalmente las peatonales.
12.3 APLICACIÓN DE LOS MODELOS DE

LOCALIZACIÓN-ASIGNACIÓN EN EL SERVICIO
DE RECOGIDA DE RESIDUOS
Los modelos de localización-asignación constituyen, como se ha apuntado
en capítulos anteriores, un conjunto de modelos matemáticos incorporados en los
análisis de redes que se han ido incluyendo en la mayoría de los SIG.
Se puede resumir su objetivo en la determinación de la “mejor”

localización, la “óptima”, de cualquier fenómeno (Bosque Sendra, 1992); las
aplicaciones más habituales tienen que ver con la localización de equipamientos o
instalaciones de servicios (deseables o no deseables, en función de si en ellos
predominan las externalidades positivas o negativas, respectivamente), para los que
se busca la más adecuada para su instalación, en función de la demanda (los
usuarios potenciales de los servicios) y la distancia a recorrer para obtener los
servicios que en ellos se ofrecen.
Conceptos como oferta, demanda, distancia entre ambos, eficiencia y

justicia espaciales son fundamentales en la aplicación de este tipo de modelos.
En este apartado se quiere mostrar un ejemplo de las posibilidades que este

tipo de modelos pueden ofrecer en la planificación futura del servicio de recogida
de residuos en la ciudad de Alcalá de Henares.
12.3.1 La localización óptima de los contenedores en el barrio

de La Garena (Alcalá de Henares)
La ciudad de Alcalá de Henares viene conociendo en los últimos años un
importante desarrollo urbanístico que ha supuesto la aparición de nuevos barrios,
fundamentalmente en los sectores norte y oeste de su término municipal.
Hacia el año 2001, momento en el que se desarrolló esta investigación,

estos barrios se encontraban todavía en fases iniciales de ocupación y se pensó que
podían convertirse en un buen campo de experimentación para la determinación de
las futuras necesidades dotacionales a atender por la Administración Local. Entre
esas necesidades se encontraban las referidas a los servicios de recogida de
residuos urbanos y limpieza viaria.
Barrios como La Garena, Residencia de Ancianos o ciertos sectores de El

Ensanche son algunos de los desarrollos urbanísticos de mayor envergadura de la
ciudad y que, según los datos del Padrón Municipal de Habitantes de 1996
(actualizado a octubre de 2000), poseían en ese momento un grado de ocupación
muy escasa, no superando en algunos casos los 100 residentes. Pero las previsiones
de construcción de viviendas recogidas en los Planes Parciales de Ordenación
Urbana permitían estimar poblaciones en torno a los 4.000 habitantes e, incluso,
más de 25.500 para el conjunto de El Ensanche. Por ello, se ha decidido aplicar, a
modo de ejemplo, el modelo para la localización óptima de contenedores en uno de
estos barrios, La Garena.
La elección de este sector estuvo motivada, aparte de por disponer de una

información amplia y completa del mismo, por el hecho de ser en su momento uno
de los desarrollos urbanísticos más recientemente planificados, todavía con la
mayoría de sus promociones sin concluir, y que, por su dimensión espacial, por sus
características, por los diferentes usos que integra, etc., se suponía iba a tener
importantes repercusiones sobre la futura gestión municipal.
No se buscaba tanto obtener un resultado preciso, próximo a la realidad

urbanística de este barrio, como mostrar el funcionamiento de este tipo de modelos
en la resolución de estos problemas, así como su utilidad para facilitar una primera
aproximación a la futura planificación del servicio.
En el informe Consorcio Urbanístico Alcalá-Garena (1999) se recogía una

profusa descripción de la intervención urbanística prevista en este sector del
término municipal alcalaíno. En él se especificaban claramente los sectores y
parcelas urbanísticas destinadas a usos residenciales, indicando también el tipo y
número de viviendas que se preveía construir en cada una de ellas. Los límites de
las parcelas coincidían con el viario del barrio, que es el que también recoge la
cobertura del callejero digital de la ciudad.
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
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.
El objetivo de partida para esta aplicación: determinar la localización/

distribución de contenedores de recogida de residuos (en este caso de
“contenedores verdes”)53 más adecuada para atender las futuras necesidades de la
población de este barrio, teniendo en cuenta la distancia aconsejable que, según
algunas fuentes bibliográficas, deben separar unos de otra.
Se optó por utilizar el modelo de máxima cobertura (Cobemax) por

considerarse que era el que mejor se adapta a este tipo de problema. Con él se
pretende definir la localización de un número determinado de contenedores en La
Garena, de tal manera que con ella se maximice la cantidad de demanda o
población que la instalación debe servir dentro de una distancia fijada, de forma
que ningún usuario del servicio tenga que recorrer distancias superiores a 100
metros (distancia máxima aconsejable, OCU, 2000a) para depositar sus basuras en
un contenedor.
Para aplicar este modelo, incorporado en el programa LOCALIZA, se

exigen una serie de requisitos (Bosque et al., 2006; Bosque et al., 2007) que se
describen a continuación, al mismo tiempo que se va apuntando la información de
partida y sus características para este caso concreto:
Necesidad de datos en formato raster

Como ya se ha mencionado, para la aplicación de estos modelos se recurrió
al programa LOCALIZA, una aplicación que trabaja bajo el entorno de un SIG de
tipo raster (IdrisiW) y con información puntual.
Para aplicar el análisis fue preciso generar nuevas imágenes raster en el

formato de IdrisiW, con una resolución de celda de 2 × 2 metros que fue
considerada como suficiente para esta aplicación y para representar la totalidad de
los edificios y demás elementos existentes en las capas vectoriales originales.
También era necesario contar con archivos de valores (los .VAL de

IdrisiW) en los que se recogiera, además de los identificadores únicos de los puntos
de oferta y de demanda, el valor de demanda asociado a cada punto.
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.
Determinar puntos de demanda y puntos candidatos de oferta

En este caso, los puntos de demanda coincidirían con los edificios
existentes en La Garena; en total, según el informe del Consorcio Urbanístico
Alcalá-Garena (1999), 737 edificios que vendrían a suponer, según las previsiones
del mismo documento, unas 2.079 viviendas.
Como ya se apuntaba, en la cobertura inicial cada uno de esos edificios

(ahora puntos de demanda) tenía asignado un identificador único, recogido también
en el archivo de valores en que, además, se asociaba un valor de demanda para
cada uno de ellos.
La demanda, en este caso, fue medida como producción diaria de residuos.

Para su cálculo se partió de la información sobre número de viviendas prevista en
cada parcela del nuevo barrio; con este dato resultaba sencillo hacer una estimación
de población residente en cada una de las parcelas, y, por tanto, en cada edificio y
vivienda, teniendo en cuenta que, según las proyecciones de población y tamaño de
los hogares madrileños para 2006 recogidas en la Consejería de Economía (1994),
el número medio de miembros estimados por vivienda en el Área Metropolitana de
la región sería de 2,8. La población en La Garena podría llegar a superar los 5.800
habitantes para ese año.
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).
LOCALIZA también exige la identificación de la imagen que contiene los

puntos candidatos a recibir la oferta (los “contenedores verdes”).
Según la Consejería de Medio Ambiente (1997), la ubicación idónea de los

puntos de recogida de residuos debería coincidir con las rutas habituales de los
ciudadanos, cruces de calles, esquinas, etc. y, preferentemente, cercanos a puntos
comerciales. Para Hontoria y Zamorano (2000), ésta es la ubicación ideal para la
localización de contenedores al ser zonas de clara referencia para la población.
Siguiendo estas indicaciones, todas las intersecciones de arcos presentes en el
callejero (los cruces de calles) deberían ser susceptibles de recibir la ubicación de
puntos de oferta, en función de la cantidad de residuos generados y de las
distancias consideradas.
Pero, aparte de la identificación de los puntos candidatos, también se debe

indicar al programa el número exacto de equipamientos que se desea instalar como
otro de los requisitos del mismo.
El número óptimo de contenedores se relaciona en la mayoría de la

bibliografía consultada con la población a la que debe servir. Así suele
considerarse que la cifra a alcanzar para un adecuado grado de dotación se debería
situar en torno a un contenedor por cada 200 habitantes (Junta de Residuos, 1994;
Consejería de Medio Ambiente, 1997). Al aplicar este ratio a las previsiones de
población de La Garena se tenía que para atender las necesidades futuras del barrio
se necesitaría instalar unos 30 contenedores.
Determinar el alcance espacial del servicio

Los modelos incorporados a este programa pueden solicitar, como es el
caso, la restricción de distancia o alcance espacial que posee el servicio. En
realidad, aquí, se trataría de fijar una distancia (medida en las mismas unidades en
que están expresadas las imágenes, en metros) considerada como aconsejable para
hacer uso del servicio, para depositar la basura en contenedor.
El recurso, de nuevo, a la bibliografía permitió fijar esta distancia en 100

metros. Las características de este tipo de servicio, en el que se exige la
colaboración voluntaria de la población, parecen recomendar esta distancia como
límite para garantizar un servicio eficiente y cómodo para el ciudadano; es
aconsejable que toda la población tenga un contenedor de recogida de residuos a
menos de 100 metros de su domicilio.
Pero en los análisis en formato raster las distancias se miden como

distancias lineales o euclidianas; los desplazamientos hacia los puntos de oferta se
basan en la línea recta. No obstante, como señala Ramírez (2002), esta limitación
no ha impedido resultados satisfactorios de localización en las numerosas
experiencias que han utilizado este tipo de modelos.
Además, el programa LOCALIZA permite análisis utilizando las

denominadas distancias Manhattan, en un intento por simular mejor los
desplazamientos habituales de los usuarios, especialmente en recorridos a través de
medios urbanos donde la línea recta es un tanto irreal (Ramírez, 2002). Estas
distancias implican incorporar un mayor coste en los desplazamientos entre puntos
de demanda y oferta al optar por movimientos que evitan la línea recta,
realizándose a través de los catetos de un triángulo recto simulado que separaría
ambos puntos.
En la tabla 12.1 se resumen los parámetros utilizados para la aplicación del

modelo de máxima cobertura a la localización de “contenedores verdes” en La
Garena.
La Garena (Alcalá de Henares)

PTO. DEMANDA (edificios) 737
PTO. OFERTA (contenedores) 30
PTO. CANDIDATOS (intersecciones) 67
DISTANCIA MÁXIMA 100 m
Tabla 12.1. Parámetros para la aplicación del modelo de localización-asignación

Fuente: Elaboración propia. Consorcio Urbanístico Alcalá-Garena (1999), OCU (2000)
En la Figura 12.1 se puede comprobar la distribución de los 30

contenedores a instalar en La Garena y los edificios asignados a cada uno de ellos.
Cada contenedor ha sido localizado en una intersección, un centro ponderado
donde, teóricamente, se cumplen criterios de justicia y eficiencia espaciales para el
mayor número posible de usuarios; del total de puntos candidatos en La Garena, 37
han debido ser desestimados. Hay que tener en cuenta que se trata de modelos
heurísticos y que el resultado aquí mostrado es uno de los muchos que asegurarían
los requisitos fijados para la localización de contenedores.
Como se puede observar en el mismo mapa, la asignación, en algunos

casos, se ha realizado de manera poco satisfactoria. Los edificios han sido
asignados a los contenedores más cercanos pero sin tener en cuenta, como cabría
esperar al utilizar este tipo de SIG raster, la presencia de una red viaria entre ambos.
Quizá, el plantear este tipo de análisis cuando, como en este caso, la red viaria
juega un papel fundamental no resulte del todo realista. Si se deseara una mayor
precisión, tal vez, sería necesario recurrir a plantearlos desde SIG de tipo vectorial.
No obstante, y salvando esos casos puntuales, el resultado parece bastante
satisfactorio.
Los resultados numéricos que se recogen en dos archivos de texto vienen a

confirmar que los recorridos máximos a realizar desde los puntos de demanda no
superan en la mayoría de los casos los 100 metros; tan solo para 9 de esos puntos
de oferta el modelo ha tenido que asignar edificios situados a distancias superiores.
Si se acepta la relación de metros recorridos en ciudad/tiempo propuesta por
Merlín, 196754 (citado en Escobar Martínez, 1996), estas distancias suponen
desplazamientos de los usuarios a contenedor de hasta 2 minutos en los casos más
extremos.
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.
Un aspecto interesante a analizar en estos resultados es el referido al

tamaño de la demanda que se asigna a cada punto de oferta, es decir, la cantidad
máxima de residuos (kg/día) que corresponde a cada uno de los contenedores. En
ningún caso los valores superan los 1.000 kg/día, siendo el valor máximo de
demanda que se registra de 476,29 kg/día. Pero hay que tener en cuenta que aquí se
ha considerado solo la producción de residuos en los hogares; habría que
considerar también la demanda procedente de otros agentes productores, como por
ejemplo los comercios.
Figura 12.1.Localizaciones óptimas de contenedores definidas por el modelo Cobemax. La Garena

(Alcalá de Henares). Fuente: Elaboración propia. Consorcio Urbanístico Alcalá-Garena (1999),
URBASER (2000)
En la época en la que se desarrolló esta investigación, la empresa

concesionaria estaba extendiendo la “recogida lateral”55 en la mayor parte de la
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.
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.
Pero, según CCAAPP (2001a), y atendiendo a los valores de densidad de

residuos en contenedor utilizados habitualmente57, este tipo de contenedores
podrían albergar más de 1.000 kg de residuos al día, cifra bastante superior a los
datos de demanda estimados por el modelo en cada punto. Así, se proponía que si
la empresa quisiera rentabilizar al máximo estos contenedores, tal vez, podría
pensar en una reducción de su número y, por tanto, ampliar las distancias máximas
a recorrer por parte de los usuarios. O, como alternativa, mantener el número de
contenedores establecido para la aplicación de este modelo, así como la
distribución resultante del mismo, y reducir la capacidad de los contenedores a
instalar.
Dadas las características de estos barrios, donde la vivienda de tipo

unifamiliar adquiere un peso importante, quizá sería esta última opción la más
acertada, manteniendo criterios de justicia y eficiencia espacial, al mismo tiempo
que se racionaliza el uso de medios.
12.4 GENERACIÓN DE ÁREAS DE INFLUENCIA DE LOS

“CUARTELILLOS” DE LIMPIEZA VIARIA
Como su propio nombre indica, este tipo de análisis, también incorporados
entre las aplicaciones de los SIG, permite determinar áreas en torno a un centro que
actúa como proveedor de servicios; las áreas de influencia son asignadas teniendo
en cuenta varios factores que son los que intervienen en su definición:
• La distancia que separa los diversos puntos de un área y el centro al que

se van a asignar.
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.
• La capacidad del propio centro proveedor. En la mayoría de los casos la

capacidad se identifica como volumen total de oferta de un determinado
bien o servicio existente en dicho centro.
• La cantidad de demanda de un determinado servicio existente en el
área que rodea al centro y que, potencialmente, puede hacer uso del
mismo.
La definición de las áreas de influencia puede ser considerada como un

procedimiento para medir la accesibilidad, la mayor o menor facilidad que la
demanda tiene para acceder o hacer uso de una oferta determinada (Bosque Sendra,
1992). Sin duda, este tipo de análisis puede resultar de interés y tiene gran utilidad
y amplias aplicaciones prácticas en diferentes campos de la planificación y gestión
de servicios.
Aunque difiera un tanto de la línea seguida a lo largo de este libro, no

utilice el mismo tipo de programas SIG para su resolución y no haga referencia
explícita a los modelos de localización-asignación, el hecho de incluir conceptos
muy relacionados y próximos a estos últimos justificaría la inclusión de este
análisis en esta obra.
Con el fin de continuar analizando las posibilidades que ofrecen el

conjunto de técnicas y métodos incorporadas en los SIG en las cuestiones
relacionadas con la prestación de los servicios de recogida de residuos y limpieza
viaria, y el papel que pueden desempeñar en las tareas de planificación de los
mismos, se propone aquí la utilización de este tipo de análisis para el caso concreto
de la limpieza viaria.
12.4.1 Organización del servicio de barrido manual en Alcalá

de Henares
En su momento, la empresa concesionaria del servicio en Alcalá de
Henares, buscando racionalizar tiempos y desplazamientos de los operarios de
barrido manual y, al tiempo, mejorar la operatividad y calidad del mismo, había
distribuido cuatro “cuartelillos” en diferentes puntos de la ciudad, situados en la
Calle Andújar, en la antigua ubicación de la plaza de toros (confluencia de la
Avenida de Guadalajara y la Plaza de España), en el Parque de Gilitos y en el
entorno de la Puerta de Madrid (Figura 12.2).
Algunos autores como IEAL (1977) apuntan que la organización más

racional de los servicios de barrido manual parece ser la basada en lo que
denominan “cantón” o “sector”, es decir, la asignación de un cuadro geográfico de
trabajo predeterminado a cada grupo de obreros.
Se puede decir que los “cuartelillos” en el caso de Alcalá de Henares

funcionan como bases de aprovisionamiento, locales en los que se almacena el
material y las herramientas (carritos portacubos, palas, escobas, bolsas, etc.) que
usualmente son utilizados en las tareas de barrido. A ellos deben acudir los
barrenderos al inicio de su jornada laboral para la recogida del equipo de trabajo e,
igualmente, al final de la jornada, para el depósito del mismo.
Cada uno de estos “cuartelillos” tenía asignado un conjunto de distritos de

barrido58 con los que se cubría la totalidad de los más de 89.000 metros de calle
que la empresa concesionaria ofertó en 1999 para atender con esta técnica la
limpieza viaria de la ciudad (URBASER, 1999).
Figura 12.2. Distritos de barrido manual por “cuartelillos” en la limpieza viaria.

Alcalá de Henares, 2001. Fuente: Elaboración Propia. URBASER (2000)
58
El término “distrito” hace referencia al conjunto de calles que es asignado a un operario
de barrido manual.
En teoría, una distribución y localización de centros proveedores y una

asignación de áreas basadas en criterios con los que se rentabilizaban y
minimizaban desplazamientos y se hacía más racional el empleo de los medios, en
este caso exclusivamente humanos, para atender las necesidades de la ciudad.
El servicio, sus características y organización, se ajustaría bastante bien

para utilizarlo como ejemplo en la aplicación de este tipo de análisis; reúne los
requisitos que exigen estos análisis para determinar áreas de influencia:
• La existencia de una demanda en todas las calles del sistema de red,

medida por la longitud de cada arco, metros de calle que deben ser
barridos de forma manual.
• Se puede asumir que los “cuartelillos” actúan como centros proveedores

de un servicio, en cuanto que cada uno de ellos tiene asignado una
capacidad máxima, una oferta, que se corresponderían con el total de
metros de calle que son atendidos en todos los distritos de barrido que
cada uno tiene asignados.
12.4.2 Generación de las áreas de influencia

El programa ArcInfoNT, y más concretamente su módulo ArcPlot
destinado al desarrollo de los análisis de redes, fue utilizado para abordar la
generación de las áreas de influencia. Son varios los pasos que se deben seguir para
realizar este tipo de análisis, en un proceso que se recoge a continuación.
Determinar impedancia en los arcos de la red
Básicamente se trataría de generar nuevos campos dentro de la base de

datos temática del callejero digital de la ciudad, donde incorporar los valores
correspondientes a estos dos conceptos.
En análisis de redes, la impedancia hace referencia a la resistencia al

movimiento existente para cada arco (González Aguayo, 1995); la forma de medir
esa resistencia varía dependiendo de múltiples factores y situaciones: el tipo de
recurso que se mueve por la red, el tipo de objeto geográfico que esté
representando cada arco, las direcciones del movimiento, etc.
Este es un concepto básico a la hora de plantear los diferentes análisis

incluidos en los análisis de redes, además de ser un parámetro de casi obligada
inclusión al ejecutar el programa; supone incorporar a la red un elemento que

permita simular mejor el desplazamiento real de los recursos a través de la misma,
pues, normalmente, estos desplazamientos no se producen sin esfuerzos (por
ejemplo, se pueden ver afectados por la intensidad del tráfico en los realizados en
vehículo, por la presencia de determinadas barreras en el desplazamiento peatonal,
etc.).
En el caso del servicio de barrido manual, en donde los desplazamientos de

los operarios a través de las diferentes calles de la ciudad se realizan a pie, la
impedancia debería hacer referencia a la velocidad que se considera como media
en este tipo de desplazamientos. Merlín, 1967 (citado en Escobar Martínez, 1996)
señala que la velocidad media de un peatón se sitúa en torno a los 4,5 km/hora, un
dato que permitiría ya empezar a considerar las impedancias de todos los arcos de
la red en unidades de tiempo.
La creación de los “cuartelillos” responde, en teoría, a la búsqueda de la

reducción del tiempo de desplazamiento de los operarios hasta los distritos de
barrido que les corresponden, a la necesidad de aprovechar al máximo la duración
de la jornada laboral evitando, o reduciendo en lo posible, “tiempos muertos” que
se puedan derivar de largos recorridos hasta llegar al puesto de trabajo.
Determinar demanda en los arcos de la red
Entendida aquí como la cantidad de metros de calle a barrer en la ciudad

mediante el sistema de barrido manual.
No todas las calles son atendidas por este sistema; la propuesta de la

empresa concesionaria para 1999 tan solo preveía el barrido manual para unos
89.000 metros de calle en toda la ciudad. El resto sería atendido por otros sistemas
como el barrido mecánico o el barrido mixto, combinando los sistemas anteriores
(42.246 y 50.120 metros lineales, respectivamente, CCAAPP, 2001b).
Las características de determinadas calles facilitan la utilización de medios

exclusivamente mecánicos para su limpieza y harían desaconsejable, en todo caso
poco operativo y rentable, el abordar su limpieza a través del barrido manual; son
las grandes avenidas de la ciudad, las más transitadas y la mayoría de las calles de
los barrios de reciente construcción, amplias y de trazado regular, las que ofrecen
las mejores condiciones para utilizar este sistema, en detrimento del barrido
manual.
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.
La mejor forma de no considerarlos sería igualando la demanda de los

servicios que en ellos se ejerce (su longitud en metros) a 0. Conceptualmente, la
forma de operar del programa para la delimitación de las áreas de influencia es
sencilla: se van asignando arcos a cada centro hasta que la capacidad máxima de
los mismos (fijada de antemano) se completa con la demanda existente en los
arcos. Al optar por igualar la demanda a 0 no se consigue que esas calles no sean
asignadas al área de influencia de uno u otro centro, pero sí que no cuenten y que
no participen en la capacidad de cada uno de ellos.
Pero también se daba el caso de calles que compartían el barrido mecánico

con el manual en alguno de sus tramos; ante situaciones en las que el barrido
mecánico no era exclusivo se optó por seguir considerando a la calle como
perteneciente al distrito de barrido manual.
Del mismo modo, se decidió considerar como susceptibles de ser atendidas

por este sistema calles en las que en ese momento se llevaba a cabo el barrido
mixto. Este tipo de barrido (barrido mecánico mediante máquina barredora
ayudada por dos operarios que con sendas sopladoras de mochila sacan la
suciedad de las aceras y de debajo de vehículos estacionados para su recogida al
paso de la máquina, URBASER, 1999) guarda ciertas similitudes con el manual.
Por otra parte, la documentación facilitada por la empresa concesionaria no
especificaba los criterios utilizados para determinar si en una calle se debe utilizar
un sistema u otro; el barrido manual podría ser extendido perfectamente a esas
calles en las que, dadas sus características, no es viable el mecánico.
Tampoco en la documentación e información facilitada se recogía el

sistema de limpieza definitivo que se utilizará en las calles de algunos de los
nuevos barrios que iban surgiendo en la ciudad (El Ensanche, Residencia de
Ancianos y La Garena). Así, a pesar de que las características urbanísticas de estos
nuevos barrios se prestarían a la utilización de medios mecánicos de limpieza, se

optó por considerar también todas esas nuevas calles como susceptibles de formar
parte de las áreas de influencia de los “cuartelillos” existentes en ese momento y,
sobre todo, previendo la posibilidad de ampliar el número de estos para garantizar
una organización más eficaz de este servicio.
Generar el archivo de centros
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.
El generar el archivo de centros, en realidad, consiste en crear un nuevo

archivo (.CEN en la cobertura del callejero). En él se irán incorporando las
características de cada uno de los centros proveedores del servicio, los parámetros
que definirán la generación de sus áreas de influencia y que variarán en función de
los diferentes escenarios que se vayan a plantear, entre ellos:
• Identificador interno de los nodos de la cobertura de red: los que van a

actuar como centros de las áreas de influencia.
• Máxima impedancia permitida: entre cada centro y la última secuencia

de arcos asignada a él; una medida de la “distancia” que debe separar los
arcos de cada centro de servicios. En este caso, el límite de cada área de
influencia vendrá determinado por el tiempo máximo que se ha fijado
para alcanzar el punto más alejado de la misma.
Se decidió considerar como impedancia máxima 30 minutos, el límite de

tiempo máximo de desplazamiento a pie de cada operario, como la más
adecuada; con ello no se reduciría excesivamente la duración de la
jornada laboral en los casos de los distritos de barrido más alejados,
quedando en torno a 6 horas, y se podrían asegurar rendimientos diarios
bastante aceptables en el barrido de cada distrito.
• La capacidad total de los centros: la cantidad de recursos disponibles en

cada uno de ellos, la oferta, con la que se abastecerá a los arcos
asignados en sus áreas de influencia.
Al igual que en el caso de la demanda, la cantidad de oferta existente en

cada uno de los “cuartelillos” será entendida, en principio, como metros de calle a
barrer, la suma total de los metros atendidos en todos los distritos de barrido
manual asignados a cada “cuartelillo”. Su valor cambiará en los diferentes
escenarios.
Generar el sistema de rutas
Sobre la cobertura del callejero digital, y utilizando el comando Allocate de

ArcInfoNT, se crearon nuevos archivos (.RAT y .SEC) que cuelgan directamente del
directorio de la cobertura de red, y que posteriormente fueron utilizados en la
generación de las áreas de influencia.
12.4.3 Los escenarios

Se trataba de plantear nuevas situaciones que podrían ser utilizadas para
evaluar la distribución de los ámbitos que atendía cada “cuartelillo” y, por
extensión, la organización del servicio de barrido manual en la ciudad en aquel
momento.
Cada nuevo escenario supone simular variaciones en alguna de las

características iniciales que poseen los elementos geográficos que intervienen en el
análisis. Hay que recordar que en la definición de las áreas de influencia
intervienen varios factores: la distancia que separa arcos de centros (incluyéndose,
en este caso, los costes de recorrido a través de la red con el establecimiento de una
impedancia medida en tiempo de duración de los desplazamientos a pie a través de
las calles); la demanda (la longitud de cada una de las calles atendidas mediante el
sistema de barrido manual) y, por último, la oferta situada en los centros (definida,
a su vez, por su localización, su límite de influencia y su capacidad máxima).
Los resultados obtenidos en cada uno de los escenarios, la extensión de

cada área de influencia, las diferencias entre unas y otras, etc., deberían utilizarse
para comprobar su trascendencia en la evaluación de la organización del servicio
existente en aquel momento, así como para valorar cómo estaban influyendo cada
uno de los factores considerados en su definición.
Para este estudio, en principio, se plantearon tres escenarios diferentes para

la generación de las áreas atendidas por los actuales “cuartelillos”.
Primer escenario
El escenario inicial, con el que se pretendía generar áreas que se

aproximaran lo más posible a la distribución existente en ese momento. Para ello se
pensó que se debía mantener la capacidad máxima asignada a cada “cuartelillo”, es
decir, el total de metros de calle asignado a cada uno de ellos según la organización
del servicio en aquella fecha. No se consideró ningún tipo de restricción relativa al
límite espacial de cada área; todos los indicios apuntaban que la empresa
concesionaria, a la hora de organizar el servicio, tampoco debía haber tenido en
cuenta ninguna extensión concreta de cada una de las actuales áreas.
De forma gráfica, los resultados de este primer escenario se presentan en la

figura 12.3. El aspecto que más destaca es la lógica centralidad que adquirían todos
los “cuartelillos” en sus respectivas áreas. Este hecho era especialmente
significativo en el “cuartelillo” de la calle Andújar. Situado en ese momento fuera
del área de barrido manual que atendía, aquí había extendido su influencia espacial
hacia buena parte de las calles del barrio Virgen del Val, atendidas preferentemente
por rutas de barrido mixto.
En este caso, el “cuartelillo” situado en el Parque de Gilitos no incorporaba

en su ámbito las calles del barrio de IVIASA/Doctor Marañón (en el noroeste del
casco urbano) debido, en parte, a la inclusión en el mismo de buena parte de las
calles de El Ensanche, más próximas y accesibles, que, en teoría, deberían ser
atendidas en un futuro, y que acababan por completar la capacidad de este centro.
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.
Como se repetirá en todos los escenarios planteados, las calles de

Residencia de Ancianos (un nuevo barrio situado en el noreste de la ciudad) no se
incluían en el alcance espacial de ninguno de los “cuartelillos”, sin duda, por su
posición un tanto marginal con respecto a la localización de los mismos en ese
momento.
Figura 12.3. Asignación de áreas de influencia a los “cuartelillos”. Escenario 1
Según se recoge en la tabla 2, en este escenario la capacidad de todos los

centros se vería cubierta totalmente con la demanda de las calles que les han sido
asignadas; las distancias máximas de influencia tan solo superarían los 20 minutos
en el caso del “cuartelillo” de Plaza de Toros, siendo, por tanto, áreas sin
desplazamientos excesivamente largos para los operarios de barrido.
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
Tabla 12.2. Áreas de influencia de “cuartelillos”. Resultados. Primer escenario.

Fuente: Elaboración propia
Segundo escenario
Como en el primer escenario, se optó aquí por una simulación en la que el

límite espacial del área a definir no fuera considerado. Pero, en este caso, se
buscaba una distribución equitativa del total de la demanda existente en la ciudad
(los 93.239,062 metros de calle sometidos a barrido manual) entre los cuatros
centros de oferta. Esto supondría, en unos casos, reducir la capacidad máxima
inicial asignada a los “cuartelillos” (caso de los de Puerta de Madrid y Plaza de
Toros) y, en otros, ampliarla considerablemente.
Las implicaciones y modificaciones que introduciría este escenario en la

organización, y también con respecto al resultado obtenido en el primer escenario,
resultaban claras.
Un amplio sector de la ciudad, comprendido entre las áreas de influencia

de Plaza de Toros y Puerta de Madrid, quedaría totalmente desatendido (entorno de
la Plaza Cervantes, Barrio Venecia), así como, nuevamente, las calles de Nueva
Alcalá. Por el contrario, con el planteamiento adoptado en este escenario, el
“cuartelillo” de Gilitos ampliaría su área, abarcando ya algunas de las calles al sur
del barrio de IVIASA/Doctor Marañón y la mayor parte de El Ensanche.
Con la excepción del centro de la calle Andújar, cuya capacidad máxima se

vería casi triplicada en este escenario, manteniéndose muy limitada la posibilidad
de ampliar su influencia, todos los “cuartelillos” saturarían su oferta con la
demanda de sus áreas de influencia; en unos casos debido a que incorporarían
calles en las que se preveía ampliar este servicio en un futuro (caso del de Gilitos),
en otros debido a que su oferta inicial se vería considerablemente recortada, tal
como se recoge en la tabla 12.3.
Total
Capacidad Total
demanda
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
Tabla 12.3. Áreas de influencia de “cuartelillos”. Resultados. Segundo escenario.

Tercer escenario
En el último escenario la opción adoptada pasaba por no definir ningún

límite de capacidad en los centros proveedores del servicio; en realidad, las
exigencias del programa para realizar el análisis obligaron a asignar una capacidad
excesivamente elevada, superior al total de la demanda existente en toda la ciudad
(100.000 metros). Se suponía que, en la realidad, este parámetro pudiera no ser
considerado, o al menos pudiera no tener la suficiente importancia, para la
localización y distribución de los “cuartelillos” en la ciudad.
Pero sí sería preciso, como se apuntó en la descripción del proceso

metodológico, fijar un límite espacial de dichas áreas, el cual minimizara
desplazamientos en su interior e hiciera más racional la organización del servicio
(30 minutos).
Con estas condiciones, la totalidad del entramado urbano aparecería

atendido por un “cuartelillo”, con la excepción, de nuevo, de las calles de
Residencia de Ancianos (figura 12.3); todas las áreas de influencia se ampliarían y
ya no quedarían sectores interiores en la ciudad sin cubrir.
La demanda que cada centro de servicios atendería, tal como se refleja en

la tabla 12.4, sufriría un lógico incremento en todos los casos. A pesar de ello, las
diferencias con respecto a la actual asignación no serían “inasumibles”. Esto, unido
a que, también en todos los casos, las zonas más alejadas de cada centro no
excederían la media hora de desplazamiento, permitían señalar a este escenario, y a
la distribución de las áreas que generaba, como el más adecuado para la
organización del servicio de barrido manual:
• Mantenía la localización de los “cuartelillos” fijados por la empresa

concesionaria.
• Abarcaba toda la ciudad (al menos todo el ámbito susceptible de ser
atendido por este sistema de limpieza).
• Mejoraba la asignación de calles a cada “cuartelillo” y tenía en cuenta
hipotéticas ampliaciones de futuro hacia las calles de los nuevos barrios
• Minimizaba la duración de desplazamientos en el interior de cada área
de influencia.
• Etc.
Figura 12.4. Asignación de áreas de influencia a los “cuartelillos”. Escenario 3

Total
Capacidad Total
demanda
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
Tabla 12.4. Áreas de influencia de “cuartelillos”. Resultados. Tercer escenario.

A pesar de la bondad que se pudiera reconocer en este tercer escenario para

la organización del servicio prestado desde los “cuartelillos”, sobre todo porque
suponía una evaluación relativamente positiva de la organización vigente en ese
momento, se seguía constatando en él que determinadas zonas de la ciudad, como
Residencia de Ancianos, quedaban fuera de las áreas de influencia.
Aunque no era un barrio excesivamente grande (ni en extensión ni en

volumen de demanda) y, además el sistema de limpieza que preveía la ampliación
del servicio ofertada por la empresa concesionaria (CCAAPP, 2001b) no era
exactamente el de barrido manual sino el mixto (combinación de barrido mecánico
y manual), se pensó que podría ser conveniente dotarle con un centro propio o
próximo. Opción que se reforzaba al comprobar que en todos los escenarios
planteados era un sector que siempre quedaba fuera de las áreas de influencia de
los diferentes centros o “cuartelillos”.
Utilizando esta situación como excusa, se simuló la localización de un

nuevo “cuartelillo” en este barrio para comprobar cómo ello afectaba a las áreas
generadas en el tercer escenario.
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.
El resultado de incorporar el nuevo centro en Residencia de Ancianos no

supuso la modificación de las áreas de influencia de los “cuartelillos” establecidas
en el tercer escenario, creándose una nueva. La demanda que atendería el nuevo
centro (6.225,273 metros de calle) sería muy inferior a la que se registraba en los
otros “cuartelillos” en el mismo escenario.
No obstante, se recomendaba en su momento esta opción como la más

aconsejable si realmente se deseara cubrir este barrio con el servicio; asignar sus
calles a otro “cuartelillo” supondría un incremento considerable de la duración de
los desplazamientos de los operarios. Además existía la posibilidad de que en un
futuro pudiera incorporar en su área de influencia nuevos barrios, ya que en este
sector del término municipal alcalaíno eran varios los desarrollos urbanísticos
previstos (por ejemplo, Espartales Sur y Espartales Norte).
13Capítulo 13
LOCALIZACIÓN ÓPTIMA DE PLANTAS DE

TRATAMIENTO DE RESIDUOS PELIGROSOS
EN LA COMUNIDAD DE MADRID
13.1 LOS RESIDUOS PELIGROSOS

El problema de localización que será abordado en este capítulo está
directamente relacionado con la gestión de uno de los productos derivados de
nuestra actual sociedad de consumo: los residuos, y en concreto, aquellos
generados de manera mayoritaria en el proceso de producción industrial.
Los residuos industriales pueden ser definidos como todos aquellos

“derivados de un proceso de fabricación, transformación, utilización, consumo o
limpieza, cuyo poseedor lo destina al abandono, o del cual el productor tenga
necesidad de desprenderse, por no ser objeto directo de sus procesos productivos”
(MOPTMA, 1996). De entre los distintos tipos de residuos industriales (inertes,
asimilables a urbanos, especiales) nos vamos a ocupar aquí de los considerados
como peligrosos en el actual Anteproyecto de Ley de residuos y suelos
contaminados que pretende transponer en el territorio español la Directiva marco
de residuos 98/2008/CE, del Parlamento Europeo y del Consejo, de 19 de
noviembre de 2008.
A continuación aportaremos algunos datos significativos sobre su volumen

de producción, así como los datos más relevantes sobre su gestión y tratamiento.
13.1.1 Producción de residuos peligrosos

Los datos de producción sobre residuos peligrosos no son muy abundantes;
en muchos casos se trata de estimaciones basadas en la existencia de determinados
tipos de industria, considerados como los principales productores de estos residuos.
Este hecho no deja de ser sorprendente si tenemos en cuenta que la normativa que
regula su gestión obliga a todos los productores y gestores a presentar una
declaración anual de su producción ante los órganos autonómicos y estatales
pertinentes.
Si atendemos al sector industrial de procedencia de estos residuos, nos

encontramos que es la industria química la que ocupa la posición más destacada, y
bastante alejada de los siguientes puestos como podemos comprobar en la figura
13.1. No en vano, los accidentes y problemas de contaminación más destacados
están directamente relacionados con este tipo de industria (el caso de Love Canal
en Estados Unidos, el de Seveso en Italia, o el de Bopal en India).
Figura 13.1
Según los datos del Ministerio de Medio Ambiente y Medio Rural y

Marino, España contribuye a la producción mundial de estos peligrosos residuos
con casi tres millones de toneladas. A nivel autonómico, es Cataluña la que ostenta
el primer puesto, seguida del País Vasco y Comunidad Valenciana. La región
madrileña ocupa un quinto puesto con una producción anual de 266.000 toneladas
(información disponible en: http://www.marm.es/es/calidad-y-evaluacion-ambiental/
temas/prevencion-y-gestion-de-residuos/residuos_peligrosos.aspx, último acceso
julio 2011).
13.1.2 Gestión de residuos peligrosos

Según las directrices comunitarias, sería deseable que la gestión de
cualquier residuo industrial se realizara a través de la reducción en origen; la
reutilización interna o la reutilización externa (a través de bolsas de residuos,
© RA-MA CAPÍTULO 13. LOCALIZACIÓN ÓPTIMA DE PLANTAS DE TRATAMIENTO... 335
principalmente), dejando como últimas opciones el tratamiento interno o externo

de los mismos. A excepción de las bolsas de residuos que sí están funcionando
incluso a nivel regional, la implantación de procesos de reducción y reutilización
interna son todavía escasos, debido a la falta y elevado coste de técnicas y procesos
eficientes.
En definitiva, son los tratamientos externos y el almacenamiento definitivo,

las prácticas más habituales en la gestión de estos residuos peligrosos. A
continuación haremos una breve alusión a los más habituales:
• Tratamiento físico-químico: las plantas en las que se realiza dicho

tratamiento son concebidas como industrias cuyo objeto es conseguir,
mediante la adición de reactivos, la eliminación de los contaminantes
inorgánicos presentes en fase acuosa (Marañón, 2000: 148). En estas
instalaciones se trata una gran variedad de residuos de muy diversas
características físicas y químicas, lo que conlleva una gran complejidad
y variedad en los procesos a aplicar (reacciones químicas, básicamente
de óxido de reducción, neutralización y precipitación y procesos físicos
como la sedimentación, filtración, agitación, etc.). La torta final de
hidróxidos metálicos y sales insolubles será conducida a un depósito de
seguridad y los efluentes líquidos finales, no contaminados, pasarán bajo
control estricto y permiso oportuno a una depuradora que, normalmente,
se encuentra en las inmediaciones de estas plantas.
• Tratamiento biológico: consiste en la descomposición de materia
orgánica por poblaciones mixtas de microorganismos que las utilizan
como fuente de alimento. Los microorganismos, fundamentalmente
bacterias, convierten los contaminantes degradables en materia celular,
gases y otros compuestos. Este tratamiento, por tanto, es aplicable en
aquellos residuos que contienen materia orgánica biodegradable como
contaminante y que se encuentran en estado acuoso. Los procesos que se
utilizan pueden ser aerobios (oxidación, síntesis, etc.) o anaerobios
(hidrólisis, acidogénesis, etc.) y se aplican en función de las
características de los residuos.
• Tratamiento térmico: consiste en utilizar el calor (entre 800 y 1200 °C)
para transformar los componentes tóxicos en alguna forma inocua que
pueda ser lanzada al medio ambiente con toda garantía. La reducción del
volumen de los residuos es muy importante (hasta el 90%). Suponemos
que casi no es necesario incidir en el hecho de que este tipo de
instalaciones tiene tanta o peor publicidad que las incineradoras de
residuos sólidos urbanos (a pesar de que las medidas de seguridad y de
control de emisiones atmosféricas son más estrictas).
• Almacenamiento definitivo: las instalaciones creadas para este fin

reciben el nombre de Depósitos de Seguridad y están diseñadas y
operadas para asegurar de forma total el aislamiento de los residuos
vertidos que posean un potencial de riesgo de contaminación del medio
ambiente (Comunidad de Madrid, 1987). Estos depósitos se deben
construir en terrenos apropiados que cumplan los pertinentes
condicionantes geológicos, hidrogeológicos, topográficos, climáticos y
de densidad de población y, si es posible, sobre áreas ya degradadas. El
vaso de almacenamiento (impermeabilizado con una capa de polietileno
de alta densidad) es dividido en una serie de parcelas, localizadas
mediante coordenadas, cada una de ellas preparada para recibir unos
residuos concretos, con unas características determinadas. Las capas
sucesivas serán cubiertas con arcilla compactada y con grava.
La Comunidad de Madrid dispone desde 1987 de una planta de tratamiento

físico-químico en el municipio de Madrid y un depósito de seguridad en San
Fernando de Henares. Existe también una planta de tratamiento biológico en
Manoteras y más de 50 gestores que se dedican, básicamente, al transporte y
almacenamiento de estos residuos (información disponible en
http://www.madrid.org/cs/Satellite?c=CM_InfPractica_FA&cid=1109168023638
&idConsejeria=1109266187260&idListConsj=1109265444710&language=es&pa
gename=ComunidadMadrid%2FEstructura&sm=110926584398, último acceso
julio de 2011).
De estos datos podríamos deducir que existe un déficit en cuanto a las

instalaciones de tratamiento propiamente dicho en la Comunidad de Madrid, lo que
obliga a determinados productores a enviar determinado tipo de residuos a otras
regiones.
13.2 LOCALIZACIÓN DE PLANTAS DE

TRATAMIENTO/ELIMINACIÓN DE RESIDUOS
13.2.1 La problemática de las instalaciones no deseables

Dentro del amplio campo de localización de equipamientos, nos
encontramos ante un caso especial de localización de instalaciones no deseables.
Este tipo de instalaciones se caracterizan por conllevar determinadas externalidades
negativas (costes derivados de la actuación de un agente y que no son pagados ni
cobrados) que la población, habitualmente, no está dispuesta a asumir. Por otro
lado, los conflictos espaciales son más problemáticos, si cabe, que en otro tipo de
instalaciones. El elemento crucial en estos problemas de localización (socialmente
hablando) suele ser la percepción de la población.
El problema en este sentido tampoco es simple, ya que esa percepción

suele ser muy diversa. Está demostrado, por ejemplo, que la actitud ante una
instalación depende de si uno es usuario o del tiempo transcurrido desde su puesta
en funcionamiento, ya que el tiempo modifica las actitudes y la imagen y
estereotipos acerca de determinados tipos de instalaciones y sus efectos. En
cualquier caso, estos problemas de localización de equipamientos y la actual
preocupación por el medio ambiente, junto con lamentables y catastróficos
accidentes, han popularizado algunos acrónimos que hoy día circulan por la
literatura relacionada con múltiples y diversas disciplinas y creados para hacer
referencia a determinados síndromes. Así, podemos citar desde los más moderados
como LULU (Locally Unwanted Land Uses), el conocido NIMBY (Not In My
Back Yard) hasta los más radicales como BANANA (Build Absolutely Nothing at
All Near Anybody) o los menos solidarios como BIYBYTIM (Better In Your Back
Yard That In Mine) (Kunreuther et al.; 1993).
Dado que ante la actual situación mundial de producción y consumo es

inevitable la existencia de instalaciones de este tipo, algunos autores vienen
insistiendo en la conveniencia de incorporar la participación pública a estos
problemas de localización, proponiendo, inclusive, mecanismos específicos o
estudiando los efectos que esta incorporación produce en el éxito o fracaso de
determinados proyectos (Kunreuther et al., 1993; Opaluch et al., 1993; Ballard y
Kuhn, 1996). En este sentido, también ha sido objeto de estudio la utilización de
sistemas de compensaciones que palien esa oposición frontal de la población a la
construcción de estas plantas (White y Ratick, 1989; Himmelberger et al., 1991;
Nieves et al., 1992).
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.
13.2.2 SIG, EMC y modelos de localización-asignación en la

selección y localización de instalaciones de
tratamiento/eliminación de residuos
Durante los últimos años, se ha puesto de relieve las posibilidades que la
combinación de este tipo de técnicas y métodos tiene en el campo de la
planificación. El caso particular de la localización de equipamientos no deseables
no debería ser ajeno a los beneficios que la aplicación de estas técnicas puede
aportar, más aún si, como decimos, se utilizan de manera conjunta.
En el caso concreto que nos ocupa, es decir, la localización de plantas para

el tratamiento o eliminación de residuos, los trabajos más numerosos se centran en
los vertederos municipales, pero también podemos encontrar ejemplos de
vertederos de residuos químicos, residuos nucleares o plantas de transferencia de
residuos urbanos.
Por otro lado, y a la vista de los ejemplos publicados, el método de EMC

más empleado es el procedimiento de las jerarquías analíticas de Saaty. La
utilización de muchos de estos métodos en un entorno SIG no está todavía bien
resuelto, sobre todo si se trata de un formato raster (Jankowski, 1995). No obstante,
podemos encontrar también ejemplos de utilización de técnicas SIG y métodos de
EMC aplicados a estos tipos de problemas (Siddiqui et al., 1996; Charnpratheep et
al., 1997; Chang et al., 2008).
En el caso de los modelos de localización-asignación no es habitual

encontrar esta integración. En primer lugar, porque tal y como señalan E. Erkut y
S. R. Neuman, la investigación en la teoría de la localización se ha orientado
tradicionalmente a las instalaciones deseables (Erkut y Neuman, 1989) y de ahí que
los modelos de localización-asignación existentes sean menos numerosos. Por otro
lado, no existen muchos casos en los que se hayan incorporado modelos de
localización-asignación a los SIG, y cuando se produce, son modelos orientados a
la localización de instalaciones deseables (sobre todo comerciales).
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).
En cuanto a los criterios que se suelen tener en cuenta a la hora de abordar

un problema de localización de este tipo, aparece de manera sistemática la
distancia a cualquier elemento susceptible de ser afectado por los efectos negativos
de este tipo de instalaciones como la población, los cursos de agua, aeropuertos,
espacios protegidos, etc. (Massam, 1991; Banai, 1993; Opaluch, 1993; Collette e
Installé, 1994). Las restricciones en forma de corredores de seguridad pueden
oscilar desde los 500 metros hasta los 8 kilómetros (Erkut y Moran, 1991: 98).
Entre los criterios ambientales más utilizados encontramos la hidrogeología, la
permeabilidad del terreno, el drenaje del suelo (a partir de la textura y la
topografía) o la pendiente del terreno. En cuanto a los criterios económicos, los
más habituales son los costes derivados de la construcción y puesta en marcha de la
instalación (costes de transporte) o el impacto en el precio del suelo en las zonas
colindantes. Entre los de tipo social, encontramos algunos más difíciles de “medir”
como las molestias generadas por el tráfico o la aceptación social de la instalación
(Erkut y Moran, 1991). En algunos casos se insiste en la necesidad de introducir

como criterio el desarrollo futuro de la región, por el impacto que estas
instalaciones tienen sobre el uso del suelo en sus inmediaciones (Briassoulis,
1995).
13.3 LOCALIZACIÓN DE PLANTAS DE TRATAMIENTO

DE RESIDUOS PELIGROSOS EN LA COMUNIDAD
DE MADRID
El presente trabajo parte de los resultados obtenidos en un estudio previo,
cuyo objetivo era desarrollar una metodología, basada en la utilización de un SIG y
métodos de EMC, para la obtención de parcelas susceptibles de ser utilizadas en la
localización de una instalación de tratamiento/eliminación de residuos (Bosque et
al., 1999). La metodología fue aplicada para cinco tipos de instalaciones; dos
relacionadas con la gestión de residuos urbanos: plantas de transferencia y
vertederos, y tres relacionadas con la gestión de residuos peligrosos: plantas de
tratamiento físico-químico, plantas de tratamiento biológico y depósitos de
seguridad.
La metodología desarrollada se basa en dos principios fundamentales a la

hora de resolver cualquier problema de localización de equipamientos: eficiencia y
justicia espacial. Básicamente se pretendía conseguir cierta eficiencia espacial,
minimizando el coste de construcción y de uso cotidiano de las instalaciones, así
como las molestias que éstas pudiesen ocasionar sobre la población residente en la
región. Por otro lado, se pretendía conseguir cierta justicia espacial, procurando
que las diferencias entre las distancias que existieran entre la población y estos
centros no fuesen excesivas y, por tanto, conseguir que las molestias se
distribuyeran de manera equitativa (Bosque et al., 1999: 296-7).
Algunos de los criterios utilizados para determinar estos dos principios

(que aparecen relacionados más adelante), son los que comúnmente se vienen
utilizando en los trabajos ya mencionados, y otros fueron incorporados en función
de la información disponible.
A continuación describiremos el procedimiento seguido en el caso de las

instalaciones que en este trabajo nos interesan, es decir, las relacionadas con la
gestión de residuos peligrosos.
El método parte de establecer los criterios que definirían esos dos

principios antes mencionados de eficiencia y justicia espacial. De la combinación
final de ambos, se obtendrá el mapa de adecuación para cada tipo de instalación. La
eficiencia espacial será definida por criterios económicos y de tipo social, mientras
que la justicia espacial vendrá definida por la exposición al riesgo tecnológico.
13.3.1 Eficiencia espacial: eficiencia económica y social

La eficiencia espacial se planteó como una combinación de eficiencia
económica y eficiencia social. Los factores que intervinieron en cada una de ellas
fueron los siguientes:
Eficiencia económica
• Costes de adquisición del terreno: a partir de los tipos de ocupación

del suelo.
• Costes de adaptación del terreno: a partir de información sobre la
vulnerabilidad de los mantos acuíferos que ofrecía, por tanto,
información sobre la permeabilidad del substrato. Este factor solo se
tuvo en cuenta en el caso de los depósitos de seguridad.
• Costes derivados del transporte de los residuos: calculado en función
de la accesibilidad desde los centros productores de este tipo de residuos
(polígonos industriales) a cualquier punto del territorio.
• Distancia a los cursos fluviales: las plantas de tratamiento físico-
químico y biológico suelen estar directamente conectadas a una
depuradora y, éstas, a su vez, suelen estar cerca de un curso de agua. Por
tanto, sería un criterio más a añadir como coste derivado de la puesta en
marcha de la instalación.
En los dos primeros casos, se utilizó la matriz de comparación por pares de

Saaty para ponderar las distintas categorías. En el caso de los costes de adquisición,
se primó la utilización de zonas de baldío, matorrales, pastizales o cultivos de
secano. En el caso de costes de adaptación del terreno, se primó la utilización de
formaciones sedimentarias impermeables y terrenos antiguos, graníticos y
ultrametamórficos.
El mapa de eficiencia económica final se obtuvo a partir de una sumatoria

lineal ponderada de todos estos factores mencionados. No obstante, y dado que no
todas las instalaciones poseen las mismas características, y, por tanto, sus requisitos
desde el punto de vista de la eficiencia económica no eran los mismos, se decidió
otorgar distintos pesos en función de si se trataba de localizar una planta de
tratamiento (ya sea físico-químico o biológico), o un depósito de seguridad. Así,
los pesos otorgados para cada una de ellas fueron los que aparecen en la tabla 13.1:
Instalación Adquisición Adaptación Transporte Distancia ríos

Depósito RTP 0,25 0,25 0,50 ---
Planta tto. físico-
0,25 --- 0,50 0,25
químico o biológico
Tabla 13.1. Valoración de los diferentes factores de eficiencia económica
Eficiencia social
• Densidad de población: otorgando más peso a aquella parte de la

población considerada más vulnerable o sensible al riesgo (niños y
ancianos).
• Densidad de empleos: la finalidad era tener en cuenta aquellas zonas
consideradas como no habitadas en términos estrictamente residenciales.
• Presencia de elementos sensibles: equipamientos de interés social y
servicios públicos como centros educativos, sanitarios, etc.
• Visibilidad general del medio: a través de esta medida, podemos
establecer zonas especialmente frágiles a la hora de llevar a cabo
cualquier tipo de actividad en ellas.
En este caso también se utilizó la sumatoria lineal ponderada, siendo el

mapa de eficiencia social el mismo para todos los tipos de instalaciones. Para
obtener el mapa final de eficiencia, se sumaron los dos anteriores, otorgando la
misma importancia a la eficiencia económica y a la social.
13.3.2 Justicia espacial: exposición al riesgo tecnológico

La justicia espacial fue establecida a partir de la exposición al riesgo
tecnológico. Para ello se localizaron las instalaciones no deseables existentes en la
región y se ponderaron de manera diferente en función de los diversos grados de
riesgo y/o molestia estimados para cada uno de ellos. Las instalaciones e
infraestructuras consideradas fueron polígonos industriales donde se generan
residuos peligrosos (químicas, farmacéuticas, etc.); centros ya existentes para el
tratamiento de los mismos; carreteras por donde sea habitual su traslado; vertederos y
centros de gestión de RSU; depósitos de combustible; gasolineras; instalaciones que
generan ruidos importantes como los aeropuertos, etc.
La medida diferencial en cuanto a la exposición vendría dada, en primer

lugar, por la determinación de la cuenca visual de cada una de las instalaciones.
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:
Mapa de exposición = cuencas visuales * mapas de distancia * mapa con número de

exposiciones
13.3.3 Mapas de adecuación para la localización de plantas

de tratamiento físico-químico, tratamiento biológico y
depósitos de seguridad
Una vez obtenidos los mapas de eficiencia y de justicia espacial, se
procedió a aplicar de nuevo un método de EMC para obtener el mapa de
adecuación final. En este caso, el método utilizado fue el Análisis de Punto Ideal.
Éste permitió que se obtuvieran dos mapas finales en los que, para cada unidad del
territorio (píxel), existiera un valor que indicara su mayor o menor adecuación para
localizar en ella una de las instalaciones consideradas.
En este punto, se procedió también a incorporar las restricciones

específicas para este tipo de actividad. Así, se excluyeron del estudio los lugares de
interés histórico-artístico, los lugares de interés comunitario para la Red Natura
2000, los humedales y todas aquellas zonas ya ocupadas por núcleos de población,
la red hidrográfica o por polígonos industriales.
Una vez obtenido el mapa final, y teniendo en cuenta las necesidades de

terreno requeridas para cada tipo de instalación, se seleccionaron una serie de
parcelas que, teniendo un valor elevado de adecuación, cumplieran con estos
requisitos.
El proceso de obtención de estas parcelas aparece esquematizado en la

figura 13.2 y los resultados finales para los dos tipos de instalaciones aparecen en
la figura 13.3 y 13.4.
Figura 13.2
Figura 13.3
Figura 13.4
13.4 SELECCIÓN DE LOS CANDIDATOS FINALES A

PARTIR DE MODELOS DE LOCALIZACIÓN-
ASIGNACIÓN
El objetivo de este trabajo es utilizar el uso integrado de distintas técnicas y
métodos como los SIG, los métodos de EMC y los modelos de localización-
asignación para encontrar las mejores localizaciones que pudiesen albergar una
instalación no deseable como las aquí consideradas.
Una vez obtenidos una serie de candidatos a partir de la metodología

descrita en el apartado anterior, pretendemos ahora utilizar estos modelos
matemáticos de los que se trata ampliamente en el capítulo 3, para seleccionar, de

entre todos ellos, los tres más adecuados en función de la localización de la oferta,
de la demanda y de la población susceptible de ser “afectada”. Se usa para resolver
estos modelos el programa LOCALIZA, desarrollado en el Departamento de
Geografía de la Universidad de Alcalá y disponible en el sitio web:
http://www.geogra.uah.es/joaquin/localiza/ (último acceso julio 2011).
LOCALIZA es un sistema de ayuda a la decisión espacial para la

localización de equipamientos sociales basado en el SIG Idrisi (for Windows 2.0) y
en la librería InovaGIS. Incluye un número importante de modelos de localización-
asignación, entre los que es posible encontrar al menos dos diseñados para
instalaciones no deseables. Estos modelos son Maxisum y Minimaxsum (Bosque et
al., 2007).
En primer lugar es necesario disponer de distintos archivos con las

localizaciones de los tres grupos mencionados: oferta y población en el caso de
utilizar el modelo Maxisum, más la demanda en el caso de utilizar el modelo
Minimaxsum.
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 elementos puntuales utilizados como población potencialmente

afectada, fueron extraídos a partir de los centroides de los sectores de población de
los mapas digitales del Nomenclator de 1996 y proporcionados por la Comunidad
de Madrid. Los datos de población son, por tanto, los correspondientes al padrón de
1996.
Finalmente, la demanda se estableció a partir de los centroides de los

polígonos industriales derivados del mismo Nomenclator.
13.4.1 Selección de candidatos a partir del modelo Maxisum

El objetivo del modelo Maxisum consiste en maximizar la suma de todas
las distancias (ponderadas por la población), que separan los centros de oferta
(instalaciones no deseables) de los centros poblados.
Recordemos que en el proceso de obtención de los distintos candidatos, el

factor de proximidad a los centros de demanda de este tipo de instalaciones (es
decir, las industrias) fue considerado como uno de los más importantes. Por tanto, y
considerando que ya poseemos aquellos puntos de oferta que se encuentran más
cercanos a los centros de demanda, intentaremos seleccionar, de entre todos ellos,
los que se encuentran más alejados de los centros de población existentes.
Utilizando los datos mencionados en el apartado anterior, procedimos a

ejecutar el modelo, tomando como candidatos los obtenidos para las plantas de
tratamiento biológico o tratamiento físico-químico y los candidatos obtenidos para
la localización de depósitos de seguridad. En un segundo momento, se
incorporaron dos de las instalaciones más importantes ya existentes en la
Comunidad de Madrid con la finalidad de comprobar si, considerando estos
mismos criterios, serían seleccionados como mejores opciones. Estas dos
instalaciones son la planta de tratamiento físico-químico de Valdebebas y el
Depósito de seguridad de San Fernando. Como ya hemos mencionado, se
seleccionaron tres candidatos en todos los casos.
13.4.1.1 RESULTADOS OBTENIDOS PARA LA LOCALIZACIÓN

DE PLANTAS DE TRATAMIENTO BIOLÓGICO O FÍSICO-
QUÍMICO
En el procedimiento descrito en el apartado 13.3, se seleccionaron todos

aquellos candidatos que no sobrepasaban un nivel de adecuación de 2, siendo 1 el
nivel máximo y 256,03 el valor de adecuación mínimo para toda la Comunidad de
Madrid. El resultado fue un total de siete candidatos con una media de adecuación
de 1,65. Las parcelas candidatas se concentran en el este y sur de la Comunidad,
encontrándose alguna candidata al oeste del municipio de Madrid. Como dato
significativo tenemos que, según este mapa de adecuación, la planta de tratamiento
físico-químico existente en Valdebebas (Madrid) registra un nivel de adecuación
bastante bajo (171,14).
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,
mientras que el tercero se encuentra en el extremo este, ya casi en la frontera con la

provincia de Guadalajara. Era de esperar que los candidatos seleccionados fueran
aquellos situados en este tipo de situación fronteriza, primero porque la mayor
parte de la población se concentra en el centro geográfico del territorio regional y
segundo porque no se ha tenido en cuenta la población de las zonas colindantes.
No obstante, y analizando la situación al otro lado de esas dos zonas

fronterizas, podemos descartar con un alto porcentaje de probabilidades que los
resultados hubieran variado considerablemente si se hubiese incluido la
información sobre la población que allí reside. En el caso de la zona colindante con
la provincia de Guadalajara (al este), si bien es verdad que encontramos ciertos
municipios con un volumen importante de población, entre los que se encuentra la
propia capital de provincia (con 66.103 habitantes en enero de 2.000) o el segundo
municipio más habitado de la misma (Azuqueca de Henares, con 19.941 habitantes
para la misma fecha), la diferencia con la población acumulada en la zona central
de Madrid seguiría siendo muy importante; de hecho la suma de la población de
esos municipios no alcanza la población residente, por ejemplo, en el municipio de
Alcalá de Henares, situado al norte del conjunto de las parcelas, en el eje urbano-
industrial del Corredor del Henares y con 166.397 habitantes.
En cuanto a la situación en la zona sur, también encontramos algunos

municipios relativamente importantes al lado de la frontera, ya en la provincia de
Toledo. Estos municipios estarían situados en los ejes de la N-401, donde
destacarían los núcleos de Illescas con 10.347 habitantes y Ocaña en el eje de la N-
IV con un total de 6.190 habitantes. Aún así, estas cifras son comparables a las de
varios de los municipios que se encuentran en esta misma zona, pero en la
provincia de Madrid. De hecho, a pocos kilómetros de estas parcelas seleccionadas
se encuentra el núcleo urbano de Aranjuez, municipio con una población de 39.652
habitantes que probablemente no es superado por el total residente en todo el
conjunto de estos municipios toledanos colindantes. Es decir, si aquí han sido
seleccionadas estas parcelas teniendo una concentración de población de estas
características, la situación no hubiera variado mucho al introducir una serie de
núcleos urbanos que no llegan a superar la población total residente en el lado
madrileño. Quizás esta solución quedaría cuestionada si se hubiera contado con el
núcleo de población del propio municipio de Toledo, pues su núcleo urbano se
encuentra a escasos 13 kilómetros de la frontera más al extremo sur de la
comunidad madrileña; la concentración de población sería por tanto bastante
importante, si la comparamos con todos estos municipios del sur de Madrid
(Toledo contaba con 68.537 habitantes en enero de 2000).
Figura 13.5
En otro orden de cosas y refiriéndonos ahora a los datos concretos

obtenidos para estos candidatos seleccionados, podemos decir que es el candidato
número 6 el que más cerca se encuentra de un núcleo poblado (tan solo a 350
metros), mientras que el candidato número 7 sería el que más lejos se encuentra de
un núcleo de población, concretamente a 84 kilómetros (distancia que separa a este
candidato del núcleo poblado situado más al extremo norte de la Comunidad).
Finalmente se procedió a incorporar la planta de tratamiento físico-químico

de Valdebebas como un candidato más y se repitió el proceso. El resultado
permaneció invariable. Con esto confirmamos definitivamente su inadecuada
ubicación, puesto que a este resultado negativo hemos de añadir su bajo nivel de
adecuación en la aplicación del procedimiento de selección antes descrito.

DE DEPÓSITOS DE SEGURIDAD
En este caso, y debido a que los requerimientos de terreno para la
construcción de este tipo de instalaciones son mayores, se aumentó el corte hasta el
nivel de adecuación 7, siendo 1 el nivel máximo registrado y 262,08 el nivel de
adecuación mínimo. En total se obtuvieron 27 parcelas, con una media de
adecuación de 4,96. En este caso todos los candidatos se concentran en el este y
sureste de la Comunidad.
Ejecutado el modelo varias veces, obtuvimos en todas las ocasiones los

mismos candidatos que aparecen representados en la figura 13.6, con los
identificadores 27, 29 y 30 (en cursiva). Como podemos observar, los tres se
encuentran muy próximos entre sí y al sur de la zona de estudio. Esta selección, por
otro lado, resultaba casi intuitiva si observamos la gran cantidad de población que
se concentra al norte y oeste de todas las parcelas candidatas. En esta ocasión todas
se encuentran en el sur, pues ahora sí se disponía de candidatos suficientes en esta
parte más alejada del conjunto de la población.
En cuanto a los datos de distancias mínimos y máximos registrados, es el

candidato identificado con el número 27 el que se encuentra más cerca de un
núcleo de población (exactamente a 250 metros) y también el que registra la mayor
distancia respecto a un centro poblado: 116 kilómetros.
En un segundo momento y al igual que en el caso anterior, se incorporó el

depósito de seguridad de San Fernando de Henares como posible candidato a
recibir una instalación de estas características, pero tampoco se registró ningún
cambio en la selección final. En realidad, era algo esperable en ambos casos, ya
que si observamos la localización de las dos instalaciones, se encuentran en zonas
densamente pobladas (en el corredor industrial del Henares anteriormente

mencionado).
Figura 13.6
13.4.2 Selección de candidatos a partir del modelo

Minmaxsum
El modelo Minmaxsum implementado en LOCALIZA introduce una
cuestión novedosa respecto a otros modelos de localización-asignación
tradicionales, ya que, además de maximizar la suma de todas las distancias
(ponderadas por la población), que separan los centros de oferta de los centros
poblados, minimiza la suma de las distancias entre los centros de oferta y los
centros de demanda (Bosque et al., 2006). Con este planteamiento se pretende
resolver el problema de las instalaciones no deseables teniendo en cuenta, de
manera simultánea, todas las partes involucradas: oferta, demanda y población
afectada. El objetivo es obtener los mejores candidatos que nos aseguren el mínimo
impacto posible sobre la población y que, por otra parte, satisfagan los
requerimientos de la demanda de este tipo de instalaciones, situándolos así
cercanos a sus potenciales usuarios, es decir, los establecimientos industriales.
Se procedió a ejecutar el modelo con los dos tipos de candidatos, si bien

los más utilizados por parte de las distintas industrias suelen ser las plantas de
tratamiento y en menor medida los depósitos, ya que muchos de los productos de
deshecho generados suelen ser susceptibles de recibir algún tipo de tratamiento con
el que se reduzca la toxicidad de los mismos, antes de ser depositados en un
vertedero de manera definitiva.
Por otro lado, para ejecutar el modelo también es necesario incluir el

tamaño de la demanda. En este caso, utilizamos los datos de densidad de empleo de
los que ya se disponía en la obtención de los candidatos. Para observar también los
cambios que podían producirse en los resultados en función de los datos de entrada,
decidimos ejecutar el modelo considerando un volumen de demanda equivalente al
número de empleos registrado en cada zona industrial en una primera ocasión y
posteriormente se ejecutó el modelo teniendo en cuenta la localización de la
demanda, pero no su volumen (otorgando un valor de 1 como demanda simbólica
para cada polígono industrial).

DE DEPÓSITOS DE SEGURIDAD
Como ya hemos comentado, no son las industrias los clientes más
habituales de este tipo de instalaciones. Normalmente, son los gestores de estos
residuos los que suelen hacer uso de él para depositar los restos tóxicos que
siempre quedan después de llevar a cabo algún proceso de destoxificación.
Considerando que estos gestores suelen localizarse en polígonos industriales,
utilizamos estos como demanda, pero sin tener en cuenta el volumen de la misma.
Es decir, consideramos un valor simbólico de 1 como demanda para todos

los polígonos.
Como en los casos anteriores, decidimos volver a incluir las instalaciones

ya existentes con el objetivo de comprobar si su localización, con este nuevo
planteamiento, resultaba adecuada.
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.
Quizás es el candidato 2 el de peor ubicación respecto a la población, pues

se encuentra cerca de una importante concentración urbana como es la ciudad de
Alcalá de Henares, con más de 160.000 habitantes en el padrón de 1996; pero, por
otro lado, es uno de los que más próximos se encuentra a las principales zonas
industriales. Este seria también el motivo por el cual ha sido seleccionado el
candidato 12 y no otro de los que se encuentran en su entorno más inmediato.
El candidato 26, finalmente, no parece el mejor candidato en cuanto a la

localización de la industria en general (aunque sí respecto a los candidatos más
próximos), pero sí en cuanto a su lejanía respecto de las zonas más pobladas
(queremos recordar e insistir en que en estos modelos lo que se maximiza es la
suma de las distancias desde cada candidato a todos los centros poblados). Si
observamos el volumen de población por sectores en esta zona, comprobamos que
prácticamente ninguno supera los 500 habitantes. De hecho, las concentraciones
más importantes de población, además del propio municipio de Madrid, se
distribuyen al norte y oeste de las parcelas candidatas, distinguiéndose claramente
los ejes más importantes de la región en cuanto a concentración de población y de
industria: el Corredor del Henares en el eje de la Nacional II (al norte de las
parcelas) y el conglomerado sur entre los ejes de la Nacional IV, Nacional 401 y
Nacional V, al oeste de las mismas.
De nuevo en esta ocasión, procedimos a incorporar el depósito de

seguridad de San Fernando, para ver si se producía alguna modificación en los
resultados. A diferencia del caso anterior, se produjeron dos modificaciones. La
más importante es que el propio depósito de San Fernando fue seleccionado (31).
El candidato 26 volvió a salir seleccionado y como tercer candidato apareció otro
nuevo: el 22. Como podemos observar en la figura 13.6, esta nueva configuración
de candidatos vuelve a resultar en cierto modo equilibrada. Por un lado se
incorpora un candidato que se encuentra muy cercano a la demanda (el 31), aunque
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.
Como conclusión a este apartado, señalar que no se ha registrado ninguna

coincidencia en la ejecución de los dos modelos aquí manejados. En este caso
concreto, y dada la variedad de candidatos, podemos encontrar soluciones
diferentes para uno y otro caso. En cuanto a los distintos escenarios de
Minmaxsum, es la parcela 26 la única candidata seleccionada en los dos escenarios
planteados, por lo que podría ser considerada como solución óptima o de
compromiso entre ambos. De hecho, es el que registra un resultado intermedio en
cuanto a distancia mínima a un centro poblado, distancia máxima y demanda total
asignada.
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).

DE PLANTAS DE TRATAMIENTO BIOLÓGICO O
FÍSICO-QUÍMICO
Como ya hemos mencionado anteriormente, este tipo de instalaciones suele
ser más frecuentadas por las propias industrias, aunque, la práctica más común
entre éstas es delegar en los gestores autorizados la gestión de sus residuos (tanto el
transporte, como su tratamiento y disposición final). En cualquier caso, ya hemos
señalado que estos gestores se encuentran en los mismos polígonos que el resto de
las industrias.
En este caso, se procedió a ejecutar el modelo con distintas variaciones,

obteniendo tres combinaciones de candidatos diferentes. En un primer momento
utilizamos los datos de empleos industriales como volumen de demanda de este
tipo de instalaciones. En un segundo momento realizamos el mismo análisis, pero
considerando solo la localización de la demanda y no su volumen. Finalmente
repetimos este último escenario, pero incluyendo la planta de Valdebebas como un
candidato mas.
Resultados considerando la localización de la demanda y su volumen
La combinación de candidatos resultante en esta ocasión fue la formada

por los candidatos 2, 4 y 7. Como podemos observar en la figura 13.5, la
localización de las tres parcelas se encuentra bastante repartida respecto al área
ocupada por todos los candidatos. Tenemos un candidato en la zona oeste, otro en
la sur y otro en la zona este. Evidentemente es el candidato número 2 el mejor
respecto a la situación y volumen de la demanda, seguido del candidato 4. El
número 7, sin embargo, se encuentra relativamente cercano a alguna concentración
industrial, pero su situación es bastante mejor por lo que respecta a la lejanía de las
concentraciones de población, de hecho, fue uno de los candidatos seleccionados al
aplicar el modelo Maxisum. En realidad, las diferencias en los resultados
numéricos son más importantes en cuanto a demanda abastecida por cada uno de
ellos, que en cuanto a suma de distancias mínimas y máximas respecto a núcleos de
población, donde las variaciones oscilan solo unos cientos de metros en el primer
caso y hasta 6 kilómetros en el segundo (ocupando el candidato 7 en este caso el
mejor puesto).
Resultados considerando solo la localización de la demanda
En este caso los candidatos cambiaron ligeramente. De nuevo fueron

seleccionadas las parcelas 2 y 4, pero la número 7 fue sustituida por la parcela
número 6, de similares características. Podríamos deducir, por tanto, que la
diferencia en cuanto al volumen de demanda no está condicionando en exceso los
resultados, si consideramos, además, que la variación entre los valores medios de
demanda (empleos en industria) oscila entre 0,07 y 577.
Resultados considerando localización y volumen de la demanda y la

planta de tratamiento físico-químico de Valdebebas como candidata
Como en casos anteriores, procedimos a incluir la planta de tratamiento ya

existente para comprobar cómo de buena era su situación respecto a este nuevo
planteamiento de localización. De nuevo la parcela 2 resultó seleccionada, junto
con la número 7 y la número 8. La distribución geográfica vuelve a ser parecida a
la de los casos anteriores, solo que en esta ocasión ha sido seleccionada la propia
planta de Valdebebas (con el identificador 8). Como vemos, la localización de esta
planta podría ser apropiada sobre todo por su cercanía a la demanda de este tipo de
instalaciones (aunque aglutina una demanda inferior a la del candidato 2); no
ocurre lo mismo con la distancia a la población, pues de hecho registra la distancia
mínima a la población más reducida de los tres candidatos y también la más
reducida de las distancias máximas. Por otro lado, con esta selección se ha dado un
salto espacial importante, ya que se encuentra ubicada al norte de la N-II y de los

núcleos más poblados de este corredor.
En este caso, podemos concluir que es la parcela 6, situada en el municipio

de Colmenar de Oreja, la que más veces ha aparecido seleccionada en la ejecución
de ambos modelos, seguida de la 7, situada en Aranjuez. El motivo de que
determinados candidatos hayan sido seleccionados en ambos planteamientos puede
ser debido, principalmente, a que el número de los mismos era bastante más
reducido que en el caso de los depósitos de seguridad.
En cuanto al modelo Minmaxsum, es la parcela 2 la que aparece

seleccionada de manera reiterada en prácticamente todos los escenarios planteados,
por lo que podría ser considerada aquí como una solución compromiso. En el
siguiente puesto aparecerían las parcelas 4, 6 y 8, siendo esta última la planta de
Valdebebas. De nuevo hemos de hacer hincapié en el hecho de que, desde el
planteamiento exclusivo de las distancias, vuelve a aparecer como mejores
candidatos las instalaciones existentes en la zona, a pesar de no alcanzar posiciones
de interés en la resolución a partir de EMC.
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.
La metodología aquí planteada intenta completar la propuesta por J.

Bosque y otros (Bosque et al., 1999). Observando los resultados de los distintos
modelos de localización-asignación, encontramos que su aplicación para la
selección final de los candidatos obtenidos tras un estudio preliminar a partir del
empleo de técnicas de EMC, resulta de gran interés.
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
relevantes para la localización de este tipo de instalaciones, y no contemplados en

la aplicación de los modelos de localización-asignación.
Por tanto, debemos insistir en la conveniencia de la utilización conjunta de

ambos análisis y en especial para problemas de localización de unas instalaciones
que, habitualmente, cuentan con el rechazo frontal por parte de la población. En
este punto enlazaríamos con esa corriente de autores que abogan por el
establecimiento de sistemas de información serios, que ayuden a establecer ese
eslabón de conexión entre las autoridades y la población afectada por actuaciones
de este tipo. Probablemente, decisiones bien justificadas desde el punto de vista del
empleo de las variables y modelos más adecuados, contribuirían de manera muy
positiva a conseguir un cierto consenso.
14Apéndice
EJEMPLO DE APLICACIÓN DEL ALGORITMO

DE TEITZ Y BART (1968) AL MODELO
P-MEDIANO
Datos de partida
Cuatro asentamientos con demanda, que son a la vez sitios candidatos.
D
Distancia entre puntos Distancia ponderada

Punto Demanda
A B C D A B C D
A 20 0 1 3 4 - 20 60 80
B 10 1 0 2 5 10 - 20 50
C 20 3 2 0 3 60 40 - 60
D 30 4 5 3 0 120 150 90 -
Desarrollo de fases de cálculo
0. Solución de partida arbitraria: puntos A y B.
S* =[A,B]
1. Asignación y cómputo de función objetivo inicial (F*).
Centro Puntos servidos F.O.

A AyD 120
B ByC 40
F* = 160
2. Intercambio de cada punto no incluido en la solución con los incluidos en ella.
2.1. Intercambio del punto C con cada uno de los de la solución de partida:
S' = [C,B] Centro puntos servidos F. O.

C C,D 90
B B,A 20
F’ = 110
S' = [A,C] A A,B 10

C C,D 90
F’ = 100
Puesto que Fmin = 100 es menor que F* hacer el cambio sustituyendo el

punto B por el C. El nuevo conjunto solución será S* = [A,C].
© RA-MA APÉNDICE. EJEMPLO DE APLICACIÓN DEL ALGORITMO DE TEITZ Y... 359
2.2. Intercambio del punto D con cada uno de los de la nueva solución.
S' = [D,C] Centro Puntos servidos F. O.

D D 0
C C,B,A 20 + 60
F’ = 80
S' = [A,D] A A,B 10

D D,C 60
F’ = 70
Puesto que Fmin = 70 es menor que F* = 100 (obtenido en la fase anterior)

hacer el cambio sustituyendo el punto C por el D. El nuevo conjunto solución será
S* = [A,D].
3. Repetir de nuevo la etapa 2 y comprobar si surgen cambios permanentes.
3.1. Intercambio del punto B por cada uno de los de la solución.
S' = [B,D] Centro puntos servidos F. O.

B B,A,C 20 + 40
D D 0
F’ = 60
S' = [A,B] (Es la solución de partida) F' = 160
Puesto que Fmin = 60 es menor que F* = 70 (obtenido en la fase anterior)

hacer el cambio sustituyendo el punto A por el B. El nuevo conjunto solución será
S* = [B,D].
3.2. Intercambio del punto C con cada uno de los de la solución.
S' = [C,D] Centro Puntos servidos F. O.

D D 0
C C,B,A 20 + 60
F’ = 80
S' = [C,B] Centro puntos servidos F. O.

C C,D 90
B B,A 20
F’ = 110
Puesto que ninguna de las F' obtenidas es inferior a la hallada en la fase

3.1, con S* = [B,D] no se realiza cambio alguno en dicha solución.
4. Repetir de nuevo la fase 2.
4.1. Intercambio del punto A con cada uno de los de la solución:
S' = [A,D] F’ = 70
S’ = [B,A] F’ = 160
No se rebaja la función objetivo, por tanto no se realiza ningún cambio

permanente.
4.2. Intercambio del punto C con cada uno de los de la solución:
S' = [C,D] F' = 80

S' = [B,C] F’ = 110
No se rebaja la función objetivo, por tanto no se realiza ningún cambio

permanente.
5. Solución.
Al haberse realizado un ciclo completo de intercambios temporales y no

haber emergido ninguna mejora, se toma como solución final la mejor hallada
hasta el momento, S* = [B,D], con F = 60.
BIBLIOGRAFÍA
Adenso-Díaz, B. y Rodríguez, F. (1997). A simple search heuristic for the MCLP:

Application to the location of ambulance bases in a rural region, Omega,
International Journal of Management Science, 25(2), pp. 181-187.
Alçada-Almeida, L., Coutinho-Rodrigues, J. y Current, J. (2009a). A multiobjective

modeling approach to locating incinerators, Socio-Economic Planning Sciences,
43, pp. 111-120.
Alçada-Almeida,L., Tralhao, L., Santos,L. y Coutinho-Rodrigues, J. (2009b). A

multiobjective approach to locate emergency shelters and identify evacuation
routes in urban areas, Geographical Analysis, 41, pp. 9-29.
Anselin, L. y Getis, A. (1993). Spatial statistical analysis and geographic

information systems, M.M. Fischer y P. Nijkamp (editores). Geographic
Information Systems, Spatial Modelling and Policy Evaluation Berlin, Springer-
Verlag, pp. 35-50.
Apparicio, P., Abdelmajid, M., Riva, M. y Shearmur, R. (2008). Comparing

alternative approaches to measuring the geographical accessibility of urban health
services: Distance types and aggregation-error issues, Int J Health Geogr, 7:7.
http://www.ij-healthgeographics.com/content/7/1/7
Arentze, T., Borgers, A. y Timmermans, H. (1992). Geographical Information

Systems, accessibility and multipurpose travel: a new measurement approach,
EGIS'92. Third European Conference on Geographical Information Systems.
Munich. pp. 438-450.
Arentze, T., Borgers, A. y Timmermans, H. (1994). Multistop-based measurements

of accessibility in a GIS environment, International Journal of GIS 8(4), pp. 343-
356.
Arlow, J. y Neustadt, I (2005). UML 2, Madrid. Editorial Anaya Multimedia.
Armstrong, A. et al. (1992). Cartographic Displays to Support Locational Decision

Making Cartography and GIS, vol. 19, n.º 3, pp. 154-164.
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.
Armstrong, M. P.; et al. (1991). Decision support for regionalization: a spatial

decision support system for regionalizing service delivery systems, Computers,
Environment and Urban Systems, 15(1̂2), pp. 37̂53.
Armstrong, M., Densham, P. y Rushton, G. (1986). Architecture for a micro-

computer based decision support systems, Preceedings of the 2nd International
Symposium on Spatial Data Handling. International Geographical Union,
Williamsville, New York, p. 120-131.
Arranz Lozano, M. (1986). Aspectos teóricos de la movilidad femenina en áreas

urbanas, En: El uso del espacio en la vida cotidiana (García Ballesteros, A., (Ed.))
Universidad Autónoma de Madrid. Madrid. pp. 266-275.
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.
Banai, R. (1993). Fuzziness in Geographical Information Systems: contributions

from the analytic hierarchy process, International Journal of Geographical
Information Systems; vol.7, N.º 4, pp. 315-329.
Banister, D. y Berechman, Y. (2001). Transport investment and the promotion of

economic growth, Journal of Transport Geography 9, pp. 209-218.
© RA-MA BIBLIOGRAFÍA 363
Barral, L.M. y Redondo, M. (1989). La geografía social desde las crónicas, en

Progress in Human Geography. Anales de Geografía de la Universidad
Complutense 9, pp. 233-244.
Barredo Cano, J.I. (1996). Evaluación multicriterio y Sistemas de Información

Geográfica en la Ordenación del Territorio, Madrid, Editorial Ra-Ma, 264
páginas.
Barriuso, J. (1993). La escuela rural, Editorial Signos 8 y 9, pp. 148 a 159.
Batty, M. y Densham, P. (1996). Decision Support, GIS, and Urban Planning,

Centre for Advanced Spatial Analysis, University College London Publication.
Beaumont, J. (1981). Location-allocation problems in a plane. A review of some

models, Socio-Economic Planning Sciences, 15(5), pp. 217-229.
Beguin, H. (1987). La Géographie operationelle de la localisation, Louvain-la-

Neuve, Université Catholique de Louvain (Documento inédito).
Berea, R. (Ed.) (1992). Análisis de la demanda y servicios para la primera

infancia, Ministerio de Asuntos Sociales. Madrid.
Berman, O. y Huang, R. (2008). The minimum weighted covering location problem

with distance constraints, Computers & Operations Research, 35, pp. 356-372.
Berry, B.J.L. (1971). Geografía de los centros de mercado y distribución al por

menor, Vicens-Vives. Barcelona.
Birkin, M. (1995). Customer targeting, geodemographics and lifestyles approach,

GIS for business and service planning, (Longley, P. y Clarke, G., (Eds)),
GeoInformation International. Cambridge. pp. 104-149.
Birkin, M. (1996). Retail location modelling in GIS. En: Spatial Analysis:

modelling in a GIS environment, (Longley, P. y Batty, M., (Eds)), GeoInformation
International. Cambridge. pp. 207-225.
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.
Bloxham, C. y Church, R. (1991). The p-median scheduling and location problem,

Papers in Regional Science, 70(1), pp. 21-35.
Blum, C. y Roli, A. (2003) . Metaheuristics in combinatorial optimization:

Overview and conceptual comparison, ACM Computing Surveys, 35(3), pp. 268-
308.
Bond, P. (1999). Basic infrastructure for socio-economic development,

environmental protection and geographical desaggregation: South Africa's unmet
challenge. Geoforum 30, pp. 43-59.
Bonmatí, J.F. (1994): Ordenación sanitaria en el medio rural de la provincia de

Alicante, Investigaciones Geográficas, 12, pp. 255-270.
Borges Chamorro, A. (2007). La interoperabilidad y los estándares abiertos, base

del desarrollo de la Sociedad de la Información, Bit. Revista del Colegio Oficial
de Ingenieros de Telecomunicaciones, 161, pp. 36-39.
Bosque Sendra, J y Jiménez Moreno, A. (2004). Sistemas de Información

Geográfica y localización de instalaciones y equipamientos, 1ª Edición. Madrid.
Editorial Ra-Ma, pp. 139-143.
Bosque Sendra, J. (1992). Sistemas de Información Geográfica, Madrid. Ediciones

Rialp, S.A., 451 páginas.
Bosque Sendra, J. (1997). Sistemas de Información Geográfica, Ediciones Rialp,

S. A., Madrid, 1997, 2.ª edición corregida, 451 pp.
Bosque Sendra, J. (1999). La Ciencia de la Información Geográfica y la

Geografía, VII Encuentro de Geógrafos de América Latina, San Juan de Puerto
Rico, U.P.R.
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. y Franco Maass, S. (1995). Modelos de localización-asignación

y evaluación multicriterio para la localización de instalaciones no deseables, Serie
Geográfica, 5, pp. 97-114.
Bosque Sendra, J. y Moreno Jiménez, A. (1990). Facility location analysis and

planning: A GIS approach, EGIS'90, First European Conference on Geographical
Information Systems. Utrecht, EGIS Foundation, vol. 1, pp. 87-94.
Bosque Sendra, J. y Moreno Jiménez, A. (2004, eds.). Sistemas de Información

Geográfica y localización de instalaciones y equipamientos, Madrid, España.
Ra-Ma, 1.ª edición, 353 páginas.
Bosque Sendra, J. y Palomar Anguas, P. (1995). Organización territorial de la

población de la Comunidad de Madrid. Informe monográfico sobre el X tomo de la
publicación del Censo de Población y Vivienda de 1991, Departamento de
Estadística, Consejería de Economía de la Comunidad de Madrid, Madrid.
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., Palm, F. y Gómez, M. (2007). LOCALIZA: una herramienta

SIG para resolver problemas de localización óptima, I Jornadas de SIG libre
Girona, SIGTE, 2007, 16 páginas, http://www.sigte.udg.es/jornadassiglibre2007/
comun/2pdf/9.pdf
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
modelos de localización-asignación y SIG, cuadernos geográficos de la

Universidad de Granada, N.º 39, pp. 53-68.
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. y Moreno, A. (2007). Localización-asignación y justicia/equidad

espacial con sistemas de información geográfica, en Buzai, G. D. (ed.): Memorias.
XI Conferencia Iberoamericana de Sistemas de Información Geográfica, Luján,
Argentina, Departamento de Ciencias Sociales, Universidad Nacional de Luján, pp.
95-115. www.geogra.uah.es/inicio/web_11_confibsig/ SEMINARIO/LS_Bosque_
Moreno.pdf
Bosque, J., Escobar, F.J., García, E. Y Salado, M.J. (1994). Sistemas de

información Geográfica: Prácticas con PC ARCI/INFO e IDRISI, Editorial Ra-Ma,
Madrid.
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.
Bradford, M. y Kent, A. (1993). Understanding Human Geography. People and

their changing environments. Oxford University Press. Oxford.
Brandeau, M. L. y Chiu, S. S. (1989). An overview of representative problems in

location research, Management Science, 35, pp. 645-674.
Briassoulis, H. (1995). Land development in the vicinity of hazardous facilities: a

compromise assignment procedure. Environmental and Planning B: planning and
design; vol. 22, pp. 509-525.
Brimberg, J. y Juel, H. (1998). A minisum model with forbidden regions for

locating a semi-desirable facility in the plane, Location Science, 6, pp. 109-120.
Bröcker, J. (1989). How eliminate certain defects of the potential formula.

Environment and Planning A, 21, pp. 817-830.
Brunsdon, C. y Charlton, M. (1996). Developing an exploratory spatial analysis

system in XLisp-Stat, D. Parker (editor) Innovations in GIS 3, Londres, Taylor and
Francis, pp. 135-146.
Burns, L.D. (1979). Transportation, Temporal and Spatial Components of

Accessibility, Lexington Books, 152 páginas.
Burton, E. (2000). The Compact City: Just or Just Compact? A Preliminary

Analysis. Urban Studies 37(11), pp. 1969-2001.
Buzai, G. y Baxendale, C. (2006): Análisis socioespacial con sistemas de

información geográfica. Buenos Aires, Lugar Editorial.
Buzai, G. y Baxendale, C. (2008). Modelos de localización-asignación aplicados a

servicios públicos urbanos: Análisis espacial de escuelas EGB en la ciudad de
Luján, Moreno Jiménez, A. y Buzai, G. (2008, Coords.), Análisis y planificación de
servicios colectivos con Sistemas de Información Geográfica, Madrid, España.
Universidad Autónoma de Madrid y Universidad Nacional de Luján, 1.ª edición,
158 páginas.
Campins Eritja, M. (1994). La gestión de los residuos peligrosos en la Comunidad

Europea, J.M. Bosch Editor S.A., pp. 29-54.
Capel Sáez, H. (1981). Filosofía y ciencia en la geografía contemporánea,

Barcanova, Barcelona.
Capel Sáez, H. (1987). Geografía humana y ciencias sociales: una perspectiva

histórica, Montesinos, Barcelona.
Caride Gómez, J.A. (1992). Educación y desarrollo en las comunidades rurales

deprimidas. La pedagogía social en el marco de un enfoque integrador, Revista
Universitaría de Pedagogía Social N.º 7, pp. 19-37.
Carlstein, T. (1974). Time allocation, innovation and agrarian change, Department

of Social and Economic Geography, University of Lund, mimeo.
Carlstein, T., Parkes, D. y Thrift, N. (eds.) (1978). Human Activity and Time
Geography, London, E. Arnold, 286 páginas.
Carrizosa Priego, E. (1996). Localización de un servidor en el plano con múltiples

criterios, en Puerto Albandoz et al. (eds.) Lecturas en teoría de localización,
Sevilla, Universidad de Sevilla, pp. 27-46.
Carrizosa Priego, E. (2005). Algunas aportaciones de la investigación operativa a

los problemas de localización, GeoFocus (Artículos), N.º 5, pp. 268-277.
Carver, S. (1999). Developing Web-based GIS/MCE. Improving Access to Data

and Spatial Decisión Support Tools en J-C. Thill (editor). Spatial Multicriteria
Decisión Making and Analysis. A geographic information sciences approach.
Aldershot, Ashgate, pp. 49-76.
Castillo Cebrián, C., et al. (1991). Educación Preescolar. Métodos, técnicas y

organización. CEAC. Barcelona.
Cater, J. y Jones, T. (1989). Social Geography. An introduction to contemporary

issues, E. Arnold, London.
CCAAPP (2001a). Informe de la situación del servicio de recogida de residuos en

Alcalá de Henares y la necesidad de ampliación propuesta por URBASER para las
nuevas zonas de la ciudad, Consultores de las Administraciones Públicas-Grupo
Analistas, 76 páginas, (inédito).
CCAAPP (2001b). Informe de la necesidad de ampliación del servicio de limpieza

viaria en Alcalá de Henares durante los fines de semana y festivos, Consultores de
las Administraciones Públicas-Grupo Analistas, 21 páginas, (inédito).
Chan, Y. (2001). Location theory and decision analysis, Cincinnati, South-Western

College Publishing.
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.
Charnpratheep, K.; Zhou, Q. Y Garner, B. (1997). Preliminary landfill site

screening using fuzzy Geographical Information Systems, Waste Management &
Research, 15, pp. 197-215.
Charroalde, J. (1982). Diagnóstico y evaluación del equipamiento sanitario público

extrahospitalario en el municipio de Madrid, Revista de Seguridad Social, N.º 13,
pp. 123-146.
Chaudhry, S. y Moon, I. (1987). Analytical models for locating obnoxious

facilities, en Chatterji, M. (ed.) Material disposal: Sitting and management.
Brookfield, Gower Publ. Co.
Chen, P. et al. (1992). Weber problem with atraction and repulsion, Journal of
Regional Science, 32 (4), pp. 467-486.
Chou, Y.-H. (1997). Exploring spatial analysis in Geographic Information

Systems, OnWord Press. Santa Fé.
Chrisman, N. (1996). Exploring Geographic Information Systems, John Wiley &

Sons. Chichester.
Church, R. (2002). Geographical information systems and location science,

Computers & Operations Research, 29, pp. 541-562.
Church, R. L. (2008). BEAMR: An exact and approximate model for the p-median
problem, Computers & Operations Research, 35, pp. 417-426.
Church, R. L. y Eaton, D. (1987). Hierarchical location analysis using covering

objectives, en Ghosh, A. y Rushton, G. (eds.) Spatial analysis and location-
allocation models, New York, Van Nostrand Reinhold Co., pp. 163-185.
Church, R. L. y Garfinkel, R. (1978). Locating an obnoxious facility on a network,

Transportation Science, 12 (2), pp. 107-118.
Church, R. L. y Murray, A. T. (2009). Business site selection, location analysis and

GIS, Hoboken, N. J., John Wiley e hijos.
Church, R. L. y ReVelle, Ch. (1974). The maximal covering location problem,

Papers of the Regional Science Association, 32, pp. 101-118.
Church, R. L. y ReVelle, Ch. (1976). Theoretical and computational links between

the p-median, location set-covering, and the maximal covering location problem,
Geographical Analysis, 8 (4), pp. 406-415.
Church, R. L. y Roberts, K. (1983). Generalized coverage models and public

facility location, Papers of the Regional Science Association, 53, pp. 117-135.
Church, R. y Bell, T. (1981). Incorporating preferences in location allocation

models, Geographical Perspectives, 48, pp. 22-34.
Church, R. y ReVelle, C. (1974): The Maximal Covering Location Problem, Papers

of the Regional Science Association, 32, pp. 101-118.
Church, R.L. (1999). Location modelling in GIS, Geographical Information

Systems (Longley, P.A., Goodchild, M.F., Maguire, D.J. y Rhind, D.W., (eds)).
John Wiley e hijos, Nueva York, pp. 293-303.
Church, R.L. (2002). Geographical information systems and location science,

Computers & Operations Research, 29, pp. 541-562.
Church, R.L. y Sorensen, P. (1996). Integrating normative location models into

GIS: problems and prospects with the p-median model. Spatial Analysis:
Modelling in a GIS Environment (Longley, P. y Batty, M., (eds)), GeoInformation
International, Cambridge, pp. 167-183.
CIDE (Centro de Innovación y Desarrollo Educativo), Desigualdades de la

educación en España II, 1999, pp. 42-43.
Clarke, G. (1997). Applied spatial modelling for business and service planning.
Computers, Environment and Urban Systems, 21 (6), pp. 373-376.
Clarke, G., Langley, R. y Cardwell, W. (1998). Empirical applications of dynamic

spatial interaction models, Computers, Environment and Urban Systems, 22 (2),
pp. 157-184.
Claval, P. (1987). La Geografía humana y económica contemporánea, Akal,

Madrid.
Cohon, J. (1978). Multiobjective programming and planning, Nueva York,

Academia Press.
Cohon, J. et al. (1983). Analysis of nuclear reactor siting policy using

multiobjective programming, en Hansen, P. (ed.) Essays and surveys on multiple
criteria decision making, Berlin, Springer, pp. 19-30.
Collette, S. E Installé, M. (1994). Tools for multicriteria decision making in a

multi-actor context that may be applied to a hazardous plant location problem,
Computer Support for Environmental Impact Assessment, eds.: G. Guariso y B.
Page, Elsevier Science, pp. 169-175.
Colorni, A. (1987). Optimization techniques in locational modelling, Bertuglia, C.

et al. (eds.) Contemporary approaches to modelling, London, Croom Helm, pp.
253-333.
Committee on Spatial Development (1999). ESDP: European Spatial Development

Perspective. Towards Balanced and Sustainable Development of the Territory of
the European Union, Office for Official Publications of the European
Communities. Luxemburg.
Comunidad De Madrid (1987). Programa Coordinado de Actuación de Residuos

Industriales de la Comunidad Autónoma de Madrid, Madrid.
Consejería de Economía (1994): Proyecciones de población y de hogares de la

Comunidad de Madrid 1991-2006, Servicio de Publicaciones, Comunidad de
Madrid, 399 páginas.
Consejería de Medio Ambiente y Desarrollo Regional (1997). Plan autonómico de

gestión de residuos sólidos urbanos de la Comunidad de Madrid (1997-2005),
Comunidad de Madrid, 156 páginas.
Consorcio Urbanístico Alcalá-Garena (1999). Alcalá-Garena, ciudad empresarial.

Dossier informativo, Consorcio Urbanístico, Alcalá de Henares, 37 páginas.
(inédito).
Cooper, L. (1963). Location-allocation problems, Operations Research, 11, pp.

331-343.
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.
Current, J. y Storbeck, J. (1988). Capacitated covering models, Environment and

Planning B: Planning and Design, 15, pp. 153-163.
Current, J., Min, M. y Schilling, D. (1990). Multiobjective analysis of facility

location decisions, European Journal of Operational Research, 49, pp. 295-307.
Daskin, M. (1995). Network and discrete location. Models, algorithms, and

applications, Nueva York, John Wiley and Sons.
Davidovic, T., Ramljak, D., Selmic, M. y Teodorovic, D. (2011). Bee colony

optimization for the p-center problem, Computers & Operations Research, 38, pp.
1367-1376.
Dawidson, K. y Borgegård, L-E. (2000). A Time-Geographical Approach to

Service Provision for Elders in a Rural Context: A Study of the Distance between
Elderly Inhabitants and Services in Nordansting Municipality, Sweden,
Conference-paper presented at the ENHR2000 Conference, 20 páginas.
de Jong, T. y Ritsema van Eck, J. (1996). Location profile-based measures as an

improvement on accessibility modelling in GIS, Computers, Environment and
Urban Systems 20 (3), pp. 181-190.
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.
Dear (1979). Community attitudes toward neighbourhood public facilities. A study

of mental health service in metro Toronto, Departamento de Geografía, Mcmaster
University, Hamilton.
Densham, P.J. (1996). Visual interactive locational analysis en P. Longley y M.

Batty: Spatial Analysis: Modelling in a GIS environment Cambridge,
Geoinformation international, pp. 185-206.
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.
Derruau, M. (1961). Tratado de Geografía humana, Barcelona, Vicens Vives.
Derycke, P. y Gilbert, G. (1988). Economie publique locale, Paris, Económica.
Descripción del Framework Deegree para WPS (n.d.). Consulta del 25/04/11 de
http://wiki.deegree.org/deegreeWiki/deegree3/ProcessingService
DeVerteuil, G. (2000). Reconsidering the legacy of urban public facility location

theory in human geography, Progress in Human Geography 24 (1), pp. 47-69.
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.
Dijst, M. (1999). Two-earner families and their action spaces: A case study of two
dutch communities, GeoJournal, 48, p. 195-206.
Dion, D. y Cliquet, G. (2002). Consumer spatial behavior, Cliquet, G. (Ed.):

Geomarketing. Methods and strategies in spatial marketing, Londres y Newport
Beach, Ca. Iste, pp. 29-56.
Directorio de Servicios de la Infraestructura de Datos Espaciales. Consulta del

16/05/2011 de http://www.idee.es/CatalogoServicios/CatServ/ directorio_
servicios.html
Documentación de la API Javascript de Dojo. Consulta del 10/06/2011 de

http://dojotoolkit.org/api/
Documentación de la API Javascript de Google Maps. Consulta del 10/06/2011 de

http://code.google.com/intl/es-ES/apis/maps/documentation/javascript/
Documentación de la API Javascript de OpenLayers. Consulta del 10/06/2011 de

http://dev.openlayers.org/releases/OpenLayers-2.10/doc/apidocs/files/OpenLayers-
js.html
Dodson, R.F. (1991). VT/GIS. The von Thünen GIS Package. Santa Bárbara,
NCGIA, Technical Paper 91-27, 57 páginas y 1 disco.
Dokmeci, V. (1976). Planning ambulatory health care delivery systems, Omega, 4,

pp. 617-622.
Domanski, R. (1979). Accessibility, efficiency, and spatial organization,

Drezner, Z. (1995). Facility location. A survey of applications and methods,

Springer Verlag, Berlín.
Drezner, Z. y Wesolowsky, G. (1985). Location of multiple obnoxious facilities,

Transportation Science, 19 (3), pp. 193-202.
Drezner, Z. y Wesolowsky, G. (1996). Obnoxious facility location in the interior of

a planar network, Journal of Regional Science, 35 (4), pp. 675-688.
Dupuy, G. y Stransky, V. (1996). Cities and highway networks in Europe. Journal

of Transport Geography 4 (2), pp. 107-121.
Durán, J.A. (1980). La calidad de vida en España. Hacia un estudio de indicadores

sociales, Moneda y Crédito, Madrid.
Eagleson, S., Escobar, F. y Williamson, I. (2002). Hierarchical spatial reasoning

theory and GIS technology applied to the automated delineation of administrative
boundaries, Computers, Environment and Urban Systems 26, pp. 185-200.
Eiselt, H. A. y Laporte, G. (1996). Sequential location problems, European Journal

of Operational Research, 96 (2) , pp. 217-231.
Eiselt, H. A., Laporte, G. y Thisse, J. F. (1993). Competitive location models: a

framework and bibliography, Transportation Science, 27, pp. 44̂54.
Elejabeitia C. y Fernández de Castro I. Educación y desigualdad social. La

educación a debate, Revista de Estudios Sociales y Sociología Aplicada N.º 84,
julio-septiembre 1991, Cáritas Española, pp. 9-18.
Ellegard, K. (1999). A time-geographical approach to the study of everyday life of

individuals. A challenge of complexity. GeoJournal, 48, pp. 167-175.
Ellegard, K., Hägerstrand, T. y Lenntorp, B. (1977). Activity organization and the

generation of daily travel: two future alternatives. Economic Geography, 53, pp.
126-152.
Erkut, E. y Neuman, S. (1989). Analytical models for locating undesirable

facilities, European Journal of Operational Research, 40, pp. 275-291.
Erkut, E. Y Neuman, S.R. (1992). A multiobjective model for locating undesirable

facilities, Annals of Operations Research, 40 pp. 209-227.
Erkut, E. y Verter, V. (1998). Modeling of transport risk for hazardous materials,

Operations Research, 46 (5), pp. 625-642.
Escalona, A. y Diez, C. (2003). Accesibilidad geográfica de la población rural a

los servicios básicos de salud: estudio en la provincia de Teruel, Ager, N.º 3, pp.
111-149.
Escobar Martínez, F.J. (1995). La ciudad real y la imaginada. Paisaje y paisanaje.

Hombre y medio ambiente en la Historia (Gómez Pantoja, J. y Riestra, J.L., (Eds)),
I.C.E Alcalá de Henares-Ministerio de Educación y Ciencia, pp. 189-210.
Escobar Martínez, F.J. (1996). Los sistemas de información geográfica en la

localización de servicios sociales: centros de salud y clubes de jubilados en Alcalá
de Henares, Alcalá de Henares, Servicio de Publicaciones de la Universidad de

Alcalá de Henares (microficha).
Especificación del servicio WPS (n.d.), consulta del 25/04/2011 de

http://portal.opengeospatial.org/files/?artifact_id=13149&version=1&format=pdf
Esteban Alonso, A. (1979). Los estándares urbanísticos, Ciudad y Territorio 2, pp.

79-92.
Falit-Baiamonte, A. y Osleeb, J. (2000). An equity model for locating

environmentally hazardous facilities, Geographical Analysis, 32, pp. 351-368.
Fernández - Mayoralas, G. y Rodriguez Rodriguez, V. (1992). Accessibility and

use of health services in Spain, European Conference From Economic Analysis to
Health Policies, París.
Fernández Gutiérrez, F. y Bosque Sendra, J. (1991). Evaluación de la localización

de los centros sanitarios en la ciudad de Granada (España). Un análisis basado en
un SIG, Proceedings, III Conferencia Latinoamericana sobre Sistemas de
Información Geográfica, Viña del Mar, Chile, pp. 400-409.
Fernández, J. et al. (2000). A continous location model for siting a non-noxious

undesirable facility within a geographical region, European Journal of Operational
Research, 121, pp. 259-274.
Fotheringham, A.S. y O'Kelly, M.E. (1989). Spatial Interaction Models:

formulations and applications, Kluwer Academic Pub. Dordrecht.
Fotheringham, A.S. y Rogerson, P. (1994). Spatial Analysis and GIS, Taylor &
Francis, London.
Fuenzalida Díaz, M. y Moreno Jiménez, A. (2010). Diseño con SIG de la

localización óptima de centros de atención primaria de salud, discriminando según
estatus socioeconómico, Ojeda, J., Pita, M.F. y Vallejo, I. (2010, eds.), Tecnologías
de la Información Geográfica: La Información Geográfica al servicio de los
ciudadanos, Sevilla, España. Secretariado de Publicaciones de la Universidad de
Sevilla, pp. 453-465.
Fuenzalida, M. y Moreno, A. (2010a). Diseño con SIG de la localización óptima de

centros de atención primaria de salud, discriminando según estatus
socioeconómico, Ojeda, J., Pita, M.F. y Vallejo, I. (eds). Tecnologías de la
Información Geográfica: La Información Geográfica al servicio de los
ciudadanos. Sevilla, Secretariado de Publicaciones de la Universidad de Sevilla,

pp. 453-465.
Fuenzalida, M. y Moreno, A. (2010b). Propuesta metodológica para establecer el

patrón territorial del status socio-económico de la población, basada en pequeñas
unidades espaciales estándar. Aplicación a la región de Valparaíso (Chile), Argos,
N.º 52, vol. 27, pp. 98-125.
García Ramón, M.D. (1985). Teoría y método en la Geografía Humana

anglosajona. Ariel. Barcelona.
García, R. y Bosque Sendra, J. (1999). Asignación óptima de usos del suelo

mediante generación de parcelas por medio de SIG y técnicas de evaluación
multicriterio, VII Conferencia Iberoamericana sobre SIG, Mérida, Venezuela,
octubre de 1999.
Garey, M. y Johnson, D. (1979). Computers and intractability. A guide to the

theory of NP-completeness. San Francisco, W. H. Freeman and Co.
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.
Gatrell, A. (1983). Distance and space: a geographical perspective. Oxford,

Clarendon Press.
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 Craig, S. (1991). FRANSYS: A frachise distribution system location

model, Journal of Retailing, 67 (4), pp. 466-495.
Ghosh, A. y Harche F. (1993). Location̂allocation models in the private sector:

progress, problems, and prospects, Location Science, 1, pp. 81-106.
Ghosh, A. y McLafferty, S. L. (1987). Location strategies for retail and service

firms, Lexington, Lexington Books.
Ghosh, A. y McLafferty, S.L. (1987). Location Strategies for Retail and Service
Firms, Lexinton Books. Lexinton.
Ghosh, A. y Rushton, G. (1987). Introduction: Progress in location-allocation

modelling, en Ghosh, A. y Rushton, G. (eds.) Spatial analysis and location-
allocation models. Nueva York, Van Nostrand Reinhold Co., pp. 1-18.
Ghosh, A. y Rushton, G. (Eds.) (1987). Spatial analysis and location-allocation

models, Van Nostrand Reinhold Company, Nueva York.
Gleeson, B. (1996). Justifying Justice. Area 28, (2), pp. 229-234.
Gleeson, B. y Carmichael, C. (2001). Responding to regional disadvantage: what

can be learned form the overseas experience? Australian Housing and Urban
Research Institute, University of New South Wales & University of Western
Sydney Research Centre, report, 17 páginas.
Glover, F. y Laguna, M. (1997). Tabu Search. Norwell, Massachusetts, Kluwer

Academic Publishers.
Goddard, M y Smith, P. (1988). Equity of access to health care, Nueva York,

Centre for Health Economics, University of York.
Godkin, M. y Emker, I. (1975). Time-space budget studies en Sweden: a review

and evaluation, Department of Social and Economic Geography, University of
Lund.
Golledge, R.G. y Stimson, R.J. (1990). Analytical Behavioral Geography,

Routledge, London.
Gómez Delgado, M. y Barredo, J.I. (2005). Sistemas de información geográfica y

evaluación multicriterio en la ordenación del territorio 2ª edición actualizada,
Ra-Ma, 2005, Madrid.
Gómez Delgado, M. y Bosque Sendra, J. (2000). Posibilidades y limitaciones del

cálculo de caminos mínimos en Idrisi. Cálculo de rutas óptimas para el traslado de
residuos tóxicos y peligrosos en el corredor del Henares, II Reunión de Usuarios
de IDRISI Servei de Sistemas d'Informacio Geográfica i Teledeteccio, Universitat
de Girona, Girona, 2000. 20 páginas y CD-ROM.
Gómez Delgado, M., Rodríguez Durán, A.E., Rodríguez Espinosa, V.M.,

Chuvieco, J. y Chuvieco, E. (1996). Diseño de carreteras con un SIG. Factores
económicos y factores ambientales, Ciudad y territorio/Estudios territoriales, vol.
III, N.º 104.
Gómez Mendoza, J., Muñoz Jiménez, J. y Ortega Cantero, N. (1982). El

pensamiento geográfico: estudio interpretativo y antología de textos, Humbolt a
las tendencias radicales, Alianza, Madrid.
Gómez Orea, D. (1985). El espacio rural en la ordenación del territorio, Instituto

Estudios Agrarios, Pesqueros y Alimentarios, Madrid.
Gómez, M. y Bosque Sendra, J. (2001). Cálculo de rutas óptimas para el

transporte de residuos peligrosos, Geofocus (Artículos), 1, pp. 49-75.
González Aguayo, R.E. (1995). Diccionario de términos SIG, Cuadernos de

Trabajo, Instituto de Economía y Geografía, CSIC. 158 páginas.
Goodchild, M. (1984). ILACS: A location-allocation model for retail site selection,

Journal of Retailing, 60, pp. 84-100.
Goodchild, M. y Booth, P. (1980). Location and allocation of recreation facilities:

public swimming pools in London, Ontario Geographer, 15, pp. 35-51.
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.
Grade Rodríguez, M. (1993). Una mirada al futuro, Cuadernos de Pedagogía N.º

214, pp. 88-92.
Gregory, D. (1987). Accesibilidad, Diccionario de Geografía Humana (Johnston,

R.J., Gregory, D. y Smith, D.M., (eds)), Alianza, Madrid.
Grothe, M. y Heuvelmans, E. (1991). A GIS-based DSS for facility location

planning: towards an application in the Dutch Banking sector, EGIS'91, Second
European Conference on Geographical Information Systems. Brussels, pp. 378-
386.
Guagliardo, M. (2004). Spatial accessibility of primary care: concepts, methods

and challenges, International Journal of Health Geographics, vol. 3, Issue 3, pp.
1-13.
Gutierrez Puebla, J. (1991). Indicadores de accesibilidad en transporte publico en

el medio rural: una propuesta metodológica, Estudios Geográficos tomo LII,
N.º 203, CSIC Instituto de Economia y Geografía Aplicada, pp. 205-221. Madrid.
Gutierrez Puebla, J. y Gould, M. (1994). SIG: Sistemas de Información

Geográfica, Colección Espacios y Sociedades, N.º 2, Editorial Síntesis, 252
páginas. Madrid.
Gutiérrez, J. (2001). Location, economic potential and daily accessibility: an

analysis of the accessibility impact of the high speed line Madrid-Barcelona-
French border, Journal of Transport Geography 9, pp. 229-242.
Gutiérrez, J. y Gómez, G. (1999). The impact of orbital motorways on intra-

metropolitan accessibility: the case of Madrid's M-40, Journal of Transport
Geography 7, pp. 1-15.
Gutiérrez, J. y Urbano, P. (1996). Accessibility in the European Union: the impact

of the trans-European road network. Journal of Transport Geography 4 (1), pp.
15-25.
Gutiérrez, J., González, R. y Gómez, G. (1996). The European high-speed train

network. Journal of Transport Geography 4 (4), pp. 227-238.
Hägerstrand, T. (1970). What about People in Regional Science?, Papers of the

Regional Science Association, 24, pp. 7-21.
Hägerstrand, T. y Wagner, P. (1994). Technical and institutional constraints of

individual scope. Euroäisches Forum Alpbach 1994, Herausgegeben von Heinrich
Pfusterschmid-Hardtenstein, pp. 618-625.
Halseth, G. y Rosenberg, M. (1991). Locating emergency medical services in small

town and rural settings, Socio-Economic Planning Sciences, 25 (4), pp. 295-304.
Handy, S.L. y Niemeier, D.A. (1997). Measuring accessibility: and exploration on

issues and alternatives, Environment and Planning A, 29, pp. 1175-1194.
Hansen, P., Labbé, M., Peeters, D. y Thisse, J.-F. (1987). Facility location
analysis, Fundamentals of Pure and Applied Economics, 22, pp. 1-70.
Hare, T. y Barcus, H. (2007). Geographical accessibility and Kentucky’s heart-

related hospital services, Applied Geography, vol. 27, Issues 3-4, pp. 181-205.
Hariharan, R. y Hornsby, K. (2000). Modeling Intersections of Geospatial

Lifelines, First International Conference on Geographic Information Science,
Savannah, Georgia, USA, consultado en www.giscience.org/GIScience2000
(agosto 2002).
Harvey, D. (1977). Urbanismo y desigualdad social, Madrid, Siglo XXI Editores.
Haslett, J., Wills, G. y Unwin, A.R. (1990). SPIDER. An Interactive Statistical

Tool for the Analysis of Spatial Data, Int. J. Geographical Information Systems,
vol. 4, N.º 3, pp. 285-296.
Haynes, K.E. y Fotheringham, A.S. (1984). Gravity and Spatial Interaction

Models, Sage Pub, Beverly Hills.
Helling, A. (1998). Changing intra-metropolitan accessibility in the U.S.: Evidence

from Atlanta. Progress in Planning 49 (2), pp. 55-107.
Hernández Aja, A. (1997). La ciudad de los ciudadanos, Ministerio de Fomento,

Madrid.
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.
Hillsman, E. L. (1984). The p-median structure as an unified linear model for

location-allocation analysis, Environment and Planning A, 16, pp. 305-318.
Himmelberger, J., Ratick, S. Y White, A. (1991). Compensation for risks: host

community benefits in siting locally unwanted facilities, Environmental
Management; vol. 15, N.º 5, pp. 647-658.
Hodgart, R. L. (1978). Optimising access to public services: a review of problems,

models and methods of locating central facilities, Progress in Human Geography, 2
(1), pp. 17-48.
Hodge, D.C. (1997). Accessibility - related issues. Journal of Transport Geography

5 (1), pp. 33-34.
Hodgson, M. (1978). Toward more realistic allocation in location-allocation

models: an interaction approach, Environment and Planning A, 10, pp. 1273-1285.
Hodgson, M., Rosing, K. y Shmulevich, F. (1993). A review of location-allocation

applications literature, Studies in Locational Analysis, 5, pp. 3-29.
Holmes, J., Williams, F. y Brown, L. (1972). Facility location under a maximum

travel restriction: an example using daycare facilities, Geographical Analysis, 4,
pp. 258-266.
Hontoria García, E.; Zamorano Toro, M. (2000). Fundamentos del manejo de

residuos urbanos, Colegio de Ingenieros de Caminos, Canales y Puertos, Colección
Senior, Madrid. 756 páginas.
Horn, R.V. (1993). Statistical Indicators for the Economic and Social Sciences,
Cambridge University Press, Nueva York.
Huisman, O. y Forer, P. (1998). Computational agents and urban life spaces: a

preliminary realization of the time-geography of the student lifestyles, Proceedings
3rd International Conference on GeoComputation, Bristol, UK. pp. 18. Consultado
en http://divcom.otago.ac.nz/SIRC/GeoComp/GeoComp98/68/gc_68a.htm
Humphreys, J. (1998). Delimiting ‘rural’: implications of an agreed ‘rurality’

indez for healthcare planning and resource allocation, Australian Journal of Rural
Health, 6 (4), pp. 212-216.
Huxhold, W.E. (1991). An Introduction to Urban GIS. Oxford University Press.

Nueva York.
Hyman, G. y Mayhew, L. (2001). Market area analysis under orbital-radical

routing with applications to the study of airport location, Computers, Environment
and Urban Systems 25, pp. 195-222.
I.N.E. (2002). España en cifras, consultado el 25/06/02 en

www.ine.es/espcif/espcifes/especif01.htm
IEAL (Instituto de Estudios de Administración Local) (1977). Técnicas de higiene

urbana. Recogida y tratamiento de basuras. Limpieza de las vías públicas,
Trabajos de la Comisión 'Basuras domiciliarias y limpieza de ciudades' de la
AGHTM, Servicio de Publicaciones de IEAL, 701 páginas.
Ignizio, J. (1985). Introduction to linear goal programming, Beverly Hills, Sage

Publ., QASS 56.
INCE (Instituto Nacional de Calidad). Informes sobre el Estado y Situación del

Sistema Educativo del Consejo Escolar del Estado basado en los estudios de los
años 1997/98/99 y 2000.
Indice de Legislación Educativa. Material de apoyo a la función inspectora y a los

administradores de la Educación, 1993 Secretaría de Estado de Educación.
Dirección General de Coordinación y Alta Inspección. Centro de Publicaciones del
Ministerio de Educación y Ciencia.
Ingram (1971). The concept of accessibility: a search for an operational form,

Regional Studies 5, pp. 101-107.
Innes, J.E. (1975). Social indicators and public policy: interactive processes of
design and applications, Elsevier Scientific, Amsterdam.
Ishikawa, T. y Toda, M. (2000). Some Economic Extensions of Central-Place

Theory Involving Profit Maximization, Urban Studies 37 (3), pp. 481-495.
Jankowski, P. (1995). Integrating geographical information systems and multiple

criteria decision-making methods, International Journal of Geographical
Information Systems, vol. 9, N.º 3, pp. 251-273.
Jensen, R.C. (1996). Social issues in spatial economics. International Journal of

Social Economics 23 (4/5/6), pp. 296-309.
Jensen-Butler (1999). Cities in Competition: Equity Issues. Urban Studies 36 (5-6),

pp. 865-891.
Jiang, B., Claramunt, C. y Batty, M. (1999). Geometric accessibility and

geographic information: extending desktop GIS to space syntax. Computers,
Environment and Urban System 23, pp. 127-146.
Jimenez Sánchez, J. (1993). Una escuela desahuciada, Cuadernos de Pedagogía

214, pp. 88-102.
Joerin, F., Thériault, M., Villeneuve, P. y Bégin, F. (2001). Une procédure

multicritère pour évaluer l'accessibilité aux lieux d'activité. Revue Internationale
de Geómatique 1(11), pp. 69-104.
Johnston, R.J. (1997). Geography and geographers, Anglo-American Human

Geography since 1945, Arnold, London.
Johnston, R.J. (1997). W(h)ither spatial science and spatial analysis, Futures, 29
(4/5), pp. 323-336.
Johnston, R.J., Gregory, D. y Smith, D.M. (Eds.) (1987). Diccionario de Geografía

Humana, Alianza, Madrid.
Joly, O. (1999). Recent overview of spatial accessibility indicators applied en

France: 1st synthesis of the French research network contributions. Study Program
on European Spatial Development, 23 páginas.
Joseph, A. y Phillips, D. (1984). Accessibility and utilization: Geographical

perspectives on health care delivery. Nueva York, Harper & Row.
Joyanes Aguilar, L. (2009). La Computación en Nube (Cloud Computing): El

nuevo paradigma tecnológico para empresas y organizaciones en la Sociedad del
Conocimiento, Revista cuatrimestral de las Facultades de Derecho y Ciencias
Económicas y Empresariales, 76, pp. 95-111.
Junta de Resídus (1994). Resumen del Programa de Residuos municipales de

Cataluña, Departament de Medi Ambient, Informe (inédito), 20 págs.
Kamiya, H. (1999). Day care services and activity pattern of women in Japan,
GeoJournal, 48, pp. 207-215.
Kapstein, G. y Barra, X.d.l. (1979). El equipamiento como instrumento de

transformación social, Ciudad y Territorio/Estudios territoriales 2/79, pp. 29-38.
Kawase, M. (1999). Commuting activity spaces of married women in a suburb of

the Tokyo metropolitan area, GeoJournal, 48, pp. 217-222.
Kearns, A., Gibb, K. y Mackay, D. (2000). Area Deprivation in Scotland: A New

Assessment, Urban Studies 37 (9), pp. 1535-1559.
Kellerman, A. (1989). Time, Space and Society: Geographical Societal

Perspectives, Kluwer Academic Publishers, Dordrecht.
Keogh, J. (2003). J2EE. Manual de Referencia, Editorial McGraw-Hill España.
Khumawala, B. (1973). An efficient algorithm for the p-median problem with

maximun distance constraints, Geographical Analysis, 5, pp. 309-321.
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.
Knox, P.L. (1980). Measures of accessibility as social indicators: a note. Social

Indicators Research 7, pp. 367-377.
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
Kücükaydın, H., Aras, N. y Altınel, I. K. (2012). A leader–follower game in

competitive facility location, Computers & Operations Research, 39, pp. 437-448.
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.
Kunreuther, H.; Fitzgerald, K. Y Aarts, T. (1993). Siting noxious facilities: a test of

the facility siting credo, Risk Analysis, vol. 13, N.º 3, pp. 301-315.
Kwan, M.P. (1999). Gender and Individual Access to Urban Opportunities: A

Study Using Space_Time Measures, Professional Geographer, 51 (2), pp. 210-227.
Kwan, M.P. y Hong, X.P. (1998). Network-based constraints-oriented choice set

formation using GIS, Geographical Systems 5, pp. 139-162.
Labbé, M., Peeters, D. y Thisse, J.-F. (1995). Location on networks, en Ball, M. et

al. (eds.) Network routing. Amsterdam, North Holland, pp. 551-624.
Lakerveld, M. (1992). Allocation Modelling at Municipal Level: Putting GIS into

Practice, EGIS'92, Third European Conference on Geographical Information
Systems, Munich, pp. 92-102.
Larman, C. (2002). UML y Patrones, Editorial Pearson-Prentice Hall.
Lea, A. y Menger, G. (1991). An overview of formal methods for retail site

evaluation and sales forecasting, Part 3: Location-allocation models, The
Operational Geographer, 9 (1), pp. 17-26.
Leal Maldonado, J. y Ríos Ivars, J. (1988). Los espacios colectivos en la ciudad,

Planificación de usos y servicios públicos, MOPU-ITUR, Madrid.
Lebrero Baena, M.P. (1997), Especialización del profesorado de educación infantil

(0-6 años), U.N.E.D. Madrid.
Lee, C. (2010). A perspective on scientific Cloud Computing, ACM International

Symposium on High Performance Distributed Computing (HPDC) 2010, pp. 451-
459.
Lenntorp, B. (1977). A time-geographic approach to individuals daily movements,

Rapporter och Notiser 33, 50 páginas.
Leonardi, G. (1978). Optimum facility location by accesibility maximizing,

Leonardi, G. (1981a). A unifying framework for public facility location problems -

part 1: A critical overview and some unsolved problems, Environment and
Planning A, 13, pp. 1001-1028.
Leonardi, G. (1981b). A unifying framework for public facility location problems -

part 2: some new models and extensions, Environment and Planning A, 13, pp.
1035-1108.
Levinson, D.M. (1998). Accessibility and the journey to work, Journal of Transport
Geography 6, pp. 11-21.
Linneker, B. y Spence, N. (1996). Road transportation infrastructure and regional

economic development, The regional development effects of the M25 London
orbital motorway, Journal of Transport Geography 4 (2), pp. 77-92.
List, G. et al. (1991). Modeling and analysis for hazardous materials

transportation: Risk analysis, routing/scheduling, and facility location,
Transportation Science, 25, pp. 100-115.
Longley, P. y Batty, M. (Eds.) (1996). Spatial Analysis: Modelling in a GIS

Environment, GeoInformation International. Cambridge.
López De Los Mozos, M. A. (1989). Organización espacial del sistema de centros

públicos de EGB en el sureste de Madrid. Un análisis comparativo de modelos de
localización-asignación», Revista de Educación, N.º 290, pp. 407-444.
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.
López, E. (1992). Aspectos territoriales de la planificación sanitaria: las áreas de

influencia hospitalarias, VI Coloquio Ibérico de Geografía, Porto, Universidade do
Porto.
Löytönen, M. (1998). GIS, Time Geography and Health, GIS and Health (Gatrell,
A. y Löytönen, M., (eds)), Taylor & Francis, London, pp. 97-110.
Luo, W. y Wang, F. (2003). Measure of spatial accessibility to health care in a GIS

environment: synthesis and a case study in the Chicago region, Environment and
Planning B, vol. 30, pp. 865-884.
Mackiewicz, A. y Ratajczak, W. (1996). Towards a new definition of topological

accessibility, Transportation Research, B 30 (1), pp. 47-79.
Makrí, M.C. y Folkelsson, C. (1999). Accessibility Measures for Analyses of Land

Use and Travelling with Geographical Information Systems, Aalborg Universitet,
consulta del 31-05-02 en http://www.trg.dk/td/papers/papers99/.
Malczewski, J. (1997). Spatial Decision Support Systems. NCGIA Core

Curriculum in GIScience, expuesto el 6 de octubre de 1998 en
http://www.ncgia.ucsb.edu/giscc/units/u127.html
Malczewski, J. (1999). GIS and multicriteria decision analysis, Nueva York, J.

Wiley, 392 páginas.
Malczewski, J. y Ogryczak, W. (1988). A multiobjective approach to the

reorganization of health-service areas: a case study, Environment and Planning A,
20, pp. 1461-1470.
Malczewski, J. y Ogryczak, W. (1990). An interactive approach to the central

facility location problem: locating pediatric hospitals in Warsaw, Geographical
Analysis, 22, pp. 244-258.
Malczewski, J. y Ogryczak, W. (1995). The multiple criteria location problem: 1.

A generalized network model and the set of efficient solutions, Environment and
Planning A, 27, pp. 1931-1960.
Marañón, E. (2000). Residuos industriales y suelos contaminados, Oviedo,

Servicio de Publicaciones de la Universidad de Oviedo.
Marianov. V. y Taborga, P. (2001). Optimal location of public health centres

which provide free and paid services, Journal of the Operational Research Society,
52, pp. 391-400.
Mark, D.M. (1999). Geographic Information Science: critical issues in an

emerging cross-disciplinary research domain. Consulta en www.geog.buffalo.edu/
ncgia/GIScienceReport.html
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
Martensson, S. (1975). Time use and social organization, Rapporter och Notiser
17: 16.
Martin, D. (1991). Geographical Information Systems and their socioeconomic

applications, Routledge, London.
Martin, D. y Longley, P. (1995). Data sources and their geographical integration,

GIS for Business and Service Planning (Longley, P. y Clarke, G., (eds)),
GeoInformation International, Cambridge, pp. 15-32.
Massam, B. (1975). Location and space in social administration, London, Edward

Arnold.
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. (1972). The spatial structure of administrative systems, Association

of American Geographers, Washington.
Massam, B.H. (1980). Spatial search applications to planning problems in the

public sector, Pergamon. Oxford.
Massam, B.H. (1993). The right place: shared responsibility and the location of
public facilities, Longman Scientific & Technical, Nueva York.
Matisziw, T. C. y Murray, A. T. (2009). Siting a facility in continuous space to

maximize coverage of a region, Socio-Economic Planning Sciences, 43, pp. 131-139.
Mayhew, L. y Leonardi, G. (1982). Equity, efficiency, and accessibility in urban

and regional health-care systems, Environment and Planning A, 14 (11), pp. 1479-
1507.
McCain, R.A. (2001). Equitable allocations and the case for access, International
Journal for Social Economics 28 (10/11/12), pp. 831-851.
Medina Rubio, R. (1997). La educación infantil en la reforma del nuevo sistema

educativo español, especialización del profesorado de educación infantil (0-6 años)
(Lebrero Baena, M.P., (Ed.)), U.N.E.D., Madrid, pp. 379-399.
Medina Tapia, M. y Cerda Troncoso, J. (2008). Modelo de localización óptima de

actividades no deseables aplicado a los residuos sólidos de la región
metropolitana, Ingeniare, Revista Chilena de Ingeniería, 16 (2), pp. 211-219.
Melachrinoudis, E. y Cullinane, T. (1985). Locating an undesirable facility within

a geographical region using the maximin criterion, Journal of Regional Science,
25 (1), pp. 115-127.
Mendes, J.F.G.; Silva, J.M.F. (1996). Landfill facilities siting using GIS.
Pennsylvania-Geographer. 34/1, pp. 24-40.
Mennins, J.L., Peuquet, D.J. y Qian, L. (2000). A conceptual framework for

incorporating cognitive principles into geographical databases. International
Journal of Geographical Information Science 14 (6), pp. 501-520.
Mey, M.G. y Heide, H.ter (1997). Towards spatiotemporal planning: practicable

analysis of day-to-day paths through space and time, Environment and Planning B:
Planning and Design, 24, pp. 709-723.
Miguel, A.d. (1967). Tres estudios para un sistema de indicadores sociales,

Fundación FOESSA, Madrid.
Miller, H. (1996). GIS and geometric representation in facility location problems,

International Journal of Geographical Information Systems, 10, pp. 791-816.
Miller, H. S. y Shaw, S.-L. (2001). Geographic information systems for

transportation, Oxford University Press.
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.
Miller, H.J. (1999). Measuring Space-Time Accessibility Benefits within

Transportation Networks: Basic Theory and Computational Procedures,
Geographical Analysis 31 (2), pp. 187-212.
Ministerio de Educación y Ciencia. L.O.D.E Ley Orgánica del Derecho a la

Educación y disposiciones reglamentarias. 1997, Boletin Oficial del Estado,
Colección Textos Legales, Madrid.
Ministerio de Educación y Ciencia. L.O.G.S.E. Ley Orgánica de Ordenación

General del Sistema Educativo, Centro de Publicaciones del M.E.C., Madrid, 1990.
Ministerio de Educación y Cultura. Informe sobre el Estado y Situación del

Sistema Educativo Cursos 93/94/95/96/97/98, Consejo Escolar del Estado,
Secretaría General Técnica, Centro de Publicaciones.
Moon, I. y Chaudry, S. (1984). An analysis of network location problems with

distance constraints, Management Science, 30 (3), pp. 290-307.
Moore G. C. y ReVelle C. S. (1982). The hierarchical service location problem,

Management Science, 28, pp. 775-780.
MOPTMA (1996). 100 Preguntas sobre residuos industriales. Guía práctica del
productor de residuos industriales, serie monografías, editorial Centro de
Publicaciones MOPTMA, Madrid.
Moral, B. y Escobar, F (2004). Time geography paradigm to represent and to

analyze gender mobility differences in Chuuk, Micronesia, Moral B. (coord.),
Micronesia - Visiones desde Europa, Madrid, ed. Gondo, (ISBN 84-931454-9-1),
pp. 141-165.
Moral, B. y Escobar, F. (2002). Time geography paradigm to facilitate

visualization of gender mobility differences in Chuuk, Micronesia: a research
proposal, Del Valle, et al., Second European Colloquium on Micronesia, San
Sebastián, Universidad del País Vasco (UPV), en prensa.
Moreno Jiménez, A. (1988). Una metodología de planificación de equipamientos

públicos en medio rural. Aplicación al noreste de la Comunidad de Madrid,
Ciudad y Territorio, 1, pp. 119-177.
Moreno Jiménez, A. (1991). Actividades de servicios y territorio: tendencias

generales, procesos en medio urbano y propuestas para la enseñanza. Aspectos
didácticos de la Geografía y la Historia, Geografía. Zaragoza, ICE de la
Universidad de Zaragoza, pp. 65-113.
Moreno Jiménez, A. (1991). Los centros culturales en Madrid: un análisis

geográfico de la provisión y el uso, Estudios Geográficos 205, pp. 697-730.
Moreno Jiménez, A. (1992). Modelos para el estudio y previsión de servicios

colectivos, V Coloquio de Geografía Cuantitativa, Zaragoza, Universidad de
Zaragoza, pp. 501-513.
Moreno Jiménez, A. (1995). Planificación y gestión de servicios a la población

desde la perspectiva territorial: algunas propuestas metodológicas, Boletín de la
Asociación de Geógrafos Españoles, 20, pp. 115-134. Consultado en

http://dialnet.unirioja.es/ servlet/articulo?codigo=1318497
Moreno Jiménez, A. (1995b). La medición de externalidades ambientales: un

enfoque espacio-temporal, Anales de Geografía de la Universidad Complutense,
15, pp. 485-496.
Moreno Jiménez, A. (1998). Una familia de modelos de localización óptima para

actividades indeseables: propuesta y aplicación con sistemas de información
geográfica, Cybergeo, Révue Europeenne de Géographie/European Journal of
Geography, N.º 68, consultado en http://www.cybergeo.presse.fr/revgeo/modelis/
jimenez/ jimenez.htm, 17 páginas.
Moreno Jiménez, A. (1999). En busca de la localización óptima para instalaciones

perjudiciales: propuesta de modelos y resolución con sistemas de información
geográfica, Boletín de la Asociación de Geógrafos Españoles, 27, pp. 99-116.
Moreno Jiménez, A. (2001, dir.). Geomarketing con sistemas de información

geográfica, Madrid, Departamento de Geografía de la UAM-Grupo de Métodos
Cuantitativos, SIG y Teledetección de la AGE.
Moreno Jiménez, A. (2004). Modelos de localización óptima de instalaciones y

equipamientos. Bosque Sendra, J.; Moreno, A. (2004, eds.). Sistemas de
información geográfica y localización de instalaciones y equipamientos, Madrid,
España. Ra-Ma, 1.ª edición, pp. 53-101.
Moreno Jiménez, A. (2007). Justicia y eficiencia espacial como principios para la

planificación: aplicación en la provisión de servicios colectivos con SIG, en Buzai,
G. D. (ed.), Memorias, XI Conferencia Iberoamericana de Sistemas de Información
Geográfica. Dpto. de Ciencias Sociales, Universidad Nacional de Luján, Luján,
Argentina, pp. 197-230. www.geogra.uah.es/inicio/web_11_confibsig/
CONFERENCIAS/Conferencia_Moreno.pdf
Moreno Jiménez, A. (2007). Justicia y eficiencia espacial como principios para la

planificación: aplicación en la provisión de servicios colectivos con SIG, en Buzai,
G. D. (Ed.): Memorias. XI Conferencia Iberoamericana de sistemas de información
geográfica. Lujan, Dpto. de Ciencias Sociales, Universidad Nacional de Luján, p.
197-230. www.geogra.uah.es/inicio/web_11_confibsig/CONFERENCIAS/Conferencia
_Moreno.pdf
Moreno Jiménez, A. (2008). Los servicios colectivos y el desarrollo territorial:

Una reconsideración conceptual y metodológica actual, en Moreno Jiménez, A. y
Buzai, G. D. (coord.), Análisis y planificación de servicios colectivos con sistemas
de información geográfica, Madrid, Universidad Autónoma de Madrid y

Universidad Nacional de Luján, pp. 5-23. http://www.gesig-proeg.com.ar/
documentos /libros/Moreno-Buzai-2008.rar
Moreno Jiménez, A. (2008). Resolución de problemas de localización óptima de

equipamientos con Flowmap. Moreno Jiménez, A. y Buzai. G. (2008, Coords.),
Análisis y planificación de servicios colectivos con Sistemas de Información
Geográfica, Madrid, España, Universidad Autónoma de Madrid y Universidad
Nacional de Luján, 1ª edición, pp. 117-146.
Moreno Jiménez, A. (2010). Justicia ambiental. Del concepto a la aplicación en

análisis de políticas y planificación territoriales, Scripta Nova, vol. XIV, 316.
1 de marzo de 2010. 33 páginas. http://www.ub.es/geocrit/sn/sn-316.html
Moreno Jiménez, A. (dir.) (2001). Geomarketing con sistemas de información

geográfica, Madrid, Departamento de Geografía de la UAM-Grupo de Métodos
Cuantitativos, SIG y Teledetección de la AGE.
Moreno Jiménez, A. (dir.), Gómez, N. y Vázquez, C. (1999). Población y espacio

en la Comunidad de Madrid. Análisis y aplicaciones a nivel microgeográfico,
Madrid, Instituto de Estadística de la Comunidad de Madrid,
http://www.madrid.org/iestadis/gazeta/publicaciones/mono_t4no.htm
Moreno Jiménez, A. et al. (1991). Los centros culturales en Madrid. Un análisis

geográfico de la provisión y el uso, Estudios Geográficos, 205, pp. 697-730.
Moreno Jiménez, A. y Bosque Sendra, J. (2010). Los modelos de localización

óptima como herramientas para la planificación territorial y urbana de
instalaciones y equipamientos, Ciudad y Territorio, Estudios Territoriales, XLII,
165-166, pp. 461-480.
Moreno Jiménez, A. y Buzai, G. D. (2008, coord.). Análisis y planificación de

servicios colectivos con sistemas de información geográfica, Madrid, Universidad
Autónoma de Madrid y Universidad Nacional de Luján, 1.ª edición, 158 páginas,
http://www.gesig-proeg.com.ar/documentos/libros/Moreno-Buzai-2008.rar
Moreno Jiménez, A. y Escolano Utrilla, S. (1992). Los servicios y el territorio,

Síntesis, Madrid.
Moreno Jimenez, A. y Escolano Utrilla, S. (1992-a). El comercio y los servicios

par la producción y el consumo, Colección espacios y sociedades, N.º 20, Editorial
Síntesis, 240 páginas, Madrid.
Moreno Jiménez, A. y López de los Mazos, M.A. (1989). Organización espacial

del sistema de centros públicos de EGB en el sureste de Madrid. Un análisis
comparativo de modelos de localización-asignación, Revista de Educación,
N.º 290, septiembre-diciembre, pp. 407-444.
Moreno Jiménez, A. y Vinuesa Angulo, J. (2009). Desequilibrios y reequilibrios

intrametropolitanos: principios de evaluación y metodología de análisis, Ciudad y
Territorio-Estudios Territoriales, LXI, 160, pp. 233-262.
Moreno Pérez, J.A. (1996). Heurísticas de búsqueda para problemas discretos de

localización-asignación, Puerto Albandoz, J. (ed.). Lecturas en teoría de la
localización, Sevilla, Universidad de Sevilla, pp. 107-134.
Moreno, A. (1995). Planificación y gestión de servicios a la población desde la

perspectiva territorial: algunas propuestas metodológicas, Boletín de la
Asociación de Geógrafos Españoles, 20, pp. 115-134. http://dialnet.unirioja.es/
servlet/fichero_articulo?codigo=1318497&orden=84488
Moreno, A. (2004). Modelos de localización óptica de instalaciones y

equipamientos, en Bosque, J. y Moreno, A. (eds.), Sistemas de información
geográfica y localización de instalaciones y equipamientos, Madrid, Editorial
Ra-Ma.
Moreno, A. (2007). Justicia y eficiencia espacial como principios para la

planificación: aplicación en la provisión de servicios colectivos con SIG, Buzai,
G. D. (ed.), Memorias. XI Conferencia Iberoamericana de Sistemas de
Información Geográfica, Luján, Argentina, Departamento de Ciencias Sociales,
Universidad Nacional de Luján, pp. 197-230. www.geogra.uah.es/inicio/
web_11_confibsig/CONFERENCIAS/Conferencia_Moreno.pdf
Moreno, A. (2008). Los servicios colectivos y el desarrollo territorial: una

reconsideración conceptual y metodológica, en Moreno, A. y Buzai, G. (eds.),
Análisis y planificación de servicios colectivos con sistemas de información
geográfica, Madrid, Grafiprintin, pp. 5-23, http://www.gesig-proeg.com.ar/
documentos/libros/Moreno-Buzai-2008.rar
Moreno, A. y Hodgart, R. (2003). Modelling a single type of environmental impact

from an obnoxious transport activity: implementing locational analysis with GIS,
Environment and Planning A, 35, 5, pp. 931-946.
Moreno, A. y López, M. (1989). Organización espacial del sistema de centros

públicos de Enseñanza General Básica en el sureste de Madrid: un análisis
comparativo de modelos de localización-asignación, Revista de Educación, 290,

pp. 407-442.
Morris, J. (1978). On the extent to which certain fixed-charge depot location

problems can be solved by LP, Journal of the Operational Research Society, 29, pp.
71-76.
Muñoz Pérez, J. (1996). Localización de centros no deseados, en Puerto Albandoz,

J. (ed.), Lecturas en teoría de la localización, Sevilla, Universidad de Sevilla, pp.
135-148.
Murawski, L. y Church, R. L. (2009). Improving accessibility to rural health

services: The maximal covering network improvement problem, Socio-Economic
Planning Sciences, 43, pp. 102-110.
Murray A. et al. (1998). Impact models for sitting undesirable facilities, Papers in
Regional Science, 77 (1), pp. 19-36.
Murray, A. T., O’Kelly, M. E. y Church, R. L. (2008). Regional service coverage

modeling, Computers & Operations Research, 35, pp. 339-355.
Murray, A.T. Y Church, R.L. (1995). Solid-waste-disposal site location, Journal of

urban planning and development, vol. 121, N.º 3, pp. 109-114.
N.C.G.I.A. (1990). Location - Allocation on networks, N.C.G.I.A. Core

Curriculum, vol III, Application Issues in GIS University of California. Santa
Bárbara. pp. 58-12.
NCGIA (1990). http://www.ncgia.ucsb.edu/research/initiatives.html, Iniciativa 6,

(noviembre, 2002).
NCGIA (1995). http://www.ncgia.ucsb.edu/re-search/i17/I-17_home.html,

Iniciativa 17 (noviembre, 2002).
Ndiaye, M. y Alfares, H. (2008). Modeling health care facility location for moving
population groups, Computers & Operations Research, 35, pp. 2154-2161.
Norbeck, S. y Rystedt, B. (1971). Computer cartography: A multiple location

program, Lund Studies in Geography, Ser. C. General, Mathematical and Regional
Geography, 12, pp. 39-66.
O.C.D.E. (1981). Medida del bienestar social: progresos realizados en la

elaboración de indicadores sociales, INE, Madrid.
O`Kelly, M. (1987). Spatial interaction-based location-allocation models, Ghosh,

A. y Rushton, G. (eds.), Spatial analysis and location-allocation models, Nueva
York, Van Nostrand Reinhold Co., pp. 302-326.
Oberg, S. (1976). Methods describing physical access to supply points, The Royal
University, Departament of Geography, Lund.
OCU (2000). El poder de la basura. Gestión de residuos: encuesta a municipios y

a ciudadanos, OCU-Compra Maestra octubre 2000 N.º 242, pp. 6-11.
Olivera, A. (1993). Geografía de la Salud, Madrid, Editorial Síntesis.
Opaluch, J.J.; Swallow, S.K.; Weaver, T; Wessells, C.W. Y Wichelns, D. (1993).

Evaluating impacts from noxious facilities: including public preferences in current
siting mechanisms, Journal of environmental economics and management, vol. 24,
pp. 41-59.
Openshaw, S. (1996). Developing GIS relevant zone-based spatial analysis

methods, Spatial Analysis: Modelling in a GIS Environment (Longley, P. y Batty,
M., (Eds)), GeoInformation International, Cambridge, pp. 55-73.
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.
Ott, T. y Swiaczny, F. (2001). Time-Integrative Geographic Information Systems,

Springer, Berlin, etc., 234 páginas.
Owen, S. H. y Daskin, M. S. (1998). Strategic facility location: A review, European

Journal of Operational Research, 111, pp. 423-447.
Pacione, M. (1990). Urban problems: an applied urban analysis, Routledge,

London.
Pacione, M. (1995). The geography of multiple deprivation in Scotland, Applied

Geography, 15 (2), pp. 115-133.
Palm, R. (1981). Women in metropolitan areas: a time-budget survey, Environment

and Planning A, 13, pp. 373-378.
Palm, R. y Pred, A.R. (1974). A Time-geographic perspective on problems of

inequality for women, Working Paper 236, Institute of Urban and Regional
Development, University of Califormia, Berkeley.
Palomares Aguirre, M.C. (1995). Centros docentes y calidad educativa.

Evaluación de los Colegios Rurales Agrupados en la provincia de Cuenca, Informe
de investigación no publicado, MEC, CIDE.
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.
Parkes, D. y Thrift, N. (1980). Times, spaces and places: a chronogeographic

perspective, Wiley, Chichester.
Parrot, R. y Stutz, F.P. (1991). Urban GIS applications, Geographial Information

Systems: principles and applications (Maguire, D.J., Goodchild, M.F. y Rhind,
D.W., (eds)), Longman Scientific and Technological, Nueva York. pp. 247-260.
Pearce, J. (2000). Techniques for defining school catchment areas for comparison
with census data, Computers, Environment and Urban Systems 24, pp. 283-303.
Peeters, D. y Thomas, I. (1995). The effect of spatial structure on the p-median

results, Transportation Science, 29, pp. 366-373.
Peeters, D., Thisse, J. F. y Thomas, I. (1998). Transportation networks and the

location of human activities, Geographical Analysis, 30, 4, pp. 355-371.
Pena Trapero, J.B. (1977). Problemas de la medición del bienestar y conceptos

afines. Una aplicación al caso español, Presidencia de Gobierno, INE, Madrid.
Perry, B. y Gesler, W. (2000). Physical access to primary health care in Andean

Bolivia, Social Science & Medicine, 50, pp. 1177-1188.
Pinch, S. (1985). Cities and services. The geography of collective consumption,

Routledge and Kegan Paul, London.
Pirie (1979). Measuring accessibility: a review and proposal, Environment and

Planning A 11, pp. 299-312.
Plastria, F. (1995a). Continuous location problems, Drezner, Z. (ed.) Facility

location, Berlin, Springer Verlag, pp. 225-262.
Plastria, F. (1995b). Continuous location of attracting and undesirable facilities, en

Slowinski, R. (ed.) Semi-plenar y papers, EURO XIV, Jerusalén, pp. 131-148.
Plastria, F. (2001). Static-competitive facility location: an overview of optimisation

approaches, European Journal of Operational Research, 129 (3), pp. 461-470.
Plastria, F. y Vanhaverbeke, L. (2008). Discrete models for competitive location

with foresight, Computers & Operations Research, 35, pp. 683-700.
PNUMA (2000). Perspectivas del Medio Ambiente mundial GEO-2000, Madrid,

Mundi-Prensa, D.L.
Pooler, J.A. (1995). The use of spatial separation in the measurement of

transportation accessibility, Transportation Research, A 29A (6), pp. 421-427.
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.
Prats i Ferrer, M. (1998). Gênere,ús del temps i geografia: un estat de la qüestió,

Documents d'Analisi Geografica, 32, pp. 175-188.
Pred, A. (1977). City-Systems in Advanced Economies: Past Growth, Present

Processes and Future Development Options, Hutchinson & Co, London.
Puerto Albandoz, J. et al. (eds.) (1996), Lecturas en teoría de localización, Sevilla,

Universidad de Sevilla.
Rahman, S. y Smith, D.K. (2000). Use of location-allocation models in health

service development planning in developing nations, European Journal of
Operational Research, 123, pp. 437-452.
Ramírez, L. (2000). ¿Dónde localizar hospitales públicos? Las nuevas tecnologías

SIG como herramientas de apoyo a la planificación territorial. Un caso de estudio
aplicado a la Provincia del Chaco - Argentina, Serie Geográfica, 10, pp.121-130.
Ramírez, L. (2005). Las tecnologías de la información geográfica aplicadas a la

planificación territorial sanitaria, Serie Geográfica, 12, pp. 57-82.
Ramírez, L. (2008). Características demográficas de la población según el acceso

diferencial a los centros de salud del Gran Resistencia (República Argentina),
Serie Geográfica, 14, pp. 235-248.
Ramírez, L. y Bosque, J. (2001). Localización de hospitales: Analogías y

diferencias del uso del modelo p-mediano en SIG raster y vectorial, Anales de
Geografía de la Universidad Complutense, 21, pp. 53-79.
Ramírez, M.L. (2004). Localización de equipamientos deseables los hospitales de

la Provincia del Chaco (Argentina), Bosque, J.; Moreno, A. (2004, eds.), Sistemas
de Información Geográfica y localización de instalaciones y equipamientos,
Editorial Ra-Ma, 1.ª edición, pp. 205-245, Madrid, España.
Ramírez, M.L. (2009). Planificación territorial sanitaria y Sistemas de

Información Geográfica: una aproximación al conocimiento de la accesibilidad de
la población a los equipamientos hospitalarios y de la localización optima de los
hospitales públicos en el Chaco, Resistencia, Facultad de Humanidades-UNNE, 1.ª
edición, 241 páginas.
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.
Raper, J. (2000). Multidimensional Geographic Information Science, Londres y

Nueva York, Taylor & Francis, 300 páginas.
Ratick, S. J., Osleeb, J. P. y Hozumi, D. (2009). Application and extension of the

Moore and ReVelle hierarchical maximal covering model, Socio-Economic
Planning Sciences, 43, pp. 92-101.
Ratick, S. y White A. (1988). A risk-sharing model for locating noxious facilities,

Environment and Planning B: Planning and Design, 15, pp. 165-179.
Ratick, S.J.; Nieves, L.A.; Himmelberger, J.; Y White, A. (1992). Negotiated

compensation for solid-waste disposal facility siting: an analysis of the Wisconsin
Experience, Risk Analysis, vol. 12, N.º 4, pp. 505-511.
Rawls, J. (1971). A theory of justice. Cambridge (Mass.), Harvard University Press.
ReVelle, Ch. (1986). The maximum capture or ‘sphere of influence’ location

problem: Hotelling revisited on a network, Journal of Regional Science, 26 (2), pp.
343-358.
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.
ReVelle, Ch. Scholssberg, M. y Williams, J. (2008). Solving the maximal covering

location problem with heuristic concentration, Computers & Operations Research,
35, pp. 427-435.
ReVelle, Ch., Cohon, J. y Shobrys, D. (1981). Multiple objective facility location,

Sistemi Urbani, 3, pp. 319-343.
Reynolds, D; y otros. (1997) Las escuelas eficaces. Claves para mejorar la

enseñanza, Madrid, Santillana, Aula XXI.
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.
Robertson, I. (1978). Planning the location of recreation centres in an urban area:

a case study of Glasgow, Regional Studies, pp. 419-427.
Romero, C. (1993). Teoría de la Decisión Multicriterio: Conceptos, Técnicas y

Aplicaciones, Editorial Alianza, Madrid.
Roser Bois, F. (1998). La educación primaria en el medio rural español, Aula de

innovación educativa, N.º 77, pp 43-46.
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.
Rushton, G. (1987). Selecting the objective function in location-allocation

analyses, en Ghosh, A. y Rushton, G. (eds.) Spatial analysis and location-allocation
models, Nueva York, Van Nostrand Reinhold Co., pp. 345-364.
Russett, B.M., et al. (1968). Análisis comparado de indicadores sociales y

políticos, Euramérica, Madrid.
S/A (1998). Manifiesto de Madrid, 4.º World-wide Congress of Infantile

Educators, Madrid, Asociación Mundial de Educadores Infantiles.
Sabaté Martínez, A., Rodríguez Moya, J.M. y Díaz Muñoz, M.A. (1995). Mujeres,
espacio y sociedad. Hacia una geografía del género, Síntesis, Madrid.
Sáez Burgaya, J. (2009). Servicio WPS para la obtención de información

alfanumérica, Presentación de la reunión del Grupo de Trabajo de la
Infraestructura de Datos Espaciales de España (GTIDEE), Murcia.
Satani, N. et al. (1998). Commercial facility location model using multiple

regression analysis, Computers, Environment and Urban Systems 22 (3), pp. 219-
240.
Sauras Jaime, P. (1993). El reto actual de la LOGSE, Cuadernos de Pedagogía N.º

214, pp 92-98.
Scaparra, M. y Scutellà, M. (2001). Facilities, locations, customers: building block

of location models, Pisa, Technical Report TR-01-18, Università de Pisa.
Schilling, D., Rosing, K. y ReVelle, Ch. (2000). Network distance characteristics

that affect computational effort in p-median problems, European Journal of
Operational Research, 127, pp. 525-536.
Schilling, D.A., Jayaraman, V. y Barkhi, R. (1993). A review of covering problems

in facility location, Location Science, 1, pp. 25-55.
Scott, A. (1971). Combinatorial programming, spatial analysis and planning,

London, Methuen.
Serra D. y ReVelle, Ch. (1999). Surviving in a competitive spatial market: The

threshold capture problem, Journal of Regional Science, 39 (4), pp. 637-652.
Serra, D. (1996). Estrategias de localización de servicios en régimen de

competencia, en Puerto Albandoz, J. et al. (eds.), Lecturas en teoría de
localización, Sevilla, Universidad de Sevilla, pp. 197-215.
Serra, D. y Colomé, R. (2001). Consumer choice and optimal locations models:

Formulations and heuristics, Papers in Regional Science, 80, pp. 439-464.
Serra, D. y ReVelle, Ch. (1994). Market capture by two competitors: the

preemptive location problem, Journal of Regional Science, 34 (4), pp. 549-561.
Setién Santamaría, M.L. (1993). Indicadores sociales de calidad de vida. Un

sistema de medición aplicado al País Vasco, C.I.S., Madrid.
Shen, Q. (1998). Spatial technologies, accessibility, and the social construction of

urban space, Computers, Environment and Urban Systems 22 (5), pp. 447-464.
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.
Sinha, S. y Sastry, S. (1987). A goal programming model for facility location

planning, Socio-Economic Planning Sciences, 21 (4), pp. 251-255.
Smith, D. (1971). Industrial location. An economic geographical analysis, New
Smith, D.M. (1980). Geografía humana. Un enfoque del bienestar, Oikos-Tau.

Barcelona.
Smith, D.M. (1994). Geography and Social Justice, Blackwell. Oxford.
Smith, M. J. de, Goodchild, M. y Longley, P. (2006). Geospatial analysis. A

comprehensive guide to principles, techniques and software tools, Leicester,
Troubador Publ. Ltd., Matador, 3ª ed. 2009. http://www.spatialanalysisonline.com/
index.html
Sprague, J.R..H. y Watson, H.J. (1996). Decision support for management Upper
Saddle River, N.J., Prentice Hall.
Stoll, L; Y Fink, D. (1999). Para cambiar nuestras esccuelas. Reunir la eficacia y

la mejora, Barcelona. Editorial Octaedro.
Tanahashi, T. (1978). Health service coverage and its evaluation, Bulletin of the
World Health Organization, 56 (2), pp. 295-303.
Taylor, J. (1983). Distance decay in spatial interaction, Geobooks, CATMOG.

Norwich.
Teitz, M. y Bart, P. (1968). Heuristic methods for estimating the generalized vertex
median of a weighted graph, Operations Research, 16, pp. 955-961.
Texeira, J. C. y Antunes, A. P. (2008). A hierarchical location model for public

facility planning, European Journal of Operational Research, 185, pp. 92-104.
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.
Thomas, I. (2002). Transportation networks and the optimal location of human

activities. A numerical geography approach, Northampton, Mass, Edward Elgar.
Thomas, R.W. (1987). Developments in mathematical programming models and

their impact on the spatial allocation of educational resources, Progress in Human
Geography 11 (2), pp. 207-226.
Thouez, J-P. (1987). Organisation spatiale des systèmes de soins, Montreal. Les
Presses de l’Universite de Montéal.
Thrift, N. (1977a) An introduction to time-geography, University of East Anglia.

Norwich.
Toregas, C. et al. (1971). The location of emergency service facilities, Operations

Research, 19 (6), pp. 1363-1373.
U.N.D.P. (2002). Indicadores sobre el desarrollo humano, 2001, consultado el

25/06/02 en www.undp/hdr2001/spanish/spaindic.pdf
U.N.E.S.C.O. (1976). The use of socio-economic indicators in development

planning, The UNESCO Press, París.
U.N.I.C.E.F. (2002). Estadísticas para América Latina y el Caribe. Fondo de

Naciones Unidas para la Infancia, Oficina Regional para América Latina y el
Caribe, consultado el 25/06/02 www.uniceflac.org/espanol/sri_2000/sectores/
economia.htm
United Nations (2000). United Nations Statistics Division, Time-use Surveys,

página web disponible en http://www.un.org/Depts/unsd/timeuse/tusindex.htm
URBASER (1999). Reestructuración del servicio de recogida de residuos sólidos

urbanos y limpieza viaria en el término municipal de Alcalá de Henares, Tomo 1:
Descripción, organización e itinerarios del servicio, URBASER S.A., julio de
1999, Informe (inédito).
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.
Vilhelmson, B. (1999). Daily mobility and the use of time for different activities,
The case of Sweden, GeoJournal, 48, pp. 177-185.
Visedo Godínez, J.M. (1998). El espacio escolar de la educación infantil tras la

reforma, DM, Murcia.
Wang, L. (1999). Advanced Urban and Regional Transportation Development,

Place, 14 páginas.
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.
Wee, B.v., Hagoort, M. y Annema, J.A. (2001). Accessibility measures with

competition, Journal Transport Geography, 9, pp. 199-208.
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.
Wesolowsky, G. (1993). The Weber problem: History and perspectives, Location

Science, 1 (1), pp. 5-23.
Whitaker, R. (1982). Some interchange algorithms for median location problems,

Environment and Planning B, 9 (2), pp. 119-130.
White, A. Y Ratick, S. (1989). Risk, compensation, and regional equity in locating

hazardous facilities, Papers of the regional science association, vol. 67, pp. 29-42.
Wilson, A. (1980). Geografía y planeamiento urbano y regional, Barcelona,

Oikos-Tau.
Wilson, A. (1985). La teoría en la geografía humana: un ensayo de reseña,

Geografía, Pasado y futuro (Brown, E.H., (ed.)), Fondo de Cultura Económica,
México, pp. 287-306.
Yang, Z. (2000). Report on Visualizing Geospatial Lifelines, 1.ª parte (gráficos

3D), consultada en www.geog.buffalo.edu/~zy/llvisualization_report.html, 2.ª parte
(detección de clusters espaciales), consultada en www.geog.buffalo.edu/~zy/
lifeline_visualize2.html
Yeh, A.G.O. y Chow, M.H. (1996). An integrated GIS and location-allocation

approach to public facilities planning - An example of open space planning,
Computers, Environment and Urban Systems 20 (4/5), pp. 339-350.
Zanakis, S., Evans, J. y Vazacopoulos (1989). Heuristic methods and applications:

A categorized survey, European Journal of Operational Research, 43, pp. 88-110.
Zhang, L. y Rushton, G. (2008). Optimizing the size and locations of facilities in

competitive multi-site service systems, Computers & Operations Research, 35, pp.
327-338.
__________________ (1991-b). Una panorámica de las perspectivas teóricas

sobre los servicios colectivos, Boletín de la Asociación de Geografos Españoles,
N.º 12, pp. 33-58, Madrid.
__________________ (1992-b). Los servicios y el territorio, Colección espacios y

sociedades, N.º 19, Editorial Síntesis, 189 páginas, Madrid.
__________________ (1995). Planificación y gestión de servicios a la población

desde la perspectiva territorial: Algunas propuestas metodológicas, Boletín de la
Asociación de Geografos Españoles, N.º 20, pp. 115-134, Madrid.
__________________ (1998). La Educación secundaría en el medio rural, Aula de

innovación educativa, N.º 77, pp. 47-52.
_____________________ (2000). La Escuela Rural y las transferencias

educativas en Castilla la Mancha: Análisis y reflexiones, Revista de Educación
Regional, N.º 1, noviembre de 2000, pp. 8-16.
_______ (1981). Production, family, and free-time projects: a time-geographic

perspective on the individual and societal change in nineteenth-century US cities.
Journal of Historic Geography 7 (1), pp. 3-36.
________ (2001). Modeling and reasoning with geospatial lifelines in

geographical information systems, A dissertation submitted to the Faculty of the
Graduate School of State University of New York at Buffalo, 204 p.
_________ (1977b). Time and theory in human geography. Part I. Progress in

Human Geography 1, pp. 65-101.
_________ (1977c). Time and theory in human geography. Part II. Progress in
Human Geography 1, pp. 413-455.
__________ (1975). A time-geographic approach to time allocation and socio-

ecological systems. Rapporter och Notiser, 20, 16 páginas.
__________ (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.
___________ (1978). A Time-Geographic Simulation Model of Individual Activity

Programmes. Human Activity and Time Geography (Carlstein, T., Parkes, D. y
Thrift, N., (eds)), E. Arnold, London, pp. 162-180.
___________ (1981). A time - geographic approach to transport and public policy

planning. Transport and Public Policy Planning (Banister, D. y Hall, P., (Eds)).
Mansell. Dorchester. pp. 387-396.
___________ (1982). On behavior, accessibility and production, I. Social Aspects

of Transport Transport and Road Research Laboratory Supplementary Report,
Crowthorne, pp. 105-112.
___________ (2000a). Analysis of human spatial behavior in a GIS environment:

Recent developments and future prospects, Geographical Systems (2), pp. 85-90.
___________ (2000b). Interactive geovisualization of activity-travel patterns using

three-dimensional geographical information systems: a methodological
exploration with a large data set, Transportation Research Part C, 8, pp. 185-203.
___________ (2001). What about People in Geographic Information Science?, in

David Unwin (ed.) Re-Presenting Geographic Information Systems, John Wiley, in
preparation, consultado el 23/08/02 en: http://www.geog.utah.edu/~hmiller/
research.html
___________ (2002). Time, information technologies and the geographies of

everyday life, Urban Geography, vol 23, nº 5, pp. 471-482.
______________ (1974). On socio-technical ecology and the study of innovations.

Etnologica Europaea, 7, pp. 17-34.
______________ (1981). Interdependencies in the use of time and place.

Conference awaged by Association Temps Libre, París, policopiado.
______________ (1984). Escapes from the cage of routines. Observations of

human paths, projects and personal scripts. Leisure, Tourism and Social Change
(Long, J. y Hecock, R., (eds)), Dunfermline College of Physical Education,

Edimburgo, pp. 3-19.
______________ (1987). On levels of understanding the impact of innovations.

Gesellschaft * Wirtschaft * Raum. Beiträge zur modernen Wirtschafts - und
Sozialgeographie (Fischer, M.M. y Sauberer, M., (eds)), Wien, pp. 46-50.
__________________ (1991-a). Los centros culturales en Madrid: un análisis

geográfico de la provición y el uso, Estudios Geográficos, Tomo LII, N.º 205,
CSIC, Instituto de economía y Geografía Aplicada, pp. 697-730.
MATERIAL ADICIONAL
El material adicional de este libro puede descargarlo en nuestro portal

Web: http://www.ra-ma.es.
Debe dirigirse a la ficha correspondiente a esta obra, dentro de la ficha

encontrará el enlace para poder realizar la descarga. Dicha descarga consiste en un
fichero ZIP con una contraseña de este tipo: XXX-XX-XXXX-XXX-X la cual se
corresponde con el ISBN de este libro.
Podrá localizar el número de ISBN en la página IV (página de créditos).

Para su correcta descompresión deberá introducir los dígitos y los guiones.
Cuando descomprima el fichero obtendrá los archivos que complementan

al libro para que pueda continuar con su aprendizaje.
INFORMACIÓN ADICIONAL Y GARANTÍA
• RA-MA EDITORIAL garantiza que estos contenidos han sido sometidos a

un riguroso control de calidad.
• Los archivos están libres de virus, para comprobarlo se han utilizado las
últimas versiones de los antivirus líderes en el mercado.
• RA-MA EDITORIAL no se hace responsable de cualquier pérdida, daño o
costes provocados por el uso incorrecto del contenido descargable.
• Este material es gratuito y se distribuye como contenido complementario al
libro que ha adquirido, por lo que queda terminantemente prohibida su
venta o distribución.
ÍNDICE ALFABÉTICO
Costes de transporte 18, 70, 71, 73, 76, 92, 96

—A—
A. Losch ......................................................18
A. Weber ...............................................18, 69
—D—
Accesibilidad.... 19, 26, 28, 68, 76, 77, 78, 80, Datos . 22, 23, 26, 30, 72, 75, 93, 95, 116, 117
83, 85, 92, 93, 99 David Smith ................................................18
Alcalá de Henares .............................378, 391 Demanda .... 22, 26, 27, 28, 68, 69, 70, 71, 72,
Alcance espacial........................81, 82, 84, 91 73, 74, 76, 77, 78, 79, 80, 81, 82, 83, 84,
Algoritmo .......... 110, 111, 112, 113, 114, 115 85, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95,
Algoritmo Babel........................................114 96, 98, 108, 111, 112, 114, 116
Algoritmo de Dijkstra ...............................110 Desplazamiento 21, 27, 28, 69, 73, 74, 78, 80,
anticobertura......................................102, 103 82, 86, 87, 88, 89, 90, 91, 92, 93, 94, 95,
Anticobertura ....................................102, 103 99, 111, 112, 114
Arcos ...........................................72, 110, 116 Dimensión temporal..............................27, 76
Distance ............................................378, 391
Distancia .... 19, 27, 30, 70, 73, 75, 76, 78, 79,
—C— 80, 81, 82, 83, 84, 85, 86, 88, 89, 90, 91,
Capacidad máxima ......................................82 92, 93, 95, 96, 99, 100, 101, 102, 103, 104,
Centros . 24, 28, 69, 72, 75, 76, 78, 80, 82, 85, 105, 106, 107, 108, 109, 111, 112
86, 89, 90, 93, 95, 96, 98, 112, 113, 114, Distancia máxima..................................83, 86
378, 391, 394 Distribución espacial...........................21, 104
Centros de servicios ..............................69, 89
Centros sanitarios ......................................391
Cobertura. 80, 81, 82, 83, 84, 85, 86, 102, 113
—E—
Cobertura espacial.................................80, 84 E. Hoover ....................................................18
Cobertura máxima...........................82, 84, 85 Eficiencia ... 26, 69, 73, 84, 85, 86, 87, 96, 97,
Comunidad de Madrid...............379, 393, 394 100, 109, 116
consumidores ..............................................87 Eficiencia espacial ......................................86
Consumidores......................28, 31, 68, 87, 93 Equidad espacial ............................. 26, 77, 86
Costes de desplazamiento...27, 28, 69, 86, 87, Equipamientos.. 24, 26, 28, 29, 31, 68, 70, 73,
91, 92, 93, 94, 95, 99 75, 78, 79, 85, 88, 92, 95, 97, 100, 393
Costes de la información .............................25 Escuelas ................................................17, 21
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

Bosque y Moreno (2012) Sistemas de Información Geográfica y Localización Óptima de Instalaciones y Equipamientos

Cargado por

Información del documento

Derechos de autor

Formatos disponibles

Compartir este documento

Compartir o incrustar documentos

Opciones para compartir

¿Le pareció útil este documento?

¿Este contenido es inapropiado?

Copyright:

Formatos disponibles

Bosque y Moreno (2012) Sistemas de Información Geográfica y Localización Óptima de Instalaciones y Equipamientos

Cargado por

Copyright:

Formatos disponibles

Sistemas de Información

Joaquín Bosque Sendra

Manuel Fuenzalida Díaz

Sistemas de Información Geográfica y Localización Óptima de Instalaciones y Equipamientos. 2.ª Edición

PRESENTACIÓN DE LA SEGUNDA EDICIÓN........................................................... 15

PREÁMBULO A LA PRIMERA EDICIÓN ................................................................... 19

CAPÍTULO 1. LA LOCALIZACIÓN ÓPTIMA COMO PROBLEMA:

CAPÍTULO 2. LOCALIZACIÓN DE LOS EQUIPAMIENTOS COLECTIVOS,

2.4 LA PERSPECTIVA ESPACIAL Y EL ANÁLISIS DE LA ACCESIBILIDAD.......... 49

ANEXO 2.1. CLASIFICACIÓN DE DISTINTOS USOS Y COMPONENTES

CAPÍTULO 3. MODELOS DE LOCALIZACIÓN ÓPTIMA DE

CAPÍTULO 4. EL USO DE LOS SIG PARA LOCALIZAR EQUIPAMIENTOS

4.3 SIG Y SADE ............................................................................................................. 127

CAPÍTULO 5. LOCALIZACIÓN ÓPTIMA CON EL PROGRAMA

CAPÍTULO 6. LOCALIZACIÓN ÓPTIMA CON SEXTANTE................................. 169

6.5 CONCLUSIONES .................................................................................................... 181

CAPÍTULO 7. LOCALIZACIÓN ÓPTIMA CON WPS.............................................. 183

CAPÍTULO 8. ACCESIBILIDAD EFECTIVA Y ELECCIÓN PERSONAL DE

CAPÍTULO 9. SITIOS ÓPTIMOS DESTINADOS A LA EXPANSIÓN DE LOS

9.3.1 La información de entrada ................................................................................ 234

CAPÍTULO 10. EL PROBLEMA DE LAS ESCUELAS RURALES EN

CAPÍTULO 11. DISEÑO DE PROPUESTAS ÓPTIMAS PARA AMPLIAR LA

11.2.2 La medida de accesibilidad espacial a los CAPS............................................ 287

CAPÍTULO 12. EVALUACIÓN DEL SISTEMA DE RECOGIDA DE RSU.

CAPÍTULO 13. LOCALIZACIÓN ÓPTIMA DE PLANTAS DE

13.4 SELECCIÓN DE LOS CANDIDATOS FINALES A PARTIR DE MODELOS

APÉNDICE. EJEMPLO DE APLICACIÓN DEL ALGORITMO DE TEITZ Y

MATERIAL ADICIONAL .............................................................................................. 407

ÍNDICE ALFABÉTICO................................................................................................... 409

Desde que en 2004 viese la luz la primera edición diversas circunstancias

Las razones de esa evolución son diversas. Desde el lado de la indagación

están posibilitando precisamente eso, la sustentación de decisiones, incluso con

Tras la experiencia acumulada por los autores de la obra y con el propósito

En la parte primera se han revisado varios capítulos de los que se incluían

La parte segunda del libro es la que, como ya se ha indicado, ha sufrido las

De este modo se han incluido nuevos capítulos dedicados a describir dichas

localización óptima. Finalmente, se plantean las potencialidades del nuevo estándar

Finalmente, en la tercera parte, la de las aplicaciones prácticas, se ha

En resumen, consideramos que el libro queda enriquecido y renovado, ya

La localización lo más adecuada posible (“óptima”) de las actividades

Para describir estos elementos metodológicos, el libro se organiza en tres

Una característica importante de todo el texto es la insistencia en la

componente esencial de la metodología planteada, facilitando en grado importante

El libro es el resultado de un largo proceso que, se puede pensar, empezó

• Joaquín Bosque Sendra, Departamento de Geografía de la Universidad

LA LOCALIZACIÓN ÓPTIMA COMO

1.1 EL PROBLEMA DE LA LOCALIZACIÓN:

La localización de las actividades humanas es un problema central de la

De este modo, tanto la Geografía regional francesa, como la Geografía

Por ejemplo, en el tratado de Geografía Humana de M. Derruau (1961) se

Los desarrollos más importantes de la teoría de la localización espacial

En todos estos casos la preocupación central recayó en el establecimiento

Al respecto, Chuch y Murray (2009, p. 7-11) han enunciando algunos

• Algunas localizaciones son mejores que otras para un determinado fin.

• El contexto espacial puede alterar la eficiencia de un sitio.

• Los emplazamientos de un patrón espacial con múltiples instalaciones

El reto de solventar problemas de ubicación de ese tenor exige

A continuación trataremos la teoría de la localización desde el punto de

1.2 COMPONENTES DE UN PROBLEMA DE

De este modo, en la teoría de la localización podremos distinguir varios

• La actividad humana que se desea situar en algún lugar del espacio. En

• Los elementos existentes en el medio que inciden en la posición más

• Los sistemas e infraestructuras a través de los cuales se mueven sobre el

En resumen, la teoría general de la localización tendrá diferentes variantes