EVALUACIÓN CUANTITATIVA DE LA LOGÍSTICA URBANA...

Trabajo Fin de Ma ster

EVALUACIÓN

CUANTITATIVA DE LA

LOGÍSTICA URBANA

SOSTENIBLE

Autor: Rafael Grosso de la Vega

Tutor: Jesús Muñuzuri Sanz

Sevilla, Noviembre del 2012

Máster en Organización Industrial y

Gestión de Empresas.

Universidad de Sevilla.

Evaluación Cuantitativa de la Logística Urbana Sostenible 2

Máster en Organización Industrial y Gestión de Empresas

Escuela Técnica Superior de Ingenieros de Sevilla.

Gracias a todas las personas

que pasaron y pasarán por mi

vida, sin ellas no soy ni seré lo

que fui.




Contenido

1 INTRODUCCIÓN Y OBJETIVOS DEL TRABAJO ....... 5

2 LOGÍSTICA URBANA: INTRODUCCIÓN .................. 10

2.1 La Logística: Definición. .......................................... 10

2.2 Logística Urbana. ...................................................... 12

2.3 Acercamiento a la logística urbana en España. ........ 17

3 LA CIUDAD SOSTENIBLE. .......................................... 23

3.1 El concepto de sostenibilidad. .................................. 25

3.2 ¿Qué se entiende por sostenibilidad urbana? ............ 26

4 LA LOGÍSTICA URBANA EN LA CIUDAD SOSTENIBLE. ................................................................................... 28

4.1 Actores involucrados. ............................................... 29

4.2 Políticas adoptadas por las autoridades locales. ....... 30

4.3 Logística urbana de mercancías en el centro histórico

de Sevilla. 34

4.3.1 Problemática. ......................................................... 34

4.3.2 Soluciones posibles. .............................................. 34

5 PROBLEMA DE ESTUDIO. .......................................... 37

5.1 Presentación del problema. ....................................... 37

5.2 Modelos de Logística Urbana. .................................. 39

5.3 Enfoques previos sobre el problema ......................... 42

6 ALGORITMO DE RESOLUCIÓN. ................................ 44




6.1 Cruce. ........................................................................ 46

6.2 Mutación. .................................................................. 46

6.3 Selección por Ranking. ............................................. 46

6.4 Fitness. ...................................................................... 47

6.4.1 Casuística. ............................................................. 47

6.4.2 Fitness. .................................................................. 58

6.5 Los otros problemas. ................................................. 60

6.5.1 TDVRP: Fitness. ................................................... 60

6.5.2 VRPTW: Fitness. .................................................. 63

6.6 Calibración en la Red de prueba. .............................. 65

6.6.1 Red de prueba. ....................................................... 65

6.6.2 Resultados de la calibración. ................................. 67

7 CASO DE ESTUDIO. ...................................................... 73

7.1 Red de Sevilla. .......................................................... 73

7.2 Resultados del caso de estudio. ................................ 75

7.3 Análisis de sensibilidad ............................................ 85

8 CONCLUSIONES. .......................................................... 88

8.1 Logros alcanzados. ................................................... 91

8.2 Posibles trabajos futuros. .......................................... 92

9 REFERENCIAS. .............................................................. 93




“La mayoría de los problemas del mundo real no

pueden ser solucionados por métodos

tradicionales; si se pudiesen solucionar por medio

de un procedimiento clásico, ya no seria un

problema”.

Zbigniew Michalewicz, University of Adelaide

1 INTRODUCCIÓN Y OBJETIVOS DEL TRABAJO

El crecimiento sostenible es una cuestión de creciente interés en

los últimos tiempos, sobre todo desde la introducción de la Agenda 21

de las Naciones Unidas (Hart, 1994) y con mayor fuerza después del

Protocolo de Kyoto (Zedras, 2007). Un crecimiento económico

posible y rentable, dónde se incluyen tanto la conservación y

continuación del medio ambiente como las necesidades sociales

actuales y futuras. Este es un reto difícil y en el que confluyen muchos

intereses encontrados, pero a la vez es un reto necesario en el que se

está trabajando y se debe seguir trabajando. Es por eso que el

concepto de sostenibilidad se debería incorporar, como pilar

fundamental, a los objetivos de cualquier proyecto actual o futuro,

independientemente de la amplitud o del horizonte geográfico de este.

Centrando el concepto de sostenibilidad en el ámbito de las

ciudades, en concreto de las ciudades europeas, las autoridades locales

y ayuntamientos correspondientes están tomando medidas que

aumenten dicha sostenibilidad. Estas medidas buscan, sobre todo, una

sostenibilidad medioambiental y una sostenibilidad social. Se busca la

sostenibilidad medioambiental en la reducción de las emisiones y de la

contaminación provocada por la circulación de vehículos, aumentando

así la calidad del aire de las ciudades, con medidas como la promoción

de uso del transporte público o la creación de carriles bici. Y se busca

la sostenibilidad social entendida como conjunto de fines tales como

el aumento de la accesibilidad de las ciudades, la disminución del

ruido, la incorporación de parte de las ciudades antes menos

habitables a la vida de los ciudadanos, el aumento de la calidad de




vida de estos, la conservación de los cascos históricos, la disminución

del número de vehículos, etc.

Una de estas medidas que imponen las autoridades locales y

ayuntamientos, y que es una de las más utilizadas (Van Duin y

Muñuzuri, 2006), en pro de una mayor sostenibilidad de sus ciudades

es la de peatonalizar los centros históricos o la imposición de ventanas

temporales de acceso (Muñuzuri et al., 2005; Zunder y Ibáñez, 2004).

La prohibición del acceso de vehículos o su restricción reducen el

impacto del tráfico en estos lugares de interés cultural y aumentan su

habitabilidad, aunque también aumenta la presión reguladora sobre los

vehículo privados a motor (Anderson et al., 2005). Pero además del

interés turístico, los centros históricos suelen ser lugares donde la

concentración de locales comerciales y de oficinas o centros de trabajo

es alta. De esto se deduce que las necesidades de abastecimiento de

mercancías de estas zonas de la ciudad son elevadas, y esto hace que

en estos entornos la logística urbana de reparto de mercancías siga

teniendo el mismo protagonismo, o incluso más, que antes de la

imposición de las restricciones. Además este tipo de restricciones de

accesibilidad suelen imponerse en horarios comerciales normales,

siendo estas horas las únicas en las que los minoristas pueden recibir

mercancías (Muñuzuri et al., 2012b).

Teniendo por un lado una política urbana de restricciones por

parte de las autoridades locales y por otro unas necesidades de

abastecimientos de mercancías importantes, se entiende que las

restricciones de acceso a los centros de las ciudades suelen ser

diferentes para los vehículos privados que para los vehículos de

reparto de mercancía, pero aun así estos últimos siguen teniéndolas. Y

desde el punto de vista de las empresas dedicadas a la logística urbana

supone un nuevo escenario de trabajo al que deben adaptarse (Basbas

y Bouhoyras, 2012).

El problema del impacto de las políticas urbanas de restricciones

en el reparto de mercancías y su sostenibilidad viene siendo

investigado en los últimos años desde un punto de vista multiciudad

(Quak, 2009), es decir, a nivel de un país o zona geográfica que




comprende varias urbes. En este trabajo se pretende ahondar en ese

tema pero aportando un punto de vista diferente, nos centraremos en el

entorno geográfico de una única ciudad en la que sus autoridades

locales han llevado una política urbana de restricciones sobre el tráfico

rodado en su centro histórico. De ese modo estimaremos el coste que

suponen este tipo de medias para una empresa de reparto de

mercancías que actúa en ella con respecto a la situación anterior a la

implantación de estas. Este enfoque económico, ya abordado para

analizar otro tipo de restricciones dentro de la Logística Urbana

(Deflorio et al., 2012), responde a que entendemos que las políticas de

este tipo que se están llevando a cabo no contemplan, o no tiene

demasiado en cuenta, este aspecto de la sostenibilidad. Aparejado a

este enfoque económico se estimaran también el posible aumento en el

número de kilómetros recorridos y consecuentemente el posible

aumento de las emisiones de . Pudiéndose sacar en consecuencia

conclusiones en la línea del posible aumento de la contaminación

(Rossi et al., 2012) provocado por este tipo de medidas, cosa que iría

en contra de alguna de las razones por la que se imponen.

La peatonalización de los centros históricos de las ciudades

plantea situaciones nuevas, o no contempladas en otros problemas,

tales como una zona de la ciudad donde no se puede transitar ni

permanecer, dentro de un determinado horario. Estas restricciones una

geográfica y una temporal combinadas configuran lo que

denominamos una ventana temporal de acceso (Acess Time Window).

Para evaluar esta situación hemos desarrollado un problema nuevo

que denominaremos en adelante “Vehicle Routing Problem with

Acess Time Window” (VRPATW). Este problema se ha diseñado

específicamente para el entorno de una única ciudad con una ventana

temporal de acceso. Trabajos paralelos que utilizan el VRPTW en un

entorno de varias ciudades u otros problemas como el TDVRP

utilizado para evaluar el impacto de las congestiones de tráfico en las

rutas de mercancías en ciudades (Conrad y Figliozzi, 2010) son

referencia para nuestro trabajo. Pero buscando un acercamiento mayor

a las realidades actuales de las ciudades se ha desarrollado el

VRPATW y un algoritmo específico para su resolución, primero en




una red de prueba para su calibración y posteriormente en un caso real

de una empresa de reparto de mercancías ubicada en la ciudad de

Sevilla.

Este nuevo problema y su algoritmo de resolución se ha

comparado con otros problemas utilizados para simular situaciones

parecidas a la que planteamos aquí. Así se expone en este trabajo una

comparativa de los problemas VRPTW, TDVRP y VRPATW

aplicados a los mismos experimentos, y a la vista de los resultados

obtenidos se han sacado conclusiones.

Como motor de resolución se utilizará un algoritmo genético

desarrollado específicamente para cada problema. En concreto se ha

diseñado la función Fitness del algoritmo adaptada a cada diferente

problema, siendo los demás operadores del genético los mismos para

los tres.

Con este trabajo se pretende avanzar en la dirección, poco

explorada, de la evaluación de los diferentes impactos que tienen las

políticas de restricciones sobre la economía de las empresas dedicadas

a la logística urbana de mercancías (Stathopoulos et al., 2011 y 2012).

No sin obviar las posibles utilizaciones futuras de la herramienta que

hemos desarrollado, como la evaluación del impacto medioambiental

de la logística de mercancías y la búsqueda de su disminución, o la

posible utilización futura en software de cálculo de rutas de este tipo

de empresas.

Así nuestro trabajo se organiza de la siguiente manera: En el

apartado 2 se habla de la logística en general y de la Logística Urbana

en particular , pasando por una particularización de esta ultima en el

territorio español. En el apartado 3 se explican los conceptos de

sostenibilidad y de sostenibilidad urbana bajo el epígrafe de “la ciudad

sostenible”. Ya en el apartado 4, se intenta incluir bajo una misma

visión los conceptos de Logística Urbana y la ciudad sostenible. De

este modo se habla en él de los actores involucrados, las políticas

adoptadas al respecto y de los modelos sobre Logística Urbana que

existen en la literatura científica; todo ello cruzado por el conjunto de




problemas que surgen y están presentes en este campo. También se

incluye un subapartado que habla de la problemática especifica dentro

del casco histórico de la ciudad de Sevilla. En el siguiente apartado,

el apartado 5, se expone el problema a resolver, además de algunos

modelos de Logística Urbana existentes en la literatura científica, para

terminar con algunos enfoques previos al problema en cuestión. En el

apartado 6 se explica el algoritmo utilizado para resolver las diferentes

configuraciones de los problemas con la descripción de la casuística

del VRPATW y de su Fitness, y de los problemas con que se

comparará nuestro planteamiento y sus Fitness correspondientes.

También se comenta en este apartado la calibración del algoritmo de

resolución en la red de prueba. En el apartado 7 se presenta el caso de

estudio, basado en un caso real, se exponen los resultados obtenidos

con los diferentes problemas aplicados sobre la ciudad de Sevilla y su

correspondiente análisis de sensibilidad. Seguidamente, en el apartado

8 se exponen nuestras conclusiones derivadas de los resultados

obtenidos, además de comentarse los logros alcanzados en esta

investigación y los posibles trabajos futuros que puedan derivarse de

ella.




2 LOGÍSTICA URBANA: INTRODUCCIÓN.-

2.1 La Logística: Definición.

El mundo es cada vez más pequeño. Las empresas nos

abastecen de materias primas y de productos terminados

desde el otro lado del globo y distribuyen productos a

países que antes se consideraban inalcanzables. ¿Cómo

hemos llegado a este punto? ¿Qué permite a una empresa

mover un producto por todo el mundo con suficiente

fiabilidad y predictibilidad para mantener sus plantas en

funcionamiento y sus productos en los estantes de las

tiendas? (Grawe, 2009).

La respuesta a las cuestiones arriba planteadas no es simple,

aunque si nos atrevemos a decir que una de las herramientas que

permiten a las empresas realizar ese tipo de acciones es la Logística.

Y ¿Qué es la Logística?

Atendiendo al Diccionario de la Real Academia Española de la

Lengua la Logística es, en su tercera acepción: Conjunto de medios y

métodos necesarios para llevar a cabo la organización de una empresa,

o de un servicio, especialmente de distribución. Donde se hace

hincapié en la distribución. Por otro lado se podría definir la logística

como: la ciencia que estudia cómo las personas, las mercancías y la

información superan el tiempo y la distancia de forma eficiente

(Robusté, 1999). Donde se introduce un concepto diferente, como es

el de la eficiencia. No sólo se tienen que superar el tiempo y la

distancia, sino que además se debe hacer de forma eficiente, es decir,

con el menor consumo de recursos posible.

Estas dos definiciones nos ilustran un poco lo que ha sido la

evolución de la Logística desde sus inicios, que cómo muchas otras

disciplinas ingenieriles surgen del ámbito militar, se parte de la

necesidad de distribuir algo, y cuando se consigue, se busca hacerlo de

la mejor manera posible. De la eficacia a la eficiencia.




Centrándonos ahora en la evolución de la logística en las ultimas

tres décadas: durante los años 1980 y 1990, las empresas en general se

encontraron con crecientes demandas de "mejor, más rápido y más

barato" con respecto a sus servicios logísticos (Stank y Daugherty,

1997). Como resultado, muchos fabricantes decidieron centrarse en

sus competencias básicas y externalizar las actividades logísticas. La

Logística entra así en una etapa de superespecialización donde los

operadores logísticos externos a las empresas encuentran un medio

económicamente viables de lograr productividad y servicio. En ese

momento, las actividades logísticas se encontraban entre las áreas más

comúnmente externalizadas de las que conforman el apoyo

empresarial (Daugherty, 2011). Varios sectores productivos

modificaron sustancialmente su ciclo de materiales, procurando

reducir los inventarios (materiales acumulados, inactivos) a lo largo de

su cadena de suministros, desde las materias primas básicas hasta la

distribución final de los productos. Las decisiones de inventarios y de

transporte se empiezan a tomar de forma conjunta, donde

generalmente reducir el costo en uno de ellos implica aumentarlo en el

otro. Las grandes empresas (productores, comercializadores) no

buscan, entonces, minimizar sus costes de transporte, sino sus costes

logísticos (fundamentalmente de transporte y de almacenamiento-

inventario). De hecho estos actores comienzan a analizar

integralmente su ciclo de materiales, bajo el concepto de cadena de

suministros, y la logística es una parte muy relevante de esta cadena

de suministros.

Así, en los últimos tiempos se aprecia una evolución del

concepto de Logística desde el simple ahorro en costes hasta toda una

cultura empresarial mucho más rica, que mezcla enfoques globales

con locales ante la necesidad de supervivencia en el mundo

globalizado en el que nos enmarcamos actualmente.

Algo que puede influir mucho en el concepto de Logística, más

bien en lo que sería su aplicación práctica y su especialización, es el

entorno u horizonte geográfico en que se desarrolle. Históricamente se

ha prestado más atención, dentro de la literatura científica, al

transporte de mercancías a nivel interurbano, esto se debe a la amplia




evolución sufrida del análisis de la cadena de suministros (Muñuzuri

et al., 2005). Esta atención se ha centrado básicamente, como se ha

mencionado, en el factor económico, minimizando los costes se busca

la mayor eficiencia del sistema. Pero en el trabajo que nos ocupa nos

centraremos en el análisis de la logística dentro de las ciudades, donde

nos podemos encontrar con otros factores diferentes a los encontrados

en el nivel interurbano y que hacen necesario un análisis particular de

estos entornos (Chang y Yen, 2012).

El aumento de la población y el crecimiento económico en las

zonas urbanas han dado lugar a una creciente demanda de bienes y

servicios por parte de los comercios y de los usuarios domésticos.

Aproximadamente el 80% de los ciudadanos europeos vive ahora en

ciudades, y se prevé un aumento de las poblaciones urbanas en las

próximas décadas tanto en las regiones del mundo más desarrolladas

como en las menos, (European Comision, 2007; United Nations,

2006). Esto se traduce en mayores niveles de demanda para los

servicios urbanos de transporte de mercancías (Cherrett et al., 2012),

que además nos conduce a la rama de la logística denominada

Logística Urbana, que será objeto básico de este trabajo.

2.2 Logística Urbana.

Una vez introducidos el concepto de Logística y de ver su

evolución en los últimos tiempos, hemos argumentado el creciente

desarrollo de las ciudades en los últimos tiempos para centrarnos en el

estudio de la Logística Urbana.

Multitud de mercancías de diferente tipo entran, transitan y

abandonan constantemente las zonas urbanas. Algunos ejemplos de

ellas podrían ser: bienes de consumo, materiales de construcción,

residuos, paquetería y envíos de correo, etc. (Dablanc, 2007). Por eso,

en parte, la definición exacta para el transporte urbano de mercancías

difiere según el autor al que nos referenciemos. El transporte urbano

de mercancías se define como "el movimiento de cosas (a diferencia

de las personas) hacia, desde y por las zonas urbanas" (Ogden, 1992).




La siguiente definición corresponde a Munuzuri et al. (2005) "los

movimientos de mercancías que se ven afectados por las

particularidades asociadas a las zonas urbanas, su tráfico y su

morfología". Ambrosini y Routhier (2004) argumentan que esta

definición se debería ampliar, de manera que incluya "los trayectos

para compras del hogar, el mantenimiento de las vías urbanas y su

construcción, la recogida de residuos, etc" y no sólo la circulación de

mercancías entre locales y establecimientos. La Organización para la

Cooperación y el Desarrollo u OCDE (2003) la define como "el

transporte de bienes de consumo (no sólo comerciales, sino también

por otros sectores como la producción) en la ciudad y las áreas

suburbanas, incluyendo el flujo inverso de bienes usados, en términos

de residuos limpios". Allen et al. (2000) utilizan una definición

bastante más amplia de transporte urbano de mercancías que incluye

"(1) todos los tipos y tamaños de vehículos de mercancías y otros

vehículos motorizados utilizados para la recogida y entrega de bienes

en instalaciones y/o establecimientos de las zonas urbanas, (2) todos

los tipos de movimientos de vehículos de mercancías hacia y desde

instalaciones urbanas incluyendo la transferencia de mercancías entre

instalaciones, el transporte de bienes auxiliares, la recogida y entrega

de dinero, recogida de basuras y las entregas de mercancías a

domicilio, y (3) las rutas de vehículos de servicio y otros viajes de

vehículos con fines comerciales que son esenciales para el

funcionamiento de las instalaciones urbanas".

Como se puede apreciar, viendo las diferentes definiciones de

transporte urbano de mercancías, este es un conjunto muy heterogéneo

de mercancías y de diferentes tipos y tamaños de vehículos. Es por eso

que su gestión es un reto necesario y a la vez muy complejo de

afrontar. Además, un transporte urbano de mercancías eficiente es de

vital importancia, no sólo para la supervivencia de muchos

proveedores logísticos, sino para la supervivencia y competencia

económica de las regiones gracias al ahorro en coste hacia los clientes

finales que se deriva de él (Allen et al., 2000; Kytojoki et al., 2007;

Munuzuri et al., 2005).




Pero en los entornos urbanos no solo se transportan mercancías,

como se puede apreciar en la ilustración 1, así el primer problema con

el que choca la gestión eficiente del transporte urbano de mercancías

es el propio transporte y sus diferentes, es decir el tráfico en general

(Figliozzi, 2012).

Debido a la creciente cantidad de tráfico y a una limitada

capacidad de la red de carreteras, la congestión del tráfico o atascos se

ha convertido en un fenómeno cotidiano. Por aportar algunos datos, en

los Estados Unidos, el retraso en los viajes en términos anuales ha

crecido desde los 2.5 billones de horas en 1995 a los 4,2 billones de

horas en 2005 (Schrank y Lomax, 2007). Y estos crecientes retrasos

resultan muy costosos tanto para los usuarios privados de las

carreteras como para los proveedores de servicios logísticos y de

distribución. La organización holandesa para el transporte y la

logística (TLN) estima que más del 10% de horas de trabajo de los

camioneros se pierden debido a los retrasos consecuencia de la

congestión del tráfico. Esto provoca grandes costes en el uso de

vehículos adicionales y en la contratación de sus conductores

correspondientes al intentar evitar los posibles retrasos en las entregas

o recogidas a los clientes, o incluso las violaciones de las normas de

LOGÍSTICA

URBANA TRANSPORTE

PUBLICO DE

PERSONAS

TRANSPORTE NO

MOTORIZADO

CIRCULACIÓN DE

VEHICULOS EN

GENERAL

MOVILIDAD

URBANA

Ilustración 1: Esquema ilustrativo de la composicion de la movilidad urbana.




horas de conducción de los propios conductores. Por tanto, existe un

gran potencial de ahorro en el estudio de cómo evitar la congestión del

tráfico por parte de la Logística Urbana (Kok et al., 2012).

Un mal diseño en las rutas que siguen los vehículos de carga en

las calles y vías congestionadas no sólo provoca un incremento en la

cadena logística y en su cadena de costos, sino que también empeora

las externalidades asociadas al tráfico de mercancías en las zonas

urbanas tales como los gases de efecto invernadero, el ruido y la

contaminación del aire. El tiempo empleado en las rutas entre los

clientes y los depósitos resulta ser un factor importante de impacto en

la amplificación de los efectos negativos de la congestión del trafico;

además de que dicha congestión afecta también a la estructura de

costes de las compañías, al peso relativo de los salarios y a los gastos

provocados por el propio reparto (Figliozzi, 2010 y 2012).

Otro problema importante al que se debe enfrentar el transporte

urbano de mercancías es la propia morfología de la ciudad.

Las ciudades europeas presentan una serie de características

comunes que influyen en su movilidad y en sus actividades

comerciales, e imponen una serie de restricciones en el flujo asociado

a las entregas de mercancías. En primer lugar, la mayoría de estas

ciudades tienen una estructura radial, con una concentración muy alta

de zonas de tiendas, restaurantes y otros polos de atracción sociales en

el centro de la ciudad. Esto genera flujos asimétricos de personas que

van a trabajar, comprar, comer o visitar lugares de interés turístico,

con flujos similares de bienes asociados. Sin embargo, la morfología

de estos centros de las ciudades, heredada de la Edad Media y por

tanto con calles estrechas o callejones, no fue diseñado para este tipo

de usos, situación que aumenta más aún los problemas de

estacionamiento que ya de por si se encuentran en el centro de

prácticamente todas las zonas urbanas (Ligocki y Zonn, 1984;

Muñuzuri et al., 2012b).

Es por todo esto que aparece la necesidad de adoptar una postura

integral que globalice la planificación y la gestión urbana (Robuste et




al., 2000), de tal modo que se puede aventurar el nacimiento de una

disciplina capaz de considerar de forma conjunta todas las operaciones

y servicios presentes en la ciudad, atendiendo al conjunto y no a las

partes que lo integran y, prestando especial atención a la

sostenibilidad del sistema, es decir, al desarrollo continuado pero

responsable del mismo. Esta nueva disciplina, tendente a la

optimización sistémica o integral de los servicios de la ciudad, podría

denominarse Logística Urbana.

¿Qué es la Logística Urbana?

Se trata de replantearse todos los servicios y operaciones de la

ciudad adaptando técnicas que se han aplicado con éxito en entornos

privados y en muchos ámbitos del transporte y la logística

empresarial: la reingeniería de los servicios urbanos.

El motivo por el cual se pretende englobar bajo un mismo

paradigma toda esta serie de operaciones y servicios urbanos,

tradicionalmente diferenciados e independientes, es el hecho de que la

lógica de funcionamiento de todas ellas es similar (producción y

entregas justo-a-tiempo, entregas en ventanas temporales, servicio a

diario, adecuación de servicios a patrones de demanda, previsiones y

prioridades, etc.), incidiendo en el uso del viario público y que,

mediante una disciplina general capaz de integrarlas a todas, puede

lograrse una sinergia conjunta capaz de optimizar los recursos escasos

de las áreas metropolitanas atendiendo a la vez a la sostenibilidad del

sistema.

Esta es una época de constante desarrollo en las áreas de la

informática y las telecomunicaciones, la cual ha propiciado una

revolución tecnológica que no solo ha creado nuevos servicios

urbanos, sino que ha producido una transformación de los ya

existentes. La Logística Urbana, dentro de éste contexto, no puede ser

ajena a estos cambios y debe servirse de ellos, integrándolos en su

desarrollo, ya que el uso de los nuevos servicios telemáticos modifica

sustancialmente la forma de diseñar y gestionar un sistema logístico.

La posibilidad de transmitir y procesar inteligentemente la




información debe ser usada como herramienta para la optimización de

las operaciones, a la vez permite intervenir eficazmente en cualquier

momento en el proceso de ejecución de dichas operaciones. Lo que en

transporte de viajeros ya se viene denominando como Intelligent

Transport Systems (ITS), también se ha comenzado a aplicar con éxito

al control de accesos a barrios (ventana temporal de acceso implantada

y recientemente eliminada en la ciudad de Sevilla), al control de la

distribución urbana de mercancías (Fleischmann et al., 2004), a la

gestión de flotas de vehículos para servicios de emergencias, a la

recogida de basuras (Arebey et al, 2011; Hannan et al., 2011; Islam et

al., 2012; Pratheep y Hannan, 2011), etc.

Aunque con un somero análisis de los diversos sectores que

confluyen en los servicios urbanos se podría llegar a la conclusión de

que estos no querrán o podrán o sabrán, por sí mismos, optimizar sus

operaciones teniendo como objetivo el beneficio social de la

colectividad (Anand et al., 2012). Pero es ahí precisamente hacia

donde los fundamentos científicos de la Logística Urbana deberán

llevarnos.

2.3 Acercamiento a la logística urbana en España.

Dado que el problema que se pretende resolver en este trabajo se

ubica en la ciudad de Sevilla, se exponen a continuación algunos

datos, problemas y comentarios sobre la logística urbana en nuestro

país.

La logística urbana de mercancías no ha venido teniendo una

atención especial como un concepto singular en España. Esta es

probablemente la razón principal para la escasez de datos disponibles

sobre el sector. Pocos estudios han analizado esta actividad

obteniendo información relevante para el análisis de la distribución

urbana de mercancías, y sólo algunas ciudades han abierto esta línea

de trabajo recientemente. No consta la existencia de ningún estudio

general a nivel español que se haya dedicado a la obtención de datos

cuantitativos dirigidos a describir los múltiples aspectos relacionados




con la Logística Urbana de Mercancías. El sector del transporte por

carretera en España no ha venido considerando la Logística Urbana de

Mercancías (LUM) como un subsector de su industria. Por tanto, no

existen bancos de datos que muestren la importancia de la actividad.

No existen listados de compañías cuyo negocio se centre en la LUM,

ni de los ingresos agregados generados por la actividad, ni del número

de vehículos utilizados, etc. Por tanto, sólo se puede, en el momento

actual, presentar una visión global deducida a partir de la información

existente sobre el transporte de mercancías.

El transporte de mercancías en España se divide en un 85% para

la carretera, un 12% por barco, 3% en tren y mínimas cantidades en

avión. El transporte de mercancías por carretera constituye un sector

que factura 6.000 millones de euros, repartido entre 500 empresas que

absorben el 99% de la actividad. Existe una clasificación

generalmente aceptada en función de los distintos tipos de mercancía.

El tipo de mercancía relacionado más directamente con la distribución

urbana es la denominada mercancía fraccionada, que corresponde

aproximadamente al 10% del transporte por carretera, es decir 600

millones de euros. Por otro lado, el transporte de carga completa

representa el 25% del transporte por carretera, 1.500 millones de

euros. Los grandes centros comerciales situados en áreas urbanas

hacen uso frecuentemente del transporte de carga completa, pero es

difícil dar una estimación acerca de qué proporción de este tipo de

transporte tiene el final de su cadena de suministro localizado en una

zona urbana.

Existen otros dos tipos de transporte de mercancías que a

menudo incluyen áreas urbanas en al menos uno de los dos extremos

de su cadena de suministro: paquetería y servicios de courier. Se trata

de un mercado de 3.000 millones de euros cubierto por unas 4.000

empresas, la mayoría de las cuales son pequeñas y de ámbito local (las

cinco mayores compañías aglutinan el 40% de la actividad). Además,

la tercera y cuarta empresas en el ranking de servicios de paquetería y

courier son también las dos primeras en el ranking de carga

fraccionada, con el 45% de este tipo de mercancía. Se trata de las




principales compañías de logística y transporte que actúan también en

la distribución urbana en las áreas metropolitanas españolas.

Los principales indicadores de actividades comerciales en

España pueden ser resumidos en las siguientes cifras: existen 20

establecimientos comerciales por cada 1000 habitantes, incluyendo

tiendas y también bares, cafeterías y restaurantes. Existe una relación

de 9 a 1 entre clientes finales y centros de distribución. La

localización de estos establecimientos es aproximadamente: 40% en el

centro, 40% en la corona metropolitana y 20% en áreas no urbanas

(pueblos, zonas rurales).

No existen indicadores de validez general a nivel español para

operaciones de carga y descarga en relación con la población, el

empleo o el tamaño de los comercios. Pero no hay razones para

esperar valores muy diferentes de los ya obtenidos en Barcelona,

Sevilla y otras ciudades: 100.000 operaciones diarias en Barcelona

representan aproximadamente 1 operación semanal por empleo. Los

resultados obtenidos en algunos estudios estiman en 50.000

operaciones diarias de entrega y recogida en Sevilla.

Cerca de 11 millones de personas viven en las 20 principales

ciudades españolas, todas ellas con más de 200.000 habitantes. Dado

que la tasa de población activa es del 55%, puede concluirse que un

total de 6 millones de operaciones de carga y descarga se llevan a

cabo diariamente en estas áreas urbanas.

Es tradicional en España considerar la Logística Urbana de

Mercancías como un tipo de tráfico que debe ser regulado dentro de

las normativas generales que se ocupan del tráfico y el transporte a

nivel local. En las ordenanzas municipales, bajo el encabezamiento de

carga y descarga, se encuentra normalmente un amplio artículo que

contempla el tipo de vehículos permitidos en las distintas zonas de la

ciudad, las ventanas temporales de acceso para los vehículos de

reparto de mercancías y el uso de espacios de aparcamiento para carga

y descarga.




La mayoría de las normas de tráfico a nivel local fueron dictadas

a finales de los años 60 y principios de los 70, y duraron tres décadas

con sólo modificaciones y actualizaciones menores. Se ha producido

una reciente reformulación de la mayoría de ordenanzas de transportes

en la segunda mitad de los 90, por lo que muchas de ellas son

recientes, de menos de 10 años de antigüedad.

Por otro lado, no existen instrumentos formales para incluir el

concepto de la LUM en los niveles de decisión político y operacional

a nivel local en otros departamentos que no sea el de tráfico. Muchas

ciudades españolas están realizando una planificación estratégica que

tendrá importantes efectos en cuanto al espacio asignado a los

múltiples requerimientos posibles en el futuro. El transporte es uno de

los principales conceptos a tener en cuenta en la planificación, pero el

transporte urbano de mercancías está considerado sólo

tangencialmente.

Las compañías logísticas planifican sus inversiones y sus

operaciones de acuerdo con sus perspectivas de negocio, que suelen

necesitar de gran rapidez en la toma de decisiones. Sin embargo,

cualquier movimiento estratégico en el entorno del transporte urbano

de mercancías necesita de la aprobación de las autoridades locales,

que suelen seguir un ritmo muy diferente.

Las compañías perciben la burocracia y los cambios políticos

como grandes lastres sobre la logística urbana de mercancías, ya que

operaciones como las licencias para construcción (para la ampliación

de instalaciones), modificaciones de la regulación o simplemente la

resolución de problemas localizados de movilidad representan

procesos muy lentos que pueden durar varios meses o incluso años.

Las condiciones de las operaciones diarias pueden ser

calificadas de anarquía suave. Existe una cierta tolerancia a la hora de

permitir el incumplimiento de la mayoría de normas locales siempre

que las molestias causadas a otros tipos de tráfico no sean excesivas.

Existe una posición de seguridad moral de los transportistas por estar




trabajando, mientras que al resto de usuarios de la calle – excepto los

taxis – no se les supone lo mismo.

La situación de los receptores les resulta bastante satisfactoria.

Todas las políticas modernas de gestión de stocks – reducción de

inventario, entregas frecuentes, just in time - pueden ser implantadas

sin siquiera imponer restricciones derivadas desde el transportista.

Existen múltiples proveedores con precios muy ajustados dispuestos a

aceptar las condiciones que se impongan, por lo que la LUM no

supone una restricción para las actividades empresariales o

comerciales de las zonas urbanas Las normativas de tráfico actuales

pueden ser consideradas como una simple manera de regular estos

aspectos, a pesar de ser bastante rígidas y rudimentarias. Además, no

han sido coordinadas formalmente entre las distintas autoridades

locales de España, lo cual es de especial importancia en términos del

tipo de vehículo que puede acceder a cada ciudad. Las compañías de

transporte que operan a nivel nacional deben enfrentarse a diferentes

regulaciones dependiendo de la ciudad.

El tráfico, el transporte y la construcción están entre las

máximas prioridades de cualquier Ayuntamiento, pero son necesarios

menores tiempos de reacción en la modificación de las normas, para

conseguir una implementación flexible de nuevas medidas e

iniciativas. Estas iniciativas podrían así ser probadas y modificadas, y

dar como resultado un crecimiento de las oportunidades para los

distribuidores locales de mercancías.

Estas consideraciones no sólo retrasan los proyectos logísticos

propuestos por las compañías, sino que pueden convertirlos en no

viables. Los retrasos implican mayores incertidumbres en cuanto al

resultado de la iniciativa, y las compañías no están preparadas para

arriesgar sus finanzas y sus clientes por una simple y remota

posibilidad.

Por tanto, ya que las compañías no pueden permitirse funcionar

más despacio y las ciudades no pueden (de momento) acelerar sus

procesos de decisión, el resultado es a menudo el rechazo del proyecto




por parte de la compañía. O quizás, aún peor, el inicio del proyecto,

asumiendo el riesgo de que finalmente pudiera no ser aprobado por las

autoridades locales.




3 LA CIUDAD SOSTENIBLE.

Aproximadamente, la mitad de la población mundial vive en

ciudades (Montgomery et al., 2003). En los Estados Unidos y otros

países industrializados, las ciudades abarcan más del ochenta por

ciento de la población. En el mundo en desarrollo, la urbanización se

está produciendo a un ritmo muy acelerado, acompañada por la

aparición de inmensas agregaciones urbanas, las megaciudades,

actualmente definidas por la ONU como las ciudades con más de 10

millones de habitantes. La magnitud y la velocidad de crecimiento

urbano son un fenómeno sin precedentes en la historia del mundo

(ilustración 2) que nos lleva a formular dos preguntas fundamentales:

¿será sostenible la urbanización a gran escala? ¿Cuáles son sus

impactos sobre la sostenibilidad global?

Obviamente, en el nivel más simple, sostenibilidad significa

supervivencia, pero como las organizaciones humanas y las ciudades

se complican cada vez más, el concepto de sostenibilidad en sí

también se vuelve más complejo (Bugliarello, 2006).

Ilustración 2: Gráfico aproximado de la evolución de la de explosion urbana.

1900 2000 2100

Tiempo

Po

bla

ció

n m

un

dia

l (%

)

5

0 1

00

Urbana

Rural??

??




Es por eso que las preguntas arriba formuladas presentan una

serie de retos tecnológicos y dificultades conceptuales a las que se ha

de hacer frente.

Cada vez más, las ciudades se contemplan como a unidades de

negocio y se aplican principios de eficiencia empresarial a las

administraciones locales. Los espacios que ha de gestionar el

urbanismo ya no son físicos sino económicos. El viario y las redes

definen el territorio y el espacio se contempla como un bien público

escaso. El poder de atracción de las áreas metropolitanas ya no se basa

únicamente en su capacidad de oferta de trabajo y vivienda, sino que

cada vez tiene mayor importancia la dotación de servicios, tanto en

cantidad como en calidad, para "satisfacer al cliente".

La ciudad moderna y de calidad, ha de proveer servicios y

operaciones, pero quiere también hacerlo de forma eficiente y

sostenible.

Una vez asumida cierta racionalidad y experiencia en la

construcción de infraestructuras y edificios y en el urbanismo, es la

eficiencia en las operaciones la que garantiza la continuidad,

entendida como sostenibilidad, de los servicios y permite vencer

ineficiencias funcionales y descoordinaciones. En la sociedad del

conocimiento, los ciudadanos que contemplan ineficiencias hoy en día

pedirán soluciones a sus administraciones. En este sentido hay que

tener en cuenta que un viario pensado funcionalmente para todos los

usos actuales debería disponer de secciones que difícilmente tiene

cabida en la mayoría de las calles de nuestras ciudades. La única

posibilidad viable es especializar y compartir los usos del viario

público. Es, pues, conveniente comenzar a pensar que el viario

público es un bien escaso que hay que asignar de forma conveniente.

La ciudad del siglo XXI se distinguirá por la dotación de

servicios a sus ciudadanos, en cantidad y en calidad, y a un coste

adecuado. El diseño de servicios globales como “productos” para

“clientes” con lleva a que la eficiencia en las operaciones urbanas sea

una condición necesaria de supervivencia. Y esta eficiencia pasa por




un análisis integral que comporte una optimización global (no

aislada), sistémica o integral de los servicios de la ciudad.

3.1 El concepto de sostenibilidad.

Desde el informe de la Comisión Brundtland sobre

medioambiente y desarrollo del año 1987 el concepto de desarrollo

sostenible ha venido atrayendo la atención mundial. El desarrollo

sostenible ha resultado ser un concepto duradero y convincente porque

apunta en una dirección política clara e intuitiva, y además es lo

suficientemente flexible para adaptarse a los nuevos problemas, a las

condiciones tecnológicas y económicas y a las aspiraciones sociales.

Es un llamamiento a la sociedad en general y la comunidad científica

en particular, ya que implica una visión sistémica de la economía y la

ecología, y requiere soluciones integrales que protejan los intereses de

las generaciones futuras (Goldman y Gorham, 2006).

El desarrollo sostenible satisface las necesidades del presente sin

sacrificar la posibilidad de que las generaciones futuras puedan hacer

lo mismo. Dentro de estas necesidades esta ampliamente aceptado

incluir objetivos relacionados con el desarrollo económico, el

desarrollo social y humano y la salud ambiental y ecológica.

En el contexto de la política de recursos naturales, sostenibilidad

significa limitar el agotamiento de los recursos a niveles en los que

estos puedan ser remplazados o que puedan identificarse alternativas a

ellos (Goldman y Gorham, 2006).

Haciendo un análisis más profundo de este concepto destaca el

hecho de que, dentro del marco del desarrollo sostenible en general,

existen diferentes sistemas, tales como ambientales, económicos y

sociales que interactúan para su beneficio o detrimento mutuo, dentro

de diferentes escenarios y escalas de operación (TRB, 1997). Esta

visión multidisciplinar de la sostenibilidad es particularmente

compleja y difícil de entender, es por eso que existen en la literatura

diferentes trabajos centrados en el desarrollo y visualización de este




concepto (Dalal-Clayton y Bass, 2002; Lozano, 2008), incluyendo los

llamados "tres pilares de la sostenibilidad" o el "triple bottom line"

(Ilustración 3) (Elkington, 1997).

Esta visión “triple” del desarrollo, ya común en nuestra vida

cotidiana (aunque no tan común en lo que concierne a lo que se hace

en pro de), entiende que el desarrollo debe ser soportable (social y

ambientalmente), equitativo (socialmente y económicamente) y viable

(ambiental y económicamente) y por lo tanto sostenible y duradero.

Dentro de la representación de los "tres pilares de la sostenibilidad"

cabe destacar el hecho de que el concepto de sostenibilidad en sí es el

resultado de las interacciones entre las tres dimensiones o pilares que

se superponen, y es por eso que no se pueden, o más bien no se deben,

analizar por separado unos de otros (Rossi et al., 2012).

3.2 ¿Qué se entiende por sostenibilidad urbana?

¿Es la sostenibilidad urbana la capacidad de las ciudades de

sobrevivir y prosperar indefinidamente?. O bien, dada la creciente

población urbana mundial, ¿entendemos por sostenibilidad urbana el

impacto de las ciudades sobre el resto del mundo? En efecto, la

sostenibilidad urbana se define como la intersección de ambas

Ilustración 3: Visión esquematica de los "tres pilares de la sostenibilidad".

SOCIAL ECONOMICO

MEDIOAMBIENTAL

SOSTENIBLE

EQUITATIVO

SOPORTABLE VIABLE




cuestiones: la creciente urbanización y la sostenibilidad global

(Ilustración 4) (Bugliarello, 2006).

Así, inevitablemente, la cuestión de la sostenibilidad produce

dos grandes conflictos: ciudades frente a entornos rurales y los propios

conflictos dentro de las ciudades (centro de la ciudad, suburbios, etc).

En la capacidad de una ciudad para sobrevivir y prosperar

indefinidamente intervienen factores como la economía de la ciudad y

la disponibilidad de empleos y servicios, la salud y el atractivo del

medio ambiente urbano, la disponibilidad de recursos, agua,

materiales y energía, así como el espacio para el crecimiento. Cada

uno de estos factores se traduce en problemas específicos: desafíos

técnicos, problemas socioeconómicos, la relación entre transporte y

uso del suelo, la elaboración de políticas eficaces para fomentar el

desarrollo, niveles de ruido, etc. Y por eso se hace necesario

desarrollar paradigmas para ayudarnos a comprender mejor estos

desafíos y sus dilemas subsiguientes.

En este trabajo entendemos que una de las herramientas que nos

ayudaran a abordar todos estos retos es la Logística Urbana,

entendiendo por ella a la visión sistémica, gestión integral y sostenible

del transporte dentro de las ciudades.

Ilustración 4: La Sostenibilidad Urbana como intersección de la sostenibilidad

global y la creciente urbanizacion.

SOSTENIBILIDAD

GLOBAL URBANIZACION

SOSTENIBILIDAD

URBANA




4 LA LOGÍSTICA URBANA EN LA CIUDAD

SOSTENIBLE.

Se ha venido desarrollando diferentes conceptos y paradigmas

en los apartados previos de este trabajo para en esta sección intentar

englobarlos todos bajo una misma visión. Partiendo de lo que es la

Logística, pasando por la aparición de la Logística Urbana y llegando

a los conceptos de sostenibilidad y de sostenibilidad urbana se

pretende llegar a entender mejor la interrelación de todos ellos, sus

sinergias y sus conflictos, y así poder llegar a encontrar soluciones

plausibles y que respeten, en la medida que sea posible, los diferentes

intereses encontrados que surgen al intentar llevar a la practica todo lo

que implica el desarrollo de la Logística Urbana en la ciudad

sostenible.

Otra definición de Logística Urbana que nos acerca un poco más

a esta idea que se pretende desarrollar es: "la disciplina que adopta la

perspectiva de optimizar las actividades de logística y transporte de las

empresas en las zonas urbanas, teniendo en cuenta el entorno de

tráfico, la congestión del tráfico y el consumo de energía en el marco

de una economía de mercado" (Taniguchi et al,, 1999a). En definitiva

la Logística urbana es una disciplina especializada en hacer frente a

los problemas de sostenibilidad encontrados en el transporte urbano de

mercancías.

La literatura científica sobre este tema ha ido creciendo en los

últimos años dada la importancia que tiene para el futuro del planeta.

La investigación en Logística Urbana se realiza para facilitar la

existencia de un sistema urbano de suministro de mercancías eficiente

y un crecimiento económico sostenible. Una de las herramientas que

utiliza la Logística Urbana para realizar dicha función son los modelos

urbanos. Los modelos logísticos de las ciudades funcionan como una

herramienta de previsión para profundizar sobre el estado actual (y

futuro) del transporte de mercancías, del flujo de productos básicos, de

las infraestructuras y de las necesidades de información. Este tipo de

modelos ayudan a crear una base de conocimientos sobre los flujos de

vehículos, los flujos de mercancías, la visión del comportamiento de




los diferentes actores involucrados, etc. Esta base de conocimiento se

utiliza para entender y predecir las tendencias y los problemas

logísticos de la ciudad (Escuín et al., 2012; Ruan et al., 2012; Zhou y

Dai, 2012), en un intento de crear medidas políticas e iniciativas

destinadas a mejorar el funcionamiento de la logística de la ciudad.

Se pretende mejorar porque, obviamente, existen problemas que

se deben solucionar. Los problemas relacionados con la Logística

Urbana se hacen visibles a primera vista en el propio tráfico urbano,

pero sus raíces están conectadas a la toma de decisiones de los

diferentes actores que involucra. Modelar el entorno logístico de la

ciudad es importante y necesario, pero no trivial, ya que para obtener

una comunicación eficaz entre los actores involucrados, estos deben

interactuar entre sí y compartir un conocimiento común de la

terminología y los tipos de decisiones que estén tomando en cada

instante. Desde el punto de vista de la semántica, deben utilizar un

lenguaje común (al menos un glosario) con el fin de encontrar una

coordinación entre usuarios, sistemas y redes de comunicación. Por lo

tanto, es importante codificar la semántica de una manera accesible

para que sea fácil de interpretar por parte de los usuarios y que los

usuarios expertos puedan comunicarse entre ellos sobre temas

relevantes (Anand et al., 2012).

4.1 Actores involucrados.

Con el desarrollo de la Logística Urbana, algo que ha sido

ampliamente aceptado y que es una característica clave de esta

disciplina es el elevado número de actores involucrados y la

heterogeneidad de sus necesidades. Esto obliga a una segmentación

muy fina de los servicios propuestos, a menudo obviando incluso el

escalón mínimo de la viabilidad económica (Macario et al., 2008).

Los actores involucrados en el entorno de la logística de las

ciudades tienen cada uno sus propios intereses (ver Tabla 1) y por lo

tanto actúan de forma autónoma, sin ningún tipo de control

centralizado. Por ejemplo, entregas de pedidos pequeños pero




frecuentes para reducir el coste de inventario, que generan más

molestias por parte de los vehículos de transporte de mercancías. Las

administraciones locales, por otra parte, imponen reglamentos tales

como restricción de peso para mitigar las molestias de los vehículos

de transporte de mercancías disminuyendo así los beneficios de los

transportistas.

Esta situación de poco entendimiento y comunicación es la

mayor fuente de problemas del transporte urbano de mercancías (por

ejemplo, la escasa sostenibilidad económica y ambiental). En

consecuencia, existe una gran necesidad de un enfoque sistémico y

analítico que capte la toma de decisiones de los diferentes actores con

el fin de entender el transporte urbano de mercancías (Allen et al.,

2012; Anand et al., 2011; Cherrett et al., 2012; Stathopoulos et al,

2011 y 2012).

4.2 Políticas adoptadas por las autoridades locales.

Las autoridades vienen considerando tradicionalmente el

transporte de mercancías simplemente como fuente de impactos

negativos en el medioambiente, a menudo derivados de las denuncias

presentadas por los residentes y otros usuarios de la carretera. Como

resultado, las políticas sobre la Logística Urbana de mercancías

Tabla 1: Relación de actores y sus intereses.

Distribuidores

Tráfico

Residentes

Minoristas

Autoridades Locales y Servicios Públicos

Proveedores

Accesibilidad

Gobernabilidad y legislación

Impacto medioambiental (Ruido y calidad del Aire)

Crecimiento del mercado

Rentabilidad

Efectividad de Costes

Actores involucrados Intereses

Productos y Servicios

Impacto medioambiental (Ruido y calidad del Aire)

Competitividad

Rentabilidad




tienden a caer en seis categorías (Stathopoulos et al, 2012), que se

expones a continuación con algunos ejemplos:

(I) Políticas basadas en el mercado: estas apuntan a modificar

los precios de mercado de los bienes cuya producción y/o

consumo generan costes externos negativos (Maggi, 2007).

La ecotasa por congestión representa una medida

económicamente atractiva y que repercute positivamente en

la congestión del trafico en los centros de las ciudades

(Rotaris et al., 2010). Sin embargo políticas de fijación de

precios al transito del trasporte de mercancías requiere un

entendimiento previo de las funciones complementarias, y a

veces contradictorias, de los transportistas y receptores

(Holguín-Veras et al., 2006).

(II) Políticas reguladoras: se refieren a las normas y

reglamentos, aplicados por un sistema de control o por las

autoridades locales. Las ventanas temporales y las

restricciones de acceso, como las ventanas temporales de

acceso, son las medidas utilizadas más frecuentemente (Comi

et al., 2010; Van Duin y Munuzuri, 2006). Los resultados de

estudios sobre varias ciudades europeas sugieren que la

regulación específica sobre el medio ambiente para la entrada

de transporte es una de las maneras más eficaces para reducir

las emisiones (Dablanc, 2008).

(III) Políticas de uso del suelo: estas ejercen un gran impacto en la

logística de la ciudad, y suelen zonificar las actividades

económicas y las no económicas, como la concentración de

las actividades comerciales que puede facilitar la

racionalización de las entregas, beneficiando así tanto a los

operadores como a los residentes (Maggi, 2007). En general,

el análisis de los sistemas logísticos como entidades

complejas y espacialmente relacionadas es un enfoque cada

vez más aceptado (Hesse y Rodrigue, 2004; Taylor y Sloman,

2008; Allen et al., 2012). Un reto importante es el análisis de




la interacción entre el transporte de mercancías y los

movimientos de personas (Russo y Comi, 2011).

(IV) Políticas sobre las infraestructuras: tienen por objeto

fomentar el cambio del modo de transporte, se intenta

erradicar el dominio de la carretera como principal medio de

transporte de mercancías. Una de las políticas más corrientes

para racionalizar el flujo de mercancías son las plataformas

logísticas orientadas a consolidar las entregas y las recogidas

(Marcucci y Danielis, 2008). Aunque la sostenibilidad de

estos centros de distribución depende de un delicado

equilibrio entre los incentivos privados y públicos, de tal

modo que se observa una disminución progresiva de la

participación de los distribuidores privados, debido a la baja

rentabilidad y la falta de apoyo de los responsables políticos

locales (Visser et al., 1999).

(V) Políticas basadas en la información: este tipo de medidas se

centran en el intercambio de información entre los agentes,

con el objeto de apoyar la programación y la planificación de

las rutas de los vehículos de mercancías (por ejemplo,

actuando en tiempo real ante la presencia de atascos)

(Giannopoulos, 2002).

(VI) Políticas de gestión: llevadas a cabo por agentes privados y

públicos, y están destinadas a promover la cooperación entre

los operadores.

Esta relación nos muestra ejemplos de como no se han

desarrollado políticas coherentes sobre la Logística Urbana en la

misma medida que se ha hecho en el transporte de pasajeros.

Sin embargo en la última década, muchas autoridades urbanas

han comenzado a centrar su atención en mayor medida sobre la

eficiencia y la sostenibilidad de la Logística Urbana, debido a su

importancia económica. Esto ha llevado a que se realicen algunos

esfuerzos en desarrollar estrategias y planes de Logística Urbana en




algunas ciudades, así como proyectos de investigación, estudios y

planes de operación. Estos incluyen la implementación de centros de

consolidación urbana en algunas ciudades europeas, incluyendo

alguna española, el establecimiento de asociaciones de calidad del

transporte de mercancías, el desarrollo de las operaciones de carga y

descarga fuera del horario para no influir en el tráfico, el uso variable

de las vías en determinadas horas (Barcelona), el uso de triciclos

eléctricos para realizar las entregas de paquetería en las zonas

céntricas de ciudades como Londres, París y Bruselas, y el uso de

consignas y puntos de consolidación en ciudades alemanas, francesas

y belgas (Allen et al, 2007 y 2010; Dablanc, 2010; Dasburg y

Schoemaker, 2008; Frosini et al., 2005; INRETS, 2010; Munuzuri et

al., 2005; Stantchev y Whiteing, 2006; Transport for London, 2007).

Cabe destacar, en contra de todo esto, la falta de políticas de

recopilación de datos por parte de las autoridades públicas acerca de

las operaciones de Logística Urbana, con la excepción de recuentos de

tránsito de vehículos que aportan poca información. Esto da lugar,

típicamente, a que las autoridades locales tengan una visión bastante

limitada de los patrones del transporte urbano de mercancías

impidiendo con esto el desarrollo de estrategias y políticas adecuadas.

Ante la visión de todo esto, y haciendo un ejercicio de reflexión

se puede llegar a la conclusión de existe la necesidad de estudiar el

efecto de estas políticas, en términos de la vida real, sobre los

operadores logísticos, y ver su aceptabilidad y sus reacciones ante

ellas. Porque se puede presuponer que algunas de ellas perjudiquen en

exceso a estos, en pro de disminuir los impactos sobre la ciudad,

haciéndose así necesario medir estos efectos para poder equilibrar

mejor los intereses frente a los costes de cada uno de los actores

involucrados. Y en esta dirección es por donde transita este trabajo.




4.3 Logística urbana de mercancías en el centro

histórico de Sevilla.

A continuación se concreta el análisis de la Logística Urbana en

la ciudad objeto de estudio de este trabajo.

4.3.1 Problemática.

La posición del centro histórico de Sevilla como centro

comercial, de negocios y turístico de la ciudad implica una ingente

afluencia diaria de personas, vehículos y mercancías. Los principales

problemas a los que se enfrenta el transporte de mercancías en el

centro de la ciudad pueden ser resumidos de la siguiente manera:

Colapso de las zonas de carga y descarga, tomadas por parte

de vehículos privados, imposibilitando las tareas propias de

los transportes de mercancías.

Incompatibilidad de los horarios de apertura de los comercios

con los horarios definidos para el acceso de vehículos de

mercancías al centro histórico, imposibilitando una eficaz

gestión de la distribución de las mercancías.

Mala accesibilidad de la zona, congestionada y con muchas

zonas peatonales.

Esta situación planteada en la ciudad de Sevilla es perfectamente

paralela a la encontrada en otras ciudades españolas. En general, por

parte de los proveedores, se realiza una distribución urbana de

mercancías centrada en el día a día, pero no demasiada Logística

Urbana. Y desde el punto de vista de la oferta, los problemas son

tratados independientemente desde cada compañía.

4.3.2 Soluciones posibles.

Desde el punto de vista de todos los grupos implicados en esta

problemática, entiéndase como tal a transportistas, receptores,

residentes y administración local, y después de estudiar las posibles

soluciones planteadas en otras ciudades se exponen algunas de ellas:




Repartos nocturnos: La intención de esta medida es evitar la

interferencia entre el tráfico privado de la mañana y el

transporte de mercancías, realizando este último durante la

noche. Ya que es imposible cambiar los hábitos horarios de

las personas que utilizan el coche para ir a trabajar al centro,

quizás sería posible cambiar el horario del movimiento de

mercancías.

Road pricing: El establecimiento de peajes a la circulación de

vehículos por determinadas zonas de la ciudad es un método

“agresivo” para disminuir la congestión en las áreas urbanas

más sobrecargadas. Consiste en cobrar una cantidad (a

determinar) por utilizar determinadas rutas o acceder a

determinadas zonas. Económicamente, responde a un intento

de internalizar las externalidades provocadas por el hecho de

circular con un vehículo por áreas densamente saturadas

(congestión, contaminación, acaparamiento de

aparcamientos...).

Reparto conjunto: medidas que buscan el funcionamiento

conjunto de varios transportistas, dentro de determinadas

parcelas de la distribución urbana.

Lanzaderas: Esta medida persigue la introducción en el

centro de la ciudad de una serie de “zonas lanzadera”, que

típicamente serían aparcamientos reservados para las

furgonetas de mercancías, a los que podrían acceder a

primera hora de la mañana. Desde ellos, la entrega final se

realizaría a pie o utilizando vehículos alternativos. Con

respecto a este tipo de solución existe un trabajo previo sobre

la ciudad de Sevilla (Muñuzuri et al., 2012a)

Terminal urbana: Las terminales urbanas son pequeños

centros de transbordo, y quizás de almacenamiento, situados

dentro de la ciudad, cerca de las zonas de elevada densidad

comercial y que precisan por tanto de abundantes envíos de

mercancías. En ciudades grandes pueden servir de

complemento a los centros de transporte de mercancías




situados en las afueras, y en ciudades pequeñas pueden

sustituirlos.

Sistemas de información en tiempo real: La base de cualquier

sistema de gestión en tiempo real de una flota de transporte

urbano de mercancías está en la disponibilidad de

información actualizada sobre el estado del tráfico. Esta

información debería hacerse disponible a través de internet a

todas las empresas de transporte de mercancías, y en general

a cualquier vehículo que circule por la ciudad.

Gestión dinámica de zonas de carga y descarga: Se contempla

aquí la introducción de un sistema para optimizar el uso de

las zonas de carga y descarga, de manera que se garantice su

exclusividad para el uso de vehículos de transporte de

mercancías. Igualmente, este sistema garantizaría la rotación

de vehículos en las zonas de carga y descarga, evitando el

estacionamiento indefinido de vehículos de reparto en ellas.

Ventanas temporales de acceso: Esta medida consiste en

establecer intervalos temporales durante los cuales el acceso

a las zonas céntricas de la ciudad está permitido para los

vehículos de transporte de mercancías. Estos intervalos

suelen estar situados al principio de la mañana y de la tarde, y

se pretende con ellos separar las horas de reparto de

mercancías y las horas de máxima afluencia al centro de

compradores, turistas, etc. Además esta medida se ha

implantado en la ciudad caso de estudio de este trabajo, por

lo que se esta hablando de una política real que tiene

consecuencias.




5 PROBLEMA DE ESTUDIO.

5.1 Presentación del problema.

Se considera un problema de optimización de rutas sobre un

grafo , donde denota al conjunto de nodos que lo componen

y L el conjunto de arcos que unen dichos nodos.

En el conjunto de nodos existe un único nodo d con nivel de

oferta mayor que cero (deposito), un subconjunto de nodos con nivel

de demanda mayor que cero (clientes), y otro subconjunto ̅ de nodos

que se suponen con oferta y demanda cero. Se sabe que

( ̅) .

Un número de vehículos V (donde V es una variable) viajan a

través del grafo visitando los diferentes clientes, con un único

vehículo por cliente. No consideramos restricciones de capacidad en

los vehículos, lo cual es una hipótesis realista dentro del campo de las

entregas de mercancías urbanas, donde los vehículos rara vez van

llenos (Muñuzuri et al., 2005).

El problema se incluye dentro de un horizonte temporal

predefinido y que corresponde a las horas de trabajo de un día, y el

objetivo del problema es minimizar el coste (en términos temporales)

y el número de vehículos utilizados en el transporte de varias

mercancías desde el nodo hacia cada uno de los nodos del conjunto

, pasando para ello por los nodos que sea necesario del conjunto ̅ .

Este objetivo múltiple se encuentra a menudo en la literatura de los

VRP (Calvete et al., 2007). La función objetivo es por lo tanto:

(∑

) ∑

donde es un coste fijo por cada vehículo adicional (el primer

vehículo no está penalizado) y es igual a 1 si el vehículo viaja

desde el nodo al nodo , y 0 en caso contrario.




Así se definen también un conjunto de costes temporales

asociados a cada uno de los arcos del grafo. Estos costes son función

únicamente del tránsito por los arcos y no están relacionados con la

cantidad de mercancía que se transporta por ellos. Así se incurrirá en

el coste cuando se transite del nodo al nodo .

Además se computará un coste único , también en términos

temporales, en el que se incurrirá cada vez que uno de los vehículos

pase por uno de los nodos del subconjunto .

Se considera también, dentro del conjunto , un subconjunto

de nodos que tiene asociados una serie de restricciones. Estas son que

no se podrá transitar por ellos ni permanecer en ellos durante el

transcurso de una ventana temporal ( ), la cual obviamente será

menor que el horizonte temporal. Se supone también que

y que ̅

Se puede ver un esquema del problema en la ilustración 5.

Ilustración 5: Esquema de la ciudad.




5.2 Modelos de Logística Urbana.

Dado el número y complejidad de los actores que intervienen y

sus intereses, y de las operaciones que se llevan a cabo, dentro de la

Logística Urbana, las herramientas de toma de decisiones que se

utilizan se basan sobre todo en el modelado. Y dependiendo del tipo

de decisiones que se quieran tomar y a que escala del problema, los

modelos que se utilizan en la literatura científica son muchos y de

muy diferente tipología.

En los últimos años, la importancia de las herramientas de

soporte de decisiones, teniendo en cuenta los diferentes actores

involucrados en la logística urbana ha aumentado (Taniguchi et al.,

2010). Una de las últimas aportaciones en este campo son los Modelos

basados en Agentes. Este tipo de modelos intenta solucionar el

problema del entendimiento entre los diferentes actores involucrados y

sus intereses encontrados. Los Modelos basados en Agentes (ABM)

pueden ser una herramienta valiosa para los investigadores por su

fuerte capacidad de capturar el comportamiento dinámico de dichos

actores de forma individual y de sus interacciones (Getchell, 2008).

Estos modelos se desarrollan para evaluar el impacto potencial de las

diferentes políticas en el dominio Logística Urbana (Donnelly, 2009;

Kolck, 2010), y son una herramienta de gran alcance, sin embargo, el

esfuerzo humano necesario para desarrollarlos es enorme,

especialmente cuando las múltiples partes interesadas tienen que ser

tenidas en cuenta (Tamagawa et al., 2010).

Pero en este trabajo nos centraremos en otro tipo de modelos.

Son modelos que tienen un enfoque más particular (se centran en el

propio flujo de mercancías) que los anteriormente mencionados y que

suelen formar parte de algún sistema de soporte de decisiones

destinado a las administraciones públicas y a los profesionales con el

que hacer frente a las ya mencionadas molestias originadas por la

Logística Urbana (principalmente la congestión del tráfico, las

emisiones de gases de efecto invernadero y la contaminación del aire

y suelo). Estos sistemas se basan principalmente en el modelado,

optimización, simulación y procedimientos de evaluación. El




modelado de la demanda de transporte es el principal tema en el que

se investiga dentro de la Logística Urbana (Ambrosini et al., 2008).

Existen dos variantes principales de modelos de este tipo, según

González-Feliu et al. (2012), aunque existen otras clasificaciones más

complejas dentro de la literatura científica (Zhou y Dai, 2012):

Los derivados de los modelos clásicos de transporte de

mercancías (Russo y Comi, 2010) y que se adaptan a una

distribución urbana por lo general. Dentro de este tipo se

pueden distinguir dos subtipos, los modelos Macro y los

Micro. Los primeros suelen usar estimaciones y matrices

de Origen/Destino, y los segundos suelen ser modelos

basados en las rutas.

Los modelos basados en encuestas (Hunt y Stefan, 2007;

Routhier y Toilier, 2010).

Los modelos basados en rutas utilizan principalmente el

problema de enrutamiento de vehículos (Vehicle Routing Problem,

VRP), ya ampliamente estudiado (Toth y Vigo, 2002; Golden et al,

2008, Perboli et al., 2008, Groër et al., 2010; Eksioglu et al., 2009).

Este problema presenta diversas variantes, que intentan hacer frente a

las limitaciones de la vida real y a los sistemas de distribución que

intenta modelar.

En las zonas urbanas congestionadas, las variantes principales

del VRP generalmente utilizadas son los que se comentan a

continuación.

La primera es el VRP con ventanas temporales (VRPTW),

donde estas ventanas se utilizan para representar la importancia de la

hora de llegada de las mercancías (Bräysy et al., 2005a y 2005b;

Deflorio et al., 2012; Garcia-Najera y Bullinaria, 2011; Li et al.,

2010). En este contexto, una ventana de tiempo (TW) se define como

el intervalo de tiempo dentro del cual un vehículo deberá llegar a un

nodo. El VRPTW presenta una gran variedad de sub-variantes, como

el VRP con el ventanas temporales “semi soft” donde se aplica una




penalización en el precio de transporte si la TW no se respeta (Qureshi

et al., 2009 y 2010; Taş et al., 2013), el VRP con ventana temporal

dinámica (Taniguchi et al, 1999b, 2001; Taniguchi y Thompson,

2002), donde los tiempos de viaje evolucionan en el tiempo, o el VRP

con ventanas temporales de acceso (VRPATW), donde las

limitaciones de tiempo están asociados a una zona de acceso y no a un

cliente al que servir (Quak y De Koster, 2006).

En el transporte urbano de mercancías también se utiliza el VRP

multi-depósito (Toth y Vigo, 2002; Escuín et al., 2012), donde existe

más de un depósito, o variantes del VRP para resolver el problema de

la localización (Nagy y Sahli, 2005) y los problemas de recogida y

entrega (Berbeglia et al., 2007).

También existen modelos basados en encuestas que desarrollan

un modelo de generación de viajes a partir de los datos recogidos,

como el de Muñuzuri et al., (2010 y 2012c), es decir se mueven en

una línea intermedia entre los dos tipos de modelos antes

mencionados. En estos trabajos se obtiene una estimación de una

matriz origen-destino para el transporte de mercancías en una ciudad

como Sevilla, mediante datos recogidos en encuestas y resolviéndose

la distribución de viajes a través de la maximización de la entropía.

Algunos autores utilizan modelos que estudian el impacto de

los factores geográficos, demográficos, ambientales y de las políticas

implantadas por las autoridades locales (Allen et al., 2012; Taniguchi

et al., 2010). Estos trabajos se centran tanto en análisis teóricos o

conceptuales sobre la propia distribución o morfología de la ciudad

(Crainic et al, 2010; Kunze, 2004; Taniguchi et al, 1999a) o en la

aplicación de aspectos relacionados con las ciudades de tamaño

medio-grande, pero sólo desde la perspectiva de la autoridad pública

(Larrañeta et al, 1999; Qureshi y Hanaoka, 2006).




5.3 Enfoques previos sobre el problema

Centrándonos ahora en la solución planteada en este trabajo,

cabe decir que está dentro de la gran familia VRP (Laporte, 2009). Las

técnicas de investigación operativa que se vienen aplicando en este

campo se centran cada vez más en manejar problemas de planificación

de entregas de mercancías en zonas urbanas (Crainic et al., 2004;

Ruan et al., 2012). La optimización de rutas de vehículos en las

ciudades, debido a sus características específicas, por lo general se

asocia con el TDVRP (Donati et al., 2008; Kok et al., 2012;

Malandraki y Daskin, 1992), con enrutamiento dinámico de vehículos

en tiempo real (Fleischmann et al., 2004; Gendreau et al., 1999) o con

una combinación de ambos planteamientos (Chen et al., 2006).

También mediante un análisis de varios casos de estudios, Figliozzi

(2010) evaluó la influencia de la congestión urbana en el coste de los

viajes de vehículos de transporte.

Pero las investigaciones más parecidas al trabajo que nos ocupa

se pueden encontrar en dos artículos recientes:

Quak y De Koster (2009), por un lado, que analizan la

influencia de las ventanas temporales de acceso en un

escenario multi-ciudad usando un VRPTW resuelto con

paquete estándar de software comercial.

Conrad y Figliozzi (2010), por otro lado, que estiman el

efecto de la congestión en la planificación de rutas para

entregas urbanas con un enfoque que utiliza un TDVRP.

Y en este trabajo comparamos nuestro VRPATW con estos

planteamientos (teniendo en cuenta que las restricciones de acceso son

equivalentes a una la congestión infinita), mostrando así que se

requiere un desarrollo específico, tal y como se describe aquí, cuando

se considera un escenario de una única ciudad con muchos clientes.

Como motor de resolución se ha utilizado un algoritmo genético

estándar para determinar el efecto de las ventanas de acceso temporal

en el enrutamiento y programación de una flota. Aunque los

algoritmos genéticos están entre las mejores herramientas analíticas de




resolución de problemas de enrutamiento (Gendreau et al., 2008;

Golden, Raghavan, y Wasil, 2008; Toth y Vigo, 2002), incluyendo el

VRPTW (Caramia y Onori, 2008; Zhao et al., 2008) y el TDVRP

(Duan et al., 2010; Jung y Haghani, 2001), nuestro objetivo aquí no

era metodológico sino práctico, y se utiliza este algoritmo

simplemente como una herramienta para estimar los efectos de las

políticas restrictivas implantadas en las ciudades. Algorítmicamente

hablando, se entiende que la principal contribución metodológica

radica en el cálculo de la función de Fitness, diseñado específicamente

para las características del VRPATW.




6 ALGORITMO DE RESOLUCIÓN.

A continuación se describe el esquema general del algoritmo

genético (véase diagrama de flujos en ilustración 6) utilizado para

resolver los diferentes problemas que deseamos comparar. Esta

estructura general es compartida por los tres problemas siendo el

Fitness la parte diferenciadora de cada uno de ellos.

Al iniciar el algoritmo se genera la topología de la red, a

continuación se generaran en dicha red los nodos que serán paradas y

el nodo que será el nodo inicial. Cabe decir que cada nodo tiene

asignado un cardinal que lo define y diferencia de los demás.

Posteriormente se realiza un cálculo de las rutas mínimas entre

el nodo inicial y las paradas, además de las rutas mínimas de cada

parada al resto de ellas. Esta información se utilizará posteriormente

en el algoritmo.

Después de estos pasos comienza el algoritmo genético

propiamente dicho (en gris). Se inicia con la generación de la

población inicial. Esta consiste en una matriz que almacena por filas

los individuos solución, los cuales albergan los cardinales de todas las

paradas ordenadas aleatoriamente. En cada individuo el orden en que

estén dispuestas las paradas indica el orden en que las recorrerá el

vehículo, es decir la ruta a seguir.

Ilustración 6: Esquema general del Algoritmo.




A continuación se le aplica el Fitness a esta población inicial,

con esto obtenemos el valor del coste de cada ruta definida por cada

individuo.

Seguidamente se realiza el cruce de individuos y la mutación

con lo que se genera una población nueva de descendientes de igual

tamaño a la inicial.

El siguiente paso es aplicarle el Fitness a la población de

descendientes y obtener el valor del costo temporal de sus rutas.

La selección por Ranking ordena los individuos de las dos

poblaciones, con respecto al valor del Fitness, de menor a mayor. Y

asignándole una probabilidad decreciente a cada uno de ellos, de tal

forma que el individuo con menor valor de Fitness tiene la

probabilidad mayor, realiza la selección de individuos para quedarse

finalmente con tantos como tenia la población inicial.

Según un criterio que se basa en lo cerca que se encuentren el

menor valor del Fitness y el valor del Fitness Medio de toda la

población, se generará, en este momento del proceso, una Población

Nueva en la que sólo permanecerán los tres mejores individuos de la

última población implementada. El resto de individuos se generará

aleatoriamente. Con esto se pretende no caer en máximos locales e

intentar ampliar la zona de búsqueda de soluciones.

Como herramienta de parada del algoritmo se utilizará un

contador que es función del tamaño de la población que se use en la

implementación. El valor de este contador llevará al algoritmo a

repetir el proceso volviendo al paso del cruce o a finalizarlo

devolviendo de esa manera el menor valor del Fitness conseguido en

el proceso.

Se expone en los siguientes subapartados algunas aclaraciones

necesarias de los operadores más importantes utilizados por el

algoritmo genético, empezando por los operadores compartidos como

son el Cruce, la Mutación y la Selección por Ranking y terminando

con el Fitness específico para cada problema.




6.1 Cruce.

El tipo de operador de cruce que se ha elegido para este

algoritmo genético es el basado en dos puntos. Se agrupan los

individuos de la población de dos en dos. Dentro de cada par de

individuos se eligen aleatoriamente dos puntos de cruce y se

intercambian las paradas comprendidas entre estos puntos de un

individuo con otro. Esta operación se realiza con la totalidad de la

población generándose así una población de descendientes del mismo

tamaño que la anterior.

Al realizarse esta operación, como es conocido, se produce una

duplicidad de paradas en los descendientes, cosa que no es admisible.

Para solucionar esto se buscan las paradas repetidas y se sustituyen

por las paradas que no estén en el individuo.

6.2 Mutación.

En relación a este operador básico del algoritmo genético se ha

diseñado de forma que se seleccionan los individuos a mutar según

una probabilidad función de la tasa de mutación seleccionada. Esta

tasa de mutación se ha tomado fija y además es uno de los parámetros

seleccionados del algoritmo genético.

De esta forma se seleccionan los individuos que van a ser

mutados en función de la tasa de mutación, dicha mutación consiste en

la elección de forma aleatoria de dos paradas dentro de cada individuo

las cuales son intercambiadas de posición una con la otra. Así se

generan individuos casi idénticos pero con dos paradas cambiadas.

6.3 Selección por Ranking.

El operador de selección se ha basado en la función de selección

proporcional. En la que cada individuo tiene una probabilidad de ser

seleccionado, como padre de la siguiente generación, que es

proporcional al valor del su Fitness.




De esta manera la población anterior de padres y la de sus

descendientes es ordenada, de menor a mayor, por el algoritmo según

su valor de Fitness. Y posteriormente se le asigna a cada individuo un

valor de probabilidad gradiente que va desde el valor unidad para el

mejor individuo de las dos poblaciones, al valor cero que se asigna al

peor individuo. Con esto se asegura seleccionar al mejor individuo y

desechar al peor para la siguiente generación de padres, además de

retrasar de alguna manera la rápida convergencia de las poblaciones

que suele ocurrir en este tipo de algoritmos.

6.4 Fitness.

Dada la novedad del problema, se iniciará este apartado con un

estudio de la casuística del problema y de cómo debería actuar el

algoritmo para resolverlo de forma más óptima y sin infringir ninguna

de sus restricciones. Terminará con la explicación más detallada del

propio Fitness y su funcionamiento.

6.4.1 Casuística.

Previo al análisis de la casuística del problema se definirán los

conceptos y nomenclaturas utilizados.

Con respecto a la ventana temporal se definirán los tiempos:

Tiempo de Ventana Abierta, es decir este el tiempo donde

la ventana temporal deja de ser efectiva.

Tiempo de Ventana Cerrada, es decir, este es el tiempo en

el que la ventana temporal empieza a ser efectiva.

En relación al horizonte temporal, que se considera de un día o

una jornada laboral, se definen:

Tiempo cero o inicio del día o jornada laboral.

Tiempo final o final del día o jornada laboral.




Representando la recta del tiempo en la ilustración 7 se pueden

ver los tiempos definidos de la siguiente forma:

El coste modeliza el hecho de que el vehículo al llegar a la

ubicación del cliente se detiene para realizar la descarga de la

mercancía, por lo que se debe distinguir un tiempo de llegada y otro

de salida en el paso por cada uno de los nodos del subconjunto C de

cara al análisis y resolución del problema. Estos tiempos se han

denominado:

Tiempo de llegada a la parada “ ”.

Tiempo de salida de la parada “ ” hacia la parada “ ”.

Volviendo a la recta del tiempo se puede representar como se

observa en la ilustración 8, denotando con el cliente o parada “ ”.

Una vez definido el problema, la ventana temporal, la zona

restringida y la nomenclatura utilizada se pasa a analizar la casuística

del problema. Esto es, empezando por la descripción del caso general

de paso de una parada a otra, se irá describiendo los posibles casos

que se producirán en el transcurso de la ruta de reparto y su

Ilustración 7 : Recta del tiempo.

Ilustración 8: Representación de la Parada "i".




interacción con la ventana temporal y la zona restringida, además de

cómo deberá actuar el algoritmo ante cada uno de ellos.

6.4.1.1 Caso General

El vehículo comienza en el nodo inicial o deposito en el tiempo

cero , entonces el algoritmo deberá buscar la primera parada

definida por el algoritmo genético y almacenar el tiempo transcurrido

en el trayecto de un lugar a otro. A este tiempo se le suma el coste h

de descarga generando así los dos parámetros temporales que definen

a cada parada. Posteriormente el algoritmo debe revisar si dicha

parada está en la zona restringida, si es así debe continuar verificando

si la ventana temporal está abierta o cerrada actuando en consecuencia

como explicaremos posteriormente. Una vez hecho estos pasos se

recalcula el coste de la ruta (en términos temporales) y se pasa a la

siguiente parada para volver a aplicarle el mismo procedimiento. Este

proceso se repite hasta completar todas las paradas del día o hasta que

se llegue al final del día sin completarse estas, en tal caso se recurrirá

a un nuevo vehículo. Este iniciará su ruta, con tiempo cero pues se

considera que sale al mismo tiempo que el primero, desde el nodo

inicial y su primera parada será la siguiente, refiriéndose al orden

establecido por el algoritmo genético, a la última que realizó el

vehículo anterior. Con los nuevos vehículos que fuesen necesarios se

repite el proceso.

6.4.1.1.1 Entrada en la Zona Restringida

Se supone el caso de una parada “ ” fuera de la zona restringida

y otra parada “ ” dentro de dicha zona (Denotada así por el

superíndice “ ”).

En la ruta seguida por el vehículo de una parada a otra, en busca

de un óptimo análisis, se deben distinguir dos parámetros. La distancia

recorrida se divide en dos para diferenciar la parte del trayecto

realizado fuera y la realizada dentro de la zona restringida. Aunque se

denote estos parámetros como “distancias” no olvidamos que estamos

trabajando en unidades temporales.




Distancia recorrida fuera de la zona restringida.

Distancia recorrida dentro de la zona restringida.

Zona Restringida.

En la ilustración 9 se puede ver un esquema aclaratorio de los

conceptos arriba expuestos.

Así en este caso se pueden distinguir varias situaciones

dependiendo del estado de la ventana temporal.

6.4.1.1.1.1 Con la ventana temporal abierta.

En este caso la asignación de la parada sigue el procedimiento

general como se puede ver en la ilustración 10.

Ilustración 9: Entrada en la Zona Restringida.

Ilustración 10: Entrada en la ZR con la VT abierta.




6.4.1.1.1.2 Con la ventana temporal cerrada.

Suponiendo que la ventana temporal se cierra en el trayecto de

un nodo a otro, y como se observa en la ilustración 11, se llega a una

situación inadmisible, ya que el vehículo estaría en la zona restringida

con la ventana temporal cerrada.

En este caso el vehículo debe esperar en la parada anterior hasta

que la ventana temporal se vuelva a abrir y se pueda circular por la

zona restringida. Así el algoritmo deberá revisar hacia atrás para

buscar la anterior parada y verificar que no se encuentra en la zona

restringida, y seguidamente llevarse hacia delante en el tiempo la

parada “ ” haciendo que coincidan el tiempo de ventana abierta

con el momento en que el vehículo entra en la zona restringida (véase

ilustración 12). Con esto se asegura que el vehículo no se encuentre en

la zona restringida mientras la ventana temporal está cerrada.

En busca de reducir el tiempo de la ruta del vehículo, aunque se

modifique el tiempo de inicio de esta, el algoritmo deberá desplazar en

el tiempo la parada anterior, que no se encuentra en la zona

restringida, llevándola hacia delante junto a la parada “i+1”. Este

mecanismo del algoritmo se representa en la ilustración 13.

Ahora, partiendo del caso que se ha descrito anteriormente, se

realizará un estudio en profundidad para poder encontrar todos los

posibles casos en que se puede incurrir cuando el vehículo entra en la

zona restringida y como debería actuar en consecuencia el algoritmo.

Ilustración 11: Entrada en la ZR con la VT cerrada.




En el caso de que existan varias paradas consecutivas dentro de

la zona restringida y la ventana temporal se cierre cuando se

transcurre por ellas el algoritmo deberá realizar los siguientes pasos:

Primero revisar hacia atrás hasta encontrar la primera parada

que se encuentre fuera de la zona restringida (Parada

Referencia), que será en la que se podrá esperar a que se abra

la ventana. Y después debe mover hacia delante, tal y como

se ha descrito arriba, todo el grupo de paradas que están

Ilustración 12: Reubicación de la Parada fuera de la VT.

Ilustración 13: Desplazamiento hacia delante de la parada anterior.




dentro de la zona restringida para dejarlas fuera de la ventana

temporal (véase ilustración 14).

o Esta operación, dependiendo del número de paradas

desplazadas hacia delante, puede encontrarse con que al

ir actualizando los nuevos tiempos de cada parada se

vea superado el tiempo fin del día . Entonces se

almacenará la ruta anterior con las paradas que queden

dentro del horizonte temporal y se iniciaría otra ruta

con un nuevo vehículo que deberá recorrer las paradas

que no pudieron ser cubiertas por el vehículo anterior.

Segundo el algoritmo deberá mover hacia delante la parada

referencia y las que se encuentren antes que esta. Esta parada

en el caso más extremo podría tratarse de la sede de la

empresa. Al realizar esta operación el algoritmo podrá

encontrarse con varias posibles situaciones:

o Que justo antes de la parada de referencia existan una o

varias paradas que se encuentre dentro de la zona

restringida, como se observa en la ilustración 15, en

cuyo caso el algoritmo deberá desplazar hacia delante

todas las paradas anteriores haciendo coincidir el

tiempo de entrada de la parada de referencia menos la

Ilustración 14: Reubicación de un grupo de paradas dentro de la zona

restringida.




distancia fuera de la , con el tiempo de ventana

cerrada:

.

o Que detrás de la parada de referencia existan varias

paradas fuera de la , y antes que estas, otra dentro de

la . En tal caso el algoritmo deberá desplazar hacia

delante todas las paradas anteriores, siempre dejando

fuera de la ventana temporal las que están en la ;

como se ve en la ilustración 16.

Ilustración 15: Desplazamiento hacia delante de una parada fuera de la ZR

precedida por un grupo de paradas dentro de ella.

Ilustración 16: Desplazamiento hacia delante de un grupo de paradas fuera de la

ZR precedidas por una parada dentro de ella.




6.4.1.1.2 Salida de la Zona Restringida

Se supone una parada “ ” dentro de la zona restringida y una

parada “ ” fuera de la zona restringida, véase esquema en

ilustración 17.

Se vuelve a distinguir dos partes en el trayecto de un nodo a

otro, una dentro de la zona restringida y otra fuera. Los posibles casos

que se pueden dar dependiendo del estado de la ventana temporal son:

La ventana temporal abierta: En este caso la asignación de

la parada sigue el procedimiento general sin alterar ningún

parámetro, como se observa en la ilustración 18.

Ilustración 17: Salida de la Zona restringida.

Ilustración 18: Salida de la ZR con la VA.




La ventana temporal se cierra durante el trayecto: se

supone que la ventana temporal se cierra durante el trayecto de

un nodo a otro pudiéndose distinguir dos casos posibles.

o Se cierra cuando se ha salido de la zona restringida:

En este caso la asignación de la parada sigue el

procedimiento general sin alterar ningún parámetro (ver

ilustración 19).

o Se cierra cuando se está en la zona restringida: Es un

caso inadmisible, como se puede observar en la

ilustración 20.

Así que el algoritmo deberá buscar en las paradas anteriores a la

“ ” hasta encontrar la primera que no se encuentre en la zona

restringida para posteriormente llevársela hacia delante en el tiempo

justo después de que la ventana temporal se vuelva a abrir. La parada

“ ” se asignará después con respecto a la nueva posición de la

parada “i”. Se puede ver un esquema aclaratorio en la ilustración 21.

Posteriormente, al igual que en los casos anteriores, el algoritmo

buscaría hacia atrás en las paradas para ver si puede traer hacia delante

alguna parada anterior a la “ ”. Como se ha visto en los casos

anteriores el algoritmo deberá verificar que la parada donde se espera

que se abra la ventana temporal no esté en la zona restringida, además

Ilustración 19: Salida de la ZR con VT cerrando durante el trayecto. Caso admisible.




de verificar que con las paradas adelantadas en el tiempo no se

sobrepase el tiempo fin del día.

Ilustración 20: Salida de la ZR con VT cerrando durante el trayecto. Caso

inadmisible.

Ilustración 21: Reubicación de la parada dentro de la ZR y desplazamiento de la parada

posterior.




6.4.2 Fitness.

Una vez definidos los casos generales y el modo en que en ellos

debería actuar el algoritmo, se pasará a exponer de manera más

profunda la estructura del Fitness. Se expone el diagrama de flujos

esquemático del Fitness en la ilustración 22.

Al comienzo del algoritmo se inicia ruta vacía, que consiste en

un vector donde se almacenaran los tiempos de entrada y salida de

cada parada después de ser calculados y ajustados por el Fitness del

algoritmo. Seguidamente se llama al algoritmo genético y este nos

devuelve el individuo que se va a evaluar, se selecciona la primera de

sus paradas, a la cual se le realizara la pregunta de si está en la zona

restringida.

Ilustración 22: Esquema general del Fitness del Algoritmo Genético.




Si la respuesta es NO, el algoritmo pasa al Bloque N. Este

bloque explora las paradas anteriores y verifica, si la anterior

a la que estamos estudiando estuviera en la , que la

ventana temporal no se cerrara durante el camino de una a

otra de forma no apta. Y actúa en consecuencia si esto sucede

modificando los tiempos de las paradas correspondientes.

Cuando termina este proceso el Fitness continua a Calcular

costo de ruta.

Si la respuesta es SI, el Fitness sigue con la pregunta de si la

ventana temporal está cerrada.

o Si la respuesta es SI, el algoritmo pasa al bloque J-K.

Este bloque explora las paradas anteriores en busca de

la primera parada que no se encuentre en la zona

restringida, para colocar delante de la ventana temporal

las paradas que corresponda y arrastrar hasta donde

pueda las paradas anteriores a estas, de la forma

descrita en apartados anteriores.

o Si la respuesta es NO, el algoritmo pregunta si durante

el paso del vehículo por la parada anterior a la que se

está estudiando la ventana temporal estaba cerrada.

Esto se hace para verificar que el vehículo entra en la

zona restringida con la ventana temporal abierta.

Si la respuesta es SI, el algoritmo pasa al Bloque

J-K para que verifique que el vehículo ha entrado

en la zona restringida con la ventana abierta, y si

no lo ha hecho desplaza las paradas explorando

hacia atrás y actualizando los nuevos tiempos de

estas.

Si la respuesta es NO, se calcula el coste de la

ruta que se lleva recorrida.

Posteriormente se verifica que no se haya sobrepasado el tiempo

fin del día.




Si se ha sobrepasado, se inicia una nueva ruta con un

vehículo nuevo. Como primera parada para esta nueva ruta se

asigna la última parada que no se pudo realizar con el

vehículo anterior.

Si no se ha sobrepasado o si se ha iniciado una nueva ruta, se

pregunta si quedan más paradas por realizar.

o Si la respuesta es SI, se pasa a la siguiente parada y se

repite el proceso.

o Si la respuesta es NO, se finaliza el Fitness del

individuo.

Este proceso, como es obvio, se repite con todos los individuos

de la población a evaluar.

6.5 Los otros problemas.

En este apartado se exponen brevemente los otros dos problemas

que entran en la comparativa que ha realizado para este trabajo. Los

tres problemas que se comparan se comprobaron sobre las mismas

configuraciones de experimentos.

A parte del VRPATW los otros dos problemas son el TDVRP y

el VRPTW, seguidamente se explican los Fitness de estos problemas

que hemos utilizado. Como motor de resolución se ha utilizado el

mismo Algoritmo Genético utilizado anteriormente con el VRPATW.

6.5.1 TDVRP: Fitness.

El “Time Depended Vehicle Routing Problem” es un problema

ya conocido y que utilizaremos en este trabajo adaptándolo, en la

medida en que se pueda, a la problemática planteada. Para ello se han

utilizado dos matrices de distancias (LongitudRutas y LongitudRutas

Vcerr), en nuestro caso son matrices de tiempo pues es en términos




temporales cómo hemos planteado el problema. Estas dos matrices

representan los costes temporales de recorrer cada arco de la red, pero,

y para simular la ventana temporal de acceso, una de ellas

(LongitudRutasVcerr) se construye con costes muy elevados en los

arcos de la zona restringida y en los arcos que entran y salen de ella.

Con estas dos matrices se representa la dependencia de las distancias

con respecto al tiempo. En la ilustración 23 se pueden ver los

diferentes casos en que nos podemos encontrar calculando ambas

matrices.

En la ilustración 24 se representa el diagrama de flujos que sigue

el Fitness de este problema, y que como se puede observar utiliza una

u otra matriz dependiendo de si el tiempo asignado hasta ese momento

a la ruta (Tiempo ruta) está dentro del tiempo de la ventana temporal

de acceso.

Ilustración 23: Posible situación en la que nos podemos encontrar calculando las

matrices de distancia para el TDVRP. La distancia entre 1 y 2 (ambos fuera de la ZR) es

D1 en ambas matrices LongitudRutas y LongitudRutas Vcerr. La distancia entre 2 y 3

es D2en LongitudRutas y D3 en LongitudRutas Vcerr. Por ultimo, la distancia entre 2 y

4 es D4 en LongitudRutas y un valor muy alto en LongitudRutas Vcerr.




Ilustración 24: Diagrama de flujos del Fitness del TDVRP




6.5.2 VRPTW: Fitness.

En la ilustración 25 se puede ver el diagrama de flujos del

Fitness del “Vehicle Routing Problem with Time Window” que hemos

utilizado en nuestro trabajo para reproducir y resolver el problema que

nos ocupa. En él se puede ver que este Fitness pone el tiempo de ruta

fuera de la ventana temporal de acceso cuando este está dentro de la

ventana y el vehículo de reparto circula por la zona restringida.




Ilustración 25: Diagrama de flujos del Fitness del VRPTW.




6.6 Calibración en la Red de prueba.

6.6.1 Red de prueba.

Para la implementación y probaturas del algoritmo, además de la

elección de los parámetros más idóneos y adecuados para el estudio

sobre la red de Sevilla, se utilizará una red de prueba. Esta tendrá un

diseño sencillo y manejable que facilitará la comprensión de los

resultados obtenidos y su posterior análisis. La red constará de 900

(30x30) nodos unidos por arcos de igual distancia, en concreto

consideraremos que dicha distancia es de 200 metros. La

configuración de esta se muestra en la ilustración 26, en la cual se

numeran los nodos para una mejor comprensión:

En la figura las flechas indican el sentido en el que se puede

desplazar el vehículo. Tal y como se ha definido esta red de prueba el

sentido se alterna en las filas y en las columnas. De tal modo que en

las filas impares el sentido es hacia la izquierda y en la pares es hacia

Ilustración 26: Esquema reducido de la Red de Prueba.




la derecha, de igual forma en las columnas impares el sentido es hacia

arriba y en las pares es hacia abajo.

Cabe decir que la elección del nodo de partida y finalización, es

decir el depósito, además de los nodos destino o paradas, en esta red

de prueba, se realizará aleatoriamente.

Además la zona restringida se ubicará en el centro de esta red

considerándose como límite de esta los nodos y no los arcos. Se ha

programado la generación de los nodos destinos para que tengan una

densidad mayor en la zona restringida, para así asemejarse más a la

realidad.

Para la evaluación del Fitness de los individuos se han tenido en

cuenta los siguientes parámetros y restricciones:

El número de vehículos es infinito, se considera que el

número de estos es suficiente para realizar el reparto

necesario.

Se establece un coste adicional

a cada vehículo adicional necesario,

a partir del inicial, que se necesite para completar la ruta de

reparto. Con esto se penaliza la utilización de un número

elevado de vehículos obligando así al algoritmo a buscar

soluciones con el menor número posible de estos.

Se asigna una velocidad constante de al vehículo

de reparto. Con este dato, el de la longitud de los arcos de la

red y un sencillo cálculo cinemático se obtiene los cotes

temporales correspondientes a cada arco. En este caso son

todos del mismo valor. Cabe decir que este dato se obtiene de

una estimación de la media de velocidad que tiene un

vehículo de reparto en la ciudad de Sevilla según la empresa

consultada.

El horizonte temporal se considera [ ] .




La ventana temporal se establece en la mitad del horizonte

temporal.

Se contempla también el coste temporal . Al

igual que el dato de la velocidad media, este dato se obtiene

de las estimaciones hechas sobre los datos obtenidos de la

empresa de reparto consultada.

6.6.2 Resultados de la calibración.

Para la obtención de resultados se ha decidido un diseño de

experimento basados en tres parámetros de las configuraciones de los

problemas y tres parámetros del Algoritmo Genético. Según los

primeros análisis realizados sobre esta red de prueba se llegó a la

conclusión de que los parámetros más relevantes y para los que más

sensibles se mostraban los resultados de los experimentos eran los que

se han utilizado.

Asignándoles diferentes valores a los parámetros se obtienen

diferentes tipos de configuraciones y de algoritmos. Así se aplica a

cada configuración los diferentes algoritmos y se obtiene el valor del

Fitness en cada uno de ellos además del número de vehículos

utilizados.

Los parámetros que se han tomado son:

Parámetros de las configuraciones de los problemas:

o Número de paradas (Nº Stop).

o Tamaño de la Zona Restringida (RZ): En unidades

de longitud de la red de prueba. Cada 2 unidades

equivalen a .

o Longitud de la Ventana Temporal (TW): En horas.

Parámetros de los Algoritmos Genéticos:

o Tamaño de la población (A): Se ha decidido que sea

función del número de paradas por lo que se toman




valores del factor que multiplica a este parámetro de los

problemas. Así

o Número de iteraciones (B): También se ha decidido

que sea función del número de paradas. De esta forma

.

o Tasa de mutación (TM).

En las Tablas 2, 3 y 4 se pueden observar los valores de los

parámetros tomados además de los resultados de las pruebas

realizadas. Los resultados se componen del valor del Fitness

acompañado por el número de vehículos utilizados para la realización

de la ruta.

Se realizaron en una primera tanda 72 experimentos para cada

problema. Se diseñaron 9 configuraciones diferentes, incluyendo el

caso de que no exista ventana temporal de acceso, y se resolvieron con

8 algoritmos genéticos diferentes. De estos resultados se sacaron

conclusiones, pero se decidió realizar una segunda tanda de

experimentos, en este caso sólo en los problemas TDVRP y VRPTW.

La razón de esto es que a la vista de los primeros resultados se

concluyó que se podían encontrar parámetros más idóneos para la

resolución de las diferentes topologías con estos dos problemas.

De este modo las tablas de resultados de los problemas TDVRP

y VRPTW se completan con una segunda batería de experimentos en

los que se resuelven las mismas tipologías pero con valores diferentes

de los parámetros del algoritmo genético.




Tabla 2: Resultados de los experimentos realizados sobre la Red de Prueba para

el TDVRP.

AB

TM

Nº S

top

RZ

TW

Exp.1

-11

20

014080

222096

346160

638344

578584

10

62710

7143050

17

95566

11

207466

25

Exp.1

-21

20

113952

222088

346096

638032

578424

10

46098

5142946

17

94854

11

199560

24

Exp.1

-31

30

013976

214192

254264

722048

378368

10

54116

6142586

17

86452

10

191126

23

Exp.1

-41

30

113912

221824

346136

630360

478352

10

62238

7134872

16

94606

11

207202

25

Exp.1

-53

20

014040

213992

246184

638264

578464

10

54036

6134632

16

78306

9199040

24

Exp.1

-63

20

114056

213904

246128

629992

470376

946194

5119156

14

79106

9191166

23

Exp.1

-73

30

014024

222088

346080

629960

470320

946666

5134792

16

86588

10

198912

24

Exp.1

-83

30

113880

214032

246088

630032

478264

10

45970

5126686

15

78290

9191166

23

Exp.2

-12

40

014016

213824

246008

638208

570160

954036

6134336

16

78434

9198816

24

Exp.2

-22

40

014000

221952

346104

629880

470240

945930

5126526

15

78522

9198920

24

Exp.2

-32

40

013960

221856

346056

630200

470216

953892

6134288

16

70080

8190774

23

Exp.2

-42

60

013880

221896

346024

622056

370232

945682

5118556

14

86012

10

190750

23

Exp.2

-52

60

013848

213880

246024

629832

478248

10

37568

4126254

15

86276

10

182692

22

Exp.2

-62

60

013888

213880

246056

621968

370160

945986

5134400

16

86772

10

190750

23

Exp.2

-74

40

013960

213880

238248

522256

370240

945778

5134336

16

78146

9182748

22

Exp.2

-84

40

013968

213904

246080

622008

378232

10

45922

5134408

16

78090

9190654

23

Exp.2

-94

40

013920

213792

238160

522456

370200

945658

5126606

15

69984

8182716

22

Exp.2

-10

460

013936

213760

246048

638176

578232

10

45874

5118532

14

77858

9182492

22

Exp.2

-11

460

013904

213936

246032

629824

478200

10

37536

4118164

14

78010

9190638

23

Exp.2

-12

460

013928

213824

245976

621968

378248

10

45674

5126278

15

86204

10

182628

22

8

50

50

04

84

84

84

120

120

120

020

20

50

50

20

20

50

50

50

50

50

120

Ex

pe

rime

nto

s Re

d d

e P

rue

ba

- TD

VR

P

P1

P2

P3

P4

P5

P6

P7

P8

P9

Tabla 3: Resultados de los experimentos realizados sobre la Red de Prueba para

el VRPTW.

AB

TM

Nº S

top

RZ

TW

Exp.1

-11

20

014080

214956

247942

515334

263548

650340

5123116

11

48230

5170534

15

Exp.1

-21

20

113904

213880

247944

515330

263546

638912

4122998

11

48032

5167036

15

Exp.1

-31

30

013872

213952

247920

515600

263582

639080

4123086

11

50450

5170382

15

Exp.1

-41

30

113848

213848

247908

515184

263534

638560

4119624

11

47768

5167108

15

Exp.1

-53

20

013904

213864

247908

515524

263540

638824

4123042

11

48128

5158908

14

Exp.1

-63

20

113968

213800

247916

515214

263526

638416

4119704

11

48164

5155692

14

Exp.1

-73

30

014000

213840

247900

515308

263536

638848

4122928

11

39616

4158880

14

Exp.1

-83

30

113976

213800

239798

415290

263534

638768

4122966

11

47882

5158808

14

Exp.2

-12

40

013736

213800

239788

415192

263578

638584

4123044

11

47952

5158838

14

Exp.2

-22

40

013744

213744

239782

415294

263528

638664

4119722

11

39672

4155616

14

Exp.2

-32

40

013688

213824

247920

515166

263562

638440

4119708

11

39612

4158974

14

Exp.2

-42

60

013760

213904

247914

515286

263536

638584

4119702

11

39626

4158862

14

Exp.2

-52

60

013704

213736

247900

515294

263546

637792

4119684

11

39434

4158874

14

Exp.2

-62

60

013720

213920

247924

515322

263512

637752

4122972

11

39424

4158858

14

Exp.2

-74

40

013696

213776

247906

515176

263546

638672

4119680

11

48196

5155602

14

Exp.2

-84

40

013688

213768

247916

515310

263532

638568

4119646

11

47986

5158972

14

Exp.2

-94

40

013744

213800

247916

515286

263536

638568

4119710

11

39444

4158888

14

Exp.2

-10

460

013784

213752

247914

515188

263524

637672

4119692

11

39628

4158868

14

Exp.2

-11

460

013776

213816

247904

515218

263538

638376

4119670

11

39428

4155590

14

Exp.2

-12

460

013696

213792

239762

415306

263526

638728

4119672

11

39376

4158884

14

8

50

50

04

84

84

84

120

120

120

020

20

50

50

20

20

50

50

50

50

50

120

Ex

pe

rime

nto

s Re

d d

e P

rue

ba

- VR

PT

W

P1

P2

P3

P4

P5

P6

P7

P8

P9




Tabla 4: Resultados de los experimentos realizados sobre la Red de Prueba para el

VRPATW.

AB

TM

Nº S

top

RZ

TW

Exp.1

-11

20

014288

223038

354160

623580

377244

847474

5142946

14

67168

7207640

19

Exp.1

-21

20

114304

222922

345400

523614

380526

855896

6143302

14

67776

7198746

19

Exp.1

-31

30

014232

215680

245608

523448

380424

855696

6134258

13

56642

6195420

19

Exp.1

-41

30

114256

222456

350568

623690

380452

846854

5139314

14

57152

6186762

18

Exp.1

-53

20

014264

214296

244850

523508

371702

746832

5126514

12

57636

6179020

16

Exp.1

-63

20

114280

222688

345434

523470

371740

747110

5126514

12

49878

5193020

18

Exp.1

-73

30

014208

214312

244858

523326

369062

746634

5125238

12

57336

6170308

16

Exp.1

-83

30

114224

214112

245170

515218

276982

846656

5124962

12

57184

6175548

17

8

50

50

04

84

84

84

120

120

120

020

20

50

50

20

20

50

50

50

50

50

120

Ex

pe

rime

nto

s Re

d d

e P

rue

ba

- VR

PA

TW

P1

P2

P3

P4

P5

P6

P7

P8

P9




Y a la vista de los resultados obtenidos y después de un pequeño

estudio de sensibilidad se optó por tomar los siguientes valores de los

parámetros de los algoritmos genéticos que se utilizarán en cada

problema, estimando por tanto que con ellos se obtendrían los mejores

resultados en la red final de análisis:

Tamaño de la población (A).

o TDVRP: A=3

o VRPTW: A=4

o VRPATW: A=2

Número de iteraciones (B).

o TDVRP: B=40

o VRPTW: B=50

o VRPATW: B=6

Tasa de mutación (TM).

o TDVRP: TM=0,4

o VRPTW: TM=0,4

o VRPATW: TM=0,5




7 CASO DE ESTUDIO.

7.1 Red de Sevilla.

El problema se sitúa en una ciudad, en concreto en la ciudad de

Sevilla.

La ciudad se ha modelado como un grafo, compuesto por un

conjunto de nodos y arcos, que simulan las posibles paradas o lugares

de reparto y las calles que los unen (ver ilustración 27).

Se ha supuesto (basada en datos reales aportados por una

empresa real) la existencia de una pequeña/mediana empresa de

reparto de paquetería, la cual dispone de una pequeña flota de

vehículos suficiente para la realización de las entregas requeridas. Es

decir, el número de vehículos no es una restricción en el problema

porque se considera infinito, eso sí, la utilización de cada unidad más

que se necesite, además de la inicial, tendrá un costo adicional fijo.

El tamaño de estos vehículos es irrelevante dado que se

supondrá que la mercancía a repartir consistirá en bultos de tamaño

pequeño/medio; así no se tendrá en cuenta, o se considera infinita la

capacidad de los vehículos en el modelo del problema.

A empresa se le supone un número de clientes de entre 50 y 150

a los que tiene que atender. La concentración mayor de estos clientes

se da en la zona del centro de la ciudad.

Para simular los desplazamientos y el hecho físico de la entrega

del paquete, se supone una velocidad de desplazamiento del vehículo

de 20 Km/h y un tiempo de permanencia en cada parada de 20 min,

como ya se aclaró anteriormente estos datos se han obtenido de

estimaciones realizadas sobre los datos aportados por una empresa de

reparto de mercancías que opera en la ciudad de Sevilla.

Además el horizonte temporal del modelo es de un día, más

concretamente, se ha considerado una jornada laboral de 10 horas. Por




tanto el número total de clientes deben ser satisfechos dentro de este

intervalo de tiempo.

La sede de la empresa se ha supuesto localizada en un polígono

industrial de la ciudad, zona esta apartada del centro pero no fuera de

ella. Esta sede es el punto de partida de cada ruta de reparto, así como

el punto de finalización de esta. Así el vehículo debe partir de la sede,

realizar su ruta de reparto y regresar a ella.

Con respecto a la ventana temporal, que como se introdujo

antes, es única y se supone en la mitad del horizonte temporal o día.

Su duración o longitud se ha considerado un parámetro del problema y

por tanto se le han asignado diferentes valores en las diferentes

simulaciones que se realizaron, pretendiendo con esto tener una visión

más amplia de la casuística del problema.

En cuanto a la zona peatonalizada que va asociada a la ventana

temporal se ha situado en el centro de la ciudad. Su amplitud o radio

también se ha considerado un parámetro del problema asignándole así

diferentes valores por las mismas razones arriba expuestas. Cabe decir

Ilustración 27: Vista de los nodos del modelo de la red de Sevilla.




que no se puede acceder a ella ni se puede permanecer en ella durante

la duración de la ventana temporal.

Y por último se debe decir que la función objetivo o de costos a

optimizar se ha calculado en términos temporales. Y para trabajar y

calcular los costes en términos temporales se ha tenido que

transformar las distancias de los arcos de la red en tiempo por medio

de un sencillo cálculo cinemático además del dato, ya mencionado, de

la velocidad del vehículo. Otro componente de la función objetivo es

el coste añadido de los vehículos adicionales. El primer vehículo no lo

tiene, pero a partir del segundo se sumaran 8000 unidades temporales

al coste total. Se ha optado por una cifra elevada para penalizar la

utilización excesiva de vehículos y así intentar que el algoritmo

mejore en ese sentido.

7.2 Resultados del caso de estudio.

Para la simulación en la red de Sevilla se ha diseñado una

batería de experimentos basados en datos estadísticos obtenidos de la

empresa consultada. Con estos datos y algunas estimaciones se realizó

el diseño de 30 configuraciones diferentes que pretenden cubrir la

mayor parte de las situaciones reales en las que se puede encontrar una

empresa de reparto de mercancías en una ciudad como Sevilla. En

principio se diseñaron generando la ubicación del depósito y de los

diferentes clientes de forma aleatoria, con la salvedad de que se

imponía un mayor porcentaje de estos en la zona restringida para

simular la mayor concentración de clientes en el centro de la ciudad.

Posteriormente se diseñaron 10 variantes diferentes de cada

configuración. En busca de que los resultados que se obtuvieran

tuvieran un carácter más general y de no caer en conclusiones

erróneas derivadas de resultados particulares, se generaron las

variantes a partir de las configuraciones iniciales pero cambiando la

ubicación de los clientes.




De esta manera se realizaron 300 experimentos de cada

problema, 30 sobre cada variante de las configuraciones.

Entendiendo que es importante, en cada configuración y sus

variantes, el número concreto de clientes dentro de la zona restringida

para los resultados de la simulación y para su posterior análisis, se

Tabla 5: Parámetros de las diferentes topologías y el número de clientes dentro de la

zona restringida de cada una de ellas.

T1 50 0 0 0 0 0 0 0 0 0 0 0 0T2 50 2 2T3 50 2 4T4 50 2 6T5 50 5 2T6 50 5 4T7 50 5 6T8 50 9 2T9 50 9 4

T10 50 9 6T11 100 0 0 0 0 0 0 0 0 0 0 0 0T12 100 2 2T13 100 2 4T14 100 2 6T15 100 5 2T16 100 5 4T17 100 5 6T18 100 9 2T19 100 9 4T20 100 9 6T21 150 0 0 0 0 0 0 0 0 0 1 0 0T22 150 2 2T23 150 2 4T24 150 2 6T25 150 5 2T26 150 5 4T27 150 5 6T28 150 9 2T29 150 9 4T30 150 9 6

144 140 142 138 147

109 108 116 112 118

131 135 139 143 141

25 28 27 38 24

101 100 104 108 115

90 94 92 90 94

31 24 22 26 24

64 81 68 75 79

94 93 97 95 92

13 23 23 27 25

78 75 79 72 73

48 44 50 48 45

23 10 18 18 22

38 32 39 39 35

43 48 47 46 48

9 10 11 12 9

34 43 38 39 37

V-6 V-7 V-8 V-9 V-10

4 6 12 15 4

Número de paradas en la ZR

Nº P ZR TW V-1 V-2 V-3 V-4 V-5




detallan a continuación los valores de los parámetros adoptados para

cada configuración y el número de clientes que se encuentran dentro

de la zona restringida en cada caso (Tabla 5). Se destacan las variantes

con mayor número de clientes dentro de la zona restringida

(sombreado) y las de menor número (en negrita).

Como se puede ver se optó por tres valores del parámetro

Número de Paradas (50, 100 y 150) con los que se cubría la horquilla

de número de clientes medios que se puede encontrar nuestra supuesta

empresa en un día. Este parámetro es el de mayor importancia dentro

de nuestro algoritmo con respecto al coste computacional que se

requiere para ser resuelto, porque además de multiplicar el tamaño de

las matrices a utilizar, los otros dos parámetros son función de su

valor, haciendo así que se multiplique el tamaño del problema en otros

aspectos. Es por eso que la batería de experimentos se dividió con

respecto a su valor y por tanto los resultados se presentan según esta

división.

A continuación se detallan los tiempos medios de ejecución

(Tabla 6) de cada configuración en cada tipo de problema. También se

presenta en la tabla los valores de los parámetros de los algoritmos

utilizados para resolver cada tipo de problema. Como se puede

apreciar, dependiendo del tamaño del problema el tiempo varia

considerablemente. Aunque el número de iteraciones no es

comparable entre cada problema, sobretodo en el caso del VRPATW.

Se consideró, en este caso, por la convergencia de las soluciones, que

con los valores del parámetro B que se utilizaron se llegaba a

soluciones, en cada caso, del mismo orden de aceptabilidad.

Es de tener en cuenta que el motor de optimización de las

soluciones de los problemas TDVRP y del VRPTW es el propio

algoritmo genético, sobre todo con el número de iteraciones

ejecutadas, pero en el caso del VRPATW el algoritmo se diseñó de tal

manera que es él mismo es el que optimiza, por lo que el número de

iteraciones necesarias para llegar a soluciones aceptables es siempre

menor que en los otros dos casos. Eso si, el coste computacional que

conlleva es bastante alto.

Tabla 5: Tiempo de Ejecución Medio en horas.




Los resultados obtenidos de cada experimento se presentan en

las tres tablas (Tablas 7, 8 y 9) que vienen a continuación destacando

en rojo el mejor Fitness obtenido para cada configuración de entre los

tres problemas y en negrita el mejor Fitness de cada problema dentro

de cada configuración.

Tabla 6: Tiempo de Ejecución Medio en horas.

TP Nº Ite TP Nº Ite TP Nº IteA x nºp B x nºp A x nºp B x nºp A x nºp B x nºp

A B A B A BT1 0,055 0,177 0,182T2 0,065 0,180 0,170T3 0,032 0,180 0,170T4 0,032 0,181 0,183T5 0,032 0,180 0,119T6 0,032 0,182 0,139T7 0,032 0,197 0,223T8 0,032 0,182 0,110T9 0,032 0,186 0,141

T10 0,032 0,204 0,275T11 0,414 1,661 2,213T12 0,526 1,422 2,154T13 0,260 1,421 2,436T14 0,260 1,439 3,064T15 0,261 1,427 2,333T16 0,261 1,510 3,799T17 0,263 1,756 10,94T18 0,261 1,463 2,901T19 0,262 1,556 6,155T20 0,264 1,847 17,21T21 1,316 5,208 16,21T22 1,764 5,331 16,33T23 0,971 5,206 18,89T24 0,971 5,384 22,30T25 0,973 5,367 20,47T26 0,974 5,626 33,49T27 0,980 6,677 92,72T28 0,972 5,219 26,23T29 0,976 5,661 55,72T30 0,983 7,237 163,32

6 0

2 6 0

3 40 0 4 50 0 2

3 40 0 4 50 0

T.

Med.

Ejec.

3 40 0 4 50 0 2 6 0

Tiempo Medio de Ejecución (horas)

TDVRP VRPTW VRPATW

TMT.

Med.

Ejec.

TMT.

Med.

Ejec.

TM

Tabla 7: Resultados de los experimentos realizados sobre la red de Sevilla con 50

clientes.

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

245444

164673

164403

244884

164493

164313

245414

164373

164603

164633

VR

P24559

424506

416440

324505

424484

416445

324562

416448

324488

424477

4V

RPTW

245494

245214

244874

245134

245074

244774

326205

245114

244944

245214

VR

PAT

W24587

424497

424477

424494

424476

424466

432580

524476

424484

424501

4V

RP

245534

164673

164583

244884

164493

244744

245564

164423

164603

245164

VR

PTW24547

424531

424473

424514

424499

416431

324541

416437

324461

424504

4V

RPA

TW

326295

245024

244644

245054

244854

244554

325805

244694

244854

245094

VR

P24549

424515

424483

432580

524482

416450

324563

432507

540582

616463

3V

RPTW

326105

245004

244764

245674

244994

244884

245684

245194

245574

244914

VR

PAT

W32608

524500

424474

432539

524475

432492

524560

424485

432519

524509

4V

RP

325855

325705

244924

325465

325725

245184

326235

245394

325905

325585

VR

PTW24570

424559

424528

424579

424537

424476

424548

424555

424487

424529

4V

RPA

TW

325965

325315

244754

325315

324945

244934

325695

244644

325235

325275

VR

P40685

664718

948584

756713

848672

748711

748674

756643

864659

948645

7V

RPTW

326295

407756

245304

326385

326285

246094

245994

326355

326415

245834

VR

PAT

W40644

648603

732494

540570

640524

640528

640619

640519

640545

640554

6V

RP

10494414

12893817

9666913

12083116

11276215

11275815

9690313

12084316

12897217

9673113

VR

PTW49058

773396

1048932

765247

949071

757106

849056

757218

873398

1040915

6V

RPA

TW

7278710

9728113

485507

8072411

7265810

7267210

647179

7277610

8084211

646479

VR

P48642

756604

848540

748604

748559

764586

948686

756564

848604

748551

7V

RPTW

326145

326415

245574

326075

326325

245664

326315

326375

326335

245604

VR

PAT

W32636

540768

632575

540648

640765

640733

632612

557055

840774

632561

5V

RP

8076711

8068711

8060211

8080411

7264310

8063511

8877212

8063911

8867812

7266810

VR

PTW40863

648933

732733

540791

640867

640804

640858

648936

740889

640766

6V

RPA

TW

567518

571298

569068

568838

651339

651069

567958

7341810

571448

487847

VR

P163037

20171012

21128706

17169004

22152842

20136850

18177137

23160962

21177046

23136822

18V

RPTW

7343010

8969712

652529

8969112

7351610

7339710

7352710

8970612

8971212

653519

VR

PAT

W97603

13105998

1489466

12105808

14105854

1497723

13105684

14114180

15122256

1689356

12

C6C7C8C9

C10

Va

rian

te 10

C1

C2C3C4C5

Experimentos sobre la R

ed de Sevilla - 50 Clientes

Va

rian

te 1

Va

rian

te 2

Va

rian

te 3

Va

rian

te 4

Va

rian

te 5

Va

rian

te 6

Va

rian

te 7

Va

rian

te 8

Va

rian

te 9

Tabla 8: Resultados de los experimentos realizados sobre la red de Sevilla con

100 clientes.

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

408526

408416

408586

409036

408696

489327

408326

408466

489517

489377

VR

P40867

640857

648942

748937

740869

648932

740832

640846

648956

748949

7V

RPTW

489807

489277

489827

570718

570888

570688

489647

570828

570738

490107

VR

PAT

W48977

748911

748967

748984

757013

848999

748885

757003

857034

849054

7V

RP

408526

408606

408646

489287

488987

570828

408426

489547

490067

489377

VR

PTW49044

740895

648988

757064

848988

757059

840877

657058

857097

849019

7V

RPA

TW

569878

489047

570258

569968

570088

489907

569218

650489

570418

650849

VR

P48980

740841

648927

740903

648971

748965

740850

665022

957055

864997

9V

RPTW

570828

489707

652139

571448

490677

571138

489887

7331310

571778

652509

VR

PAT

W57003

856912

873125

1065066

973098

1065060

956932

873105

1073078

1073140

10V

RP

650039

570578

651319

490187

570668

570918

569118

570718

650349

7317310

VR

PTW57139

857062

857124

857135

865183

949013

757112

857116

865215

965218

9V

RPA

TW

650619

649769

7309310

650439

7306210

650649

649549

7310310

650799

7314810

VR

P105172

1497117

13113294

15105143

1497260

1373263

10105099

1489233

12121221

16105302

14V

RPTW

8157511

652769

8968012

7338510

7335910

653169

653229

653379

7340610

8975012

VR

PAT

W81106

1181021

11105287

1481093

1189154

1281131

1189050

1289171

1281140

11105336

14V

RP

24962432

16968322

28214136

17758423

20957227

18546924

18540924

25773733

20155626

29005637

VR

PTW146885

19114247

15195749

25130466

17130491

17122259

16130552

17146780

19138669

18203948

26V

RPA

TW

16991722

13724218

22701629

14541619

16172821

12931617

15344420

16985122

15344420

22731029

VR

P113076

15105023

14121114

16121042

16105124

1497109

13112977

15121115

1689081

12121169

16V

RPTW

652539

571218

7340510

652359

651899

652109

570468

652999

571798

653559

VR

PAT

W89492

1265156

997823

1389560

1265166

973156

1065212

973251

1073186

1089568

12V

RP

16927522

13706218

19341625

18522524

17729523

16124721

15308120

18525624

16113621

20941327

VR

PTW97832

1381605

11114173

1589722

1289696

1289728

1281548

1197923

1381607

11114199

15V

RPA

TW

13826018

11385615

16289821

12220916

12189916

11370015

12192916

13817918

11371915

15459920

VR

P369655

47241588

31556297

64337716

43353776

45337629

43281439

36419857

52305510

39546263

64V

RPTW

18763724

14685519

24471631

17128022

18753824

15504120

15498720

19579025

16314921

24476731

VR

PAT

W236139

30203266

26293433

37244204

31235941

30203276

26203365

26252250

32203335

26285310

36

C6C7C8C9

C10

Va

rian

te 10

C1

C2C3C4C5



Va

rian

te 1

Va

rian

te 2

Va

rian

te 3

Va

rian

te 4

Va

rian

te 5

Va

rian

te 6

Va

rian

te 7

Va

rian

te 8

Va

rian

te 9

Tabla 9: Resultados de los experimentos realizados sobre la red de Sevilla con

150 clientes.

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

Fitne

ssn

vFitn

ess

nv

7340810

652959

653349

652569

7333510

653149

653189

652899

7344510

652259

VR

P81525

1165295

973369

1065256

973348

1073382

1065340

973366

1081462

1165232

9V

RPTW

8968312

7348210

8149311

8150311

8153811

8155111

8158311

8963612

8153911

7338610

VR

PAT

W89626

1281501

1181472

1182047

1181460

1173885

1073731

990398

1181525

1167195

9V

RP

7342510

7336710

653349

7335810

7336210

653149

653999

652899

8138411

652449

VR

PTW97756

1381548

1189627

1289604

1281522

1181542

1189687

1281554

1181561

1165322

9V

RPA

TW

9770313

8150911

8618412

8151811

729459

8039111

7962711

8357910

8155911

584128

VR

P73498

1073430

1081499

1173398

1081393

1173371

1073419

1081398

1173445

1065225

9V

RPTW

9792513

8969112

9770813

10592614

9775413

8976712

9785513

8970812

10593814

7343810

VR

PAT

W113825

1589548

1280585

1187347

1388427

1271900

1184020

1180875

12105777

1473405

10V

RP

9769313

9772013

9759713

9752513

9772213

8167211

10552114

8958612

10562514

8152711

VR

PTW97794

1397793

13105932

1497791

1389664

1297835

13105992

14105916

1497797

1381576

11V

RPA

TW

10576714

8955912

9307614

887969

8040310

9308113

7950213

9851314

9013813

8225510

VR

P145932

19129828

17153971

20153984

20161873

21161837

21169796

22169831

22137777

18137625

18V

RPTW

12229716

12216516

11414715

13038217

11416515

13854518

12229716

13043717

12222816

10602014

VR

PAT

W137954

18121670

16107008

13130217

17114117

15137329

17122203

16112350

14126455

16106014

14V

RP

37884548

30639039

31443340

34664744

29013637

37878548

37038747

40257051

31440740

28187936

VR

PTW220133

28203759

26203905

26252736

32203816

26236482

30236508

30236450

30220182

28171297

22V

RPA

TW

25908133

21812828

21133025

25541135

20424631

24001130

27736131

23573635

22067829

20538922

VR

P145844

19137714

18161740

21185677

24161579

21153757

20161734

21161741

21153584

20169419

22V

RPTW

12221016

11403515

11409815

11408515

10593414

13040317

10600814

9782613

8969812

8968412

VR

PAT

W129974

1797677

13197169

27194076

15119790

21224673

23220504

13196892

25150263

2191158

16V

RP

25015732

24993132

28205936

32200641

26576434

26602134

28204736

25795933

21799428

24157831

VR

PTW154833

20146671

19154955

20154879

20146680

19163171

21171128

22154873

20146667

19138543

18V

RPA

TW

19470825

16244221

18912125

16612821

20104521

17397420

18966428

18409119

15741024

21478124

VR

P613189

76506599

64578686

73642965

81482201

61684995

85618961

78594884

75458504

58427790

53V

RPTW

30169338

27715035

28538236

33428842

24463531

32620841

31809740

31798340

27715735

22826029

VR

PAT

W358170

45325021

41288897

52419245

42263212

38356274

54384088

44299084

41328207

38285308

40

C26

C27

C28

C29

C30

Va

rian

te 10

C21

C22

C23

C24

C25



Va

rian

te 1

Va

rian

te 2

Va

rian

te 3

Va

rian

te 4

Va

rian

te 5

Va

rian

te 6

Va

rian

te 7

Va

rian

te 8

Va

rian

te 9

En estas tablas se puede ver el valor del Fitness y el número de

vehículos necesarios para cada experimento. Se ordenan los resultados

con respecto a cada configuración frente a las variantes de estas, y en

cada caso el resultado de ese experimento resuelto por cada tipo de

problema para que se puedan comparar las soluciones dadas por cada

problema a cada configuración y variante.

Para una mejor comprensión de la comparativa entre los tres

problemas se buscó un patrón de resultados. De este modo se buscó,

según el valor del Fitness, cómo se posicionaban los tres problemas

unos con respecto a los otros. Los resultados obtenidos se pueden ver

en la tabla siguiente (tabla 10):

Se observa que el patrón que se obtiene mayor número de veces

en cada uno de los tres tamaños de las configuraciones es que el

Fitness del TDVRP es el mayor seguido del Fitness del VRPATW y

por último el del VRPTW.

Con respecto a los sobrecostes estimados con respecto a la

situación sin ventana temporal de acceso y basándose en datos de

coste de vehículos de transporte de mercancías del año 2011 (Costes

directo por vehículo = 105,06436 €/día y Costes Kilométrico =

0,1630344 €/Km), se aprecian los siguientes resultados detallados en

la tabla 11.

En esta tabla se puede ver el incremento en la distancia recorrida

por los vehículos (en Kilómetros) para realizar la ruta de reparto y el

50 Paradas 100 Paradas 150 Paradas Total

TDVRP<VRPTW<VRPATW 5% 25% 12% 11%

TDVRP<VRPATW<VRPTW 12% 19% 19% 25%

VRPTW<TDVRP<VRPATW 8% 6% 6% 5%

VRPTW<VRPATW<TDVRP 59% 47% 47% 53%

VRPATW<TDVRP<VRPTW 10% 0% 9% 3%

VRPATW<VRPTW<TDVRP 6% 3% 7% 9%

Tabla 10: Comparativa entre los tres problemas considerados.




incremento del coste por día (en euros) al que tendría que hacer frente

la empresa de transporte de mercancías, por cada problema y número

de clientes, con respecto al tamaño de la zona restringida y de la

duración de la ventana temporal asociada.

Se observa que los incrementos económicos estimados pueden

llegar a superar el 500% en algunos casos y que el incremento en los

kilómetros recorridos necesarios para cubrir la nueva ruta con las

restricciones impuestas puede superar el 350%.

También se midieron el número de violaciones de la restricción

de acceso en que incurrieron cada uno de los algoritmos, que es cero

sólo para el VRPATW. Y se observó que, aunque los modelos que

utilizan el VRPTW y el TDVRP son aproximaciones relativamente

buenas para determinar estimaciones de costes, en la mayoría de los

casos se requieren de un algoritmo específico, como el VRPATW,

TW1 TW2 TW3 TW1 TW2 TW3 TW1 TW2 TW3

∆Km(%) 4,0% 2,4% 8,9% 19,0% 42,3% 76,0% 25,9% 44,9% 105,7%

∆€(%) 10,5% 3,8% 20,6% 38,2% 114,2% 300,2% 104,4% 196,0% 427,3%

∆Km(%) 1,1% 3,6% 7,2% 19,7% 37,0% 88,1% 23,0% 40,5% 109,1%

∆€(%) 1,9% 5,5% 10,7% 30,6% 102,0% 291,8% 114,1% 211,5% 513,4%

∆Km(%) 2,3% 2,1% 6,6% 22,6% 39,7% 85,9% 28,4% 48,5% 107,8%

∆€(%) 4,7% 2,4% 8,9% 33,3% 98,2% 302,3% 101,1% 216,0% 539,7%

∆Km(%) 7,2% 7,1% 9,5% 10,5% 18,2% 53,6% 46,8% 112,8% 280,1%

∆€(%) 23,4% 26,0% 29,6% 36,3% 68,8% 169,9% 69,5% 145,0% 311,7%

∆Km(%) 11,2% 13,1% 19,2% 19,6% 29,2% 103,0% 50,7% 137,3% 352,3%

∆€(%) 15,2% 25,0% 40,1% 43,9% 75,6% 211,6% 62,9% 162,0% 370,2%

∆Km(%) 16,5% 19,2% 33,5% 36,8% 71,3% 209,8% 51,7% 115,7% 313,3%

∆€(%) 19,3% 14,0% 26,2% 31,7% 60,5% 198,9% 40,0% 99,2% 277,5%

∆Km(%) 10,7% 4,2% 11,6% 14,2% 32,3% 141,6% 29,5% 78,2% 225,3%

∆€(%) 24,2% 13,8% 24,3% 22,4% 41,2% 141,5% 40,5% 85,3% 226,4%

∆Km(%) 15,8% 14,2% 26,6% 30,0% 62,2% 212,9% 38,5% 103,2% 298,0%

∆€(%) 19,3% 14,0% 26,2% 31,7% 60,5% 199,0% 40,0% 99,2% 277,5%

∆Km(%) 16,5% 19,2% 33,6% 36,9% 71,4% 210,0% 51,7% 115,9% 313,7%

∆€(%) 17,4% 22,1% 35,5% 39,9% 71,6% 201,9% 53,6% 113,4% 301,6%

VRPATW

50 P

100 P

150 P

VRPTW

50 P

100 P

150 P

Incrementos Medios

RZ1 RZ2 RZ3

TDVRP

50 P

100 P

150 P

Tabla 11: Incrementos medios con respecto al caso sin ventana temporal de acceso.




para poder garantizar el pleno cumplimiento de las restricciones. Los

ejemplos de la literatura, donde se utiliza la visión clásica del VRPTW

(Quak y De Koster (2009) o enfoques con el TDVRP (Conrad y

Figliozzi, 2010) para estimar el efecto de ventanas temporales de

acceso en las empresas de transporte, no se corresponden con el tipo

de problema que se define con un VRPATW y por lo tanto no dan

lugar a estimaciones de costes precisas.

El análisis de todos estos resultados proporciona algunas

conclusiones interesantes. Estos resultados corresponden a un modelo

de ciudad específico y una definición particular del problema, pero se

podrían esperar resultados similares en cualquier ciudad con ventanas

temporales de acceso:

Los escenarios con el tamaño real de zona restringida (RZ =

2) muestran unos pequeños aunque nada despreciables

incrementos de coste con respecto en al escenario base (sin

ventana temporal de acceso), y estos incrementos se hacen

más grandes a medida que la longitud de la ventana temporal

(TW) aumenta.

Los escenarios con RZ = 5, correspondientes al tamaño de la

zona restringida que actualmente se considera en Sevilla,

muestran diferencias significativas con respecto al escenario

base. Como se esperaba, estas diferencias aumentan con la

longitud de la ventana temporal. La ilustración 28 muestra el

incremento en los costes de explotación como consecuencia

de un aumento en la duración del periodo de ventana cerrada,

para un tamaño dado área restringida RZ = 5. El aumento de

costes es importante y no depende tanto del número de

clientes involucrados, lo que significa que los operadores

grandes y pequeños se ven igualmente afectados por las

políticas de ventanas temporales de acceso. Como

consecuencia de esto las prácticas de violación de las normas

regulatorias, como las descritas en Muñuzuri et al. (2012b)

son una práctica común en ciudades con este tipo de

restricciones.




La influencia de los RZ y TW es mayor cuando el número de

clientes es más grande, a pesar de la posibilidad de tener más

opciones para llegar a conseguir rutas casi óptimas.

Los escenarios en los RZ = 9 muestran un gran aumento en el

número de vehículos requeridos, lo que representa

incrementos globales de costes de hasta el 400%.

El escenario donde RZ = 9 y TW = 2 muestra los resultados

mejores que los que donde RZ = 5 y TW = 6. Esto indica que

la influencia de la longitud de la ventana temporal aumenta a

medida que el tamaño de la zona restringida crece.

7.3 Análisis de sensibilidad

Para evaluar la robustez de estos resultados, se realizó un

análisis de sensibilidad utilizando algunos de los 300 problemas

Ilustración 28: Incrementos de costes debidos al incremento de la longitud de la

ventana temporal de acceso en el caso de estudio.




simulados. Para la configuración base (configuración 1) descrito en la

sección 8.1, hemos probado las siguientes variantes:

Configuración 2: tiempos de parada más cortos (5 minutos en

lugar de 20 minutos) para cada cliente.

Configuración 3: diferentes patrones de velocidad en función

de la zona de la red o ciudad. La nueva distribución de

velocidad propuesta es:

o 15 km / h dentro de la zona restringida.

o 25 km / h en el resto de la ciudad.

o 50 km / h en la periferia y en el resto del área

metropolitana.

Configuración 4: Las dos configuraciones anteriores juntas,

es decir con el nuevo tiempo de entrega y con la nueva

distribución de velocidades.

La Tabla 12 muestra los resultados para estas configuraciones,

tanto en el número de vehículos utilizados y como en la distancia total

recorrida. La conclusión inmediata es que las conclusiones

anteriormente aportadas también son aplicables aquí: las estimaciones

de costes en las diferentes configuraciones siguen un patrón similar al

descrito en la Tabla 10.




Distancia

nvD

istancianv

Distancia

nvD

istancianv

C6

V-3

50 CTD

VR

P584

7291

3360

5161

4

VR

PTW530

4265

2436

3170

2

VR

PATW

4945

2743

3574

1392

C4

V-9

50 CTD

VR

P582

6264

2350

3137

2

VR

PTW557

4214

2345

3136

1

VR

PATW

5195

2392

3533

1332

C6

V-2

100 CTD

VR

P1117

13719

5717

11137

2

VR

PTW1276

9544

4890

6325

3

VR

PATW

102111

4685

7028

2643

C5

V-1

0 100 C

TDV

RP

117310

5735

7076

2622

VR

PTW1218

9554

4742

5266

2

VR

PATW

114810

5665

7196

2662

C7

V-1

150 CTD

VR

P2845

481257

171226

26419

8

VR

PTW4133

281951

142290

16895

6

VR

PATW

308133

114115

120017

4537

C6

V-9

150 CTD

VR

P1777

18864

81116

15405

6

VR

PTW2228

161003

71338

9571

4

VR

PATW

645516

7778

110411

4455

Con

figuració

n 1

Con

figuració

n 2

Con

figuració

n 3

Con

figuració

n 4

Configuración B

aseD

isminucion t parada

Diferen

tes velocidadesC

onfig.2+ Config.3

Tabla 12: Resultados del análisis de sensibilidad para las cuatro

configuraciones consideradas.




8 CONCLUSIONES.

Se han estimado los sobrecostes, en términos económicos y de

kilómetros recorridos, en que incurriría una empresa de reparto de

mercancías si operase en la ciudad de Sevilla y en esta se implantaran

medidas de restricción de acceso y de horario en su centro histórico.

Para ello se ha desarrollado y explicado un algoritmo específico para

la resolución del problema planteado, diseñándose un Fitness nuevo y

concreto basado en sus especificaciones y restricciones. Este Fitness

junto con la problemática planteada es lo que hemos venido a

denominar en este trabajo el VRPATW, es decir Vehicle Routing

Problem with Access Time Window. Para diferenciarlo de otros

problemas ya planteados y estudiados con anterioridad se ha realizado

una comparación con otros dos problemas (TDVRP y VRPTW) de los

denominados VRP.

La metaheurística utilizada con los tres problemas ha sido un

algoritmo genético. Este se ha calibrado, según la sensibilidad sobre

los resultados, para reducir en lo posible las variables a controlar.

Se han probado y calibrado cada uno de los problemas en una

red de prueba con objeto de asegurar su correcto funcionamiento y de

obtener los parámetros más idóneos para su posterior aplicación sobre

el modelo de la situación real en la ciudad de Sevilla.

Se han resuelto los mismos experimentos con los tres

problemas. Dichos experimentos se diseñaron de tal manera que

cubrieran el máximo de la horquilla de situaciones en que se pudiera

encontrar una empresa de reparto de mercancías dentro de la realidad

planteada. Obviamente también se planteó la situación sin

restricciones como objeto de comparación.

Se ha comprobado con los resultados obtenidos en los tres

modelos probados que los incrementos en términos económicos y en

términos de kilómetros recorridos que conlleva la implantación de este

tipo de restricciones en los centros históricos de las ciudades para las

empresas de reparto pueden llegar a ser muy elevados. La cuantía de




estos depende obviamente de la dureza de estas restricciones,

observándose un crecimiento exponencial de estos en comparación

con el crecimiento geométrico de las restricciones que se han

planteado.

Estos resultados conllevan que las medidas tomadas por las

autoridades locales en pro de una mayor sostenibilidad de sus

ciudades quizás no estén consiguiendo todos sus objetivos. Por un

lado la mayor accesibilidad para los ciudadanos a los centros

históricos, la mejor conservación de estos, la disminución de ruidos y

de molestias, el aumento de la habitabilidad y demás demandas de la

sostenibilidad social son satisfechas con este tipo de medidas. Pero los

otros dos pilares fundamentales del concepto de sostenibilidad, el

económico y el medioambiental, y siempre desde el punto de vista de

las empresas de reparto de mercancía, no se satisfacen. El incremento

en el número de vehículos y en el número de kilómetros con el que se

encuentran estas empresas en este nuevo marco de trabajo, implican

un importante aumento por un lado del coste del transporte y por otro

de las emisiones de . Consecuencias estas dos en la que, se

entiende, que las autoridades locales no pretendían encontrarse al

implantar estas políticas, aun contando con la aparente obviedad

inicial de los resultados.

Estas conclusiones tan poco alentadoras para la consecución de

la sostenibilidad de las ciudades pudieran ser previsibles a priori

basándose en trabajos de investigación anteriores que abordaban

problemáticas parecidas pero desde un marco territorial más amplio.

En este trabajo se muestra un planteamiento que se centra en el

entorno de una ciudad y en los trabajos referimos se centran en el

entorno de un país, o de una región que engloba varias ciudades entre

las que se plantea el problema de transporte.

Es precisamente en el horizonte territorial en donde reside la

diferencia fundamental del planteamiento del VRPATW mostrado

aquí con los otros problemas VRP, y concretamente con los dos que se

han utilizado para ser comparados. El planteamiento mostrado en este

trabajo, dado que se implementó específicamente para ello, se acerca




mucho más a la realidad que otros planteamientos que utilizan

problemas más generales adaptándolos a las nuevas realidades.

En este trabajo se han utilizado el TDVRP y el VRPTW para

compararlos con el VRPATW, y se han encontrado diferencias. Estas

diferencias no están en la dirección de los resultados, que ya

podríamos suponer, pero si en su módulo. Y si se está hablando de

costes, económicos y medioambientales, la cuantía y la cercanía con la

realidad de los resultados son cruciales.

Centrándose ahora en cada uno de los problemas comparados, y

buscando el porqué del patrón de los resultados encontrados, se llega a

la conclusión de que reside en sus diferencias fundamentales y de

planteamiento. Se observa que las aproximaciones del TDVRP, en la

mayoría de los casos, son las mayores. Esto se explica porque este

modelo al simular la zona restrictiva cuando la ventana temporal está

activa la considera como una zona de la red que no existe, por lo que

sus soluciones encuentran rutas que la rodean haciéndolas las más

largas. En el caso del VRPTW, que es el que encuentra soluciones

menores, al adaptarse a la situación planteada considera a los clientes

de la zona restrictiva con la misma ventana temporal pero no tiene en

cuenta la restricción territorial, por lo que las rutas que encuentra

como solución incumplen esta restricción fundamental. En el caso

intermedio que es el del VRPATW las soluciones encontradas tienen

en cuenta por un lado que la zona restrictiva es inaccesible cuando la

ventana temporal está activa pero por otro lado intenta interactuar con

ella adaptando sus rutas tanto a su aspecto zonal como a su aspecto

temporal. Así encuentra soluciones que se adaptan mejor a la realidad

planteada. Es por eso que se considera que los resultados obtenidos

por el VRPATW deben ser considerados más fiables a la hora de

cuantificar los efectos de las medidas restrictivas sobre el transporte

de mercancías.

El incremento en el coste del transporte de mercancías y el

aumento de las emisiones de previstos, que se estiman de este y

otros trabajos, por la implantación de medidas de restricción de tráfico

en los centros históricos de las ciudades hacen necesaria herramientas




de optimización de dicho transporte, que disminuyan en la medida de

lo posible estos incrementos. Estas herramientas, en previsión de ser

utilizadas por las empresas privadas, deberán adaptarse y acercarse lo

máximo posible a la realidad para que las decisiones que se tomen a

partir de sus resultados se acerquen un poco más al objetivo de la

sostenibilidad, sin suponer para las empresas de transporte un coste

inasumible. Así el Fitness que se ha desarrollado en este trabajo se

piensa reúne esas exigencias. También es cierto que para su posible

implantación dentro de la empresa privada, meta a la que se pretende

apuntar, sería necesaria una disminución en su coste computacional,

además de ser probado con otras metaheurísticas en busca de mejores

acercamientos a los resultados óptimos. De este modo se presenta el

VRPATW, en principio, para estimar los costes de las políticas de

restricción de las ciudades, como hacemos en este trabajo, pero con el

objetivo más a largo plazo de que sea una herramienta útil para la

mejora del transporte de mercancías urbanas dentro del marco de la

sostenibilidad de las ciudades.

El transporte urbano de mercancías y su adaptabilidad a las

nuevas necesidades y a los nuevos entornos de trabajo derivados del

objetivo mayor de la sostenibilidad en las ciudades, es un campo que

parece, por lo poco estudiado y por la vigencia y actualidad que

ostenta, tiene un gran potencial de desarrollo en la investigación, y por

tanto se está trabajando en él.

8.1 Logros alcanzados.

Cabe decir que el desarrollo, implementación y los resultados de

este trabajo forman parte de una investigación, que sigue en curso, y

que han sido publicados en:

Congreso Internacional: sólo con algunas conclusiones y

resultados previos (Grosso et al., 2012b).

Revista JCR: (Muñuzuri et al., 2012d).




Y siguiendo la línea de la sostenibilidad de las ciudades y de la

logística dentro de la ciudad, se esta trabajando también en la

optimización de la recogida de basura selectiva (Grosso al. et, 2012a),

habiéndose mostrado algunos resultados y conclusiones en un reciente

congreso.

Y sin salirnos de esa línea, también se ha trabajado en el estudio

de otro tipo de soluciones posibles para el reparto de mercancías

dentro de los centros de las ciudades (Muñuzuri et al., 2012a) como se

ha comentado en el apartado 4.3.2, particularizada también en la

ciudad de Sevilla.

8.2 Posibles trabajos futuros.

Como trabajos futuros que pueden continuar con la

investigación llevada a cabo para este trabajo, se propone abordar el

problema del VRPATW desde una resolución exacta como modelo

matemático (investigación actualmente en proceso) o desde el punto

de vista de otra metaheurística como motor de resolución, como puede

ser la búsqueda Tabú, que aporte consistencia a los resultados y

mejoras en los tiempos de computación.

También se propone utilizar este “Know-how” como base para,

y siempre sin abandonar la línea de la Logística Urbana sostenible,

estudiar otro tipo de flotas en el ámbito urbano, tales como de

autobuses escolares y, como ya se ha empezado a hacer, de recogida

de basura selectiva.




9 REFERENCIAS.

Allen, J., Anderson, S., Browne, M. & Jones, P. (2000). A framework for

considering policies to encourage sustainable urban freight traffic and

goods/service flows. Transport Studies Group, University of

Westminster, London.

Allen, J., Browne, M., & Thorne, G., (2007). Good Practice Guide on Urban

Freight Transport, BESTUFS Project.

Allen, J., Browne, M., Piotrowska, M., & Woodburn, A., (2010). Freight

Quality Partnerships in the UK – An Analysis of Their Work and

Achievements. Green Logistics Project Report. University of

Westminster, London.

Allen, J., Browne, M., & Cherrett, T. (2012). Investigating relationships

between road freight transport, facility location, logistics management

and urban form. Journal of Transport Geography, 24, 45-57.

Ambrosini, C. & J. L. Routhier (2004). Objectives, Methods and Results of

Surveys Carried out in the Field of Urban Freight Transport: An

International Comparison. Transport Reviews, 24 (1), 57-77.

Ambrosini, C., Meimbresse, B., Routhier, J. L., & Sonntag, H. (2008).

Urban freight modelling: a review. In Taniguchi, E., Thompson, R. G.

(eds.) Innovations for City Logistics, Nova Science Publishers, New

York, 197-212.

Anand, N., Duin, J. H. R., Quak, H., & Tavasszy, L. (2011). Relevance of

city logistics modeling efforts: A review. In Transportation Research

Board 90th annual meeting. Washington DC: Transportation Research

Board.

Anand, N., Yang, M., Van Duin, J.H.R. & Tavasszy, L. (2012), GenCLOn:

An ontology for city logistics, Expert Systems with Applications,

39(15), 11944-11960.

Anderson, S., Allen, J., & Browne, M. (2005). Urban logistics––how can it

meet policy makers sustainability objectives?, Journal of Transport

Geography, 13, 71–81.

Ando, N., & Taniguchi, E. (2006). Travel time reliability in vehicle routing

and scheduling with time windows. Networks and Spatial Economics, 6,

293–311.

Arebey, M., Hannan, M.A., Basri, H., Begum, R.A. & Abdullah, H. (2011).

Integrated technologies for solid waste bin monitoring system,

Environmental monitoring and assessment, 177(1-4), 399-408.




Basbas, S., & Bouhouras, E. (2012). Sustainable mobility and goods

distribution system. the case study of the central area of thessaloniki.

Journal of Environmental Protection and Ecology, 13(2), 603-610.

Berbeglia, G., Cordeau, J. F., Gribkovskaia, I., Laporte, G. (2007). Static

pickup and delivery problems: a classification scheme and survey, TOP,

15, 1-31.

Bräysy, O., Gendreau, M. (2005a). Vehicle Routing Problem with Time

Windows, Part I: Construction and Local Search Algorithms,

Transportation Science, 39(1), 104-118.

Bräysy, O., Gendreau, M. (2005b). Vehicle Routing Problem with Time

Windows, Part II: Metaheuristics. Transportation Science, 39(1), 119-

139.

Bugliarello, G. (2006). Urban sustainability: Dilemmas, challenges and

paradigms. Technology in Society, 28(1-2), 19-26.

Calvete, H. I., Galé, C., Oliveros, M. J., & Sánchez-Valverde, B. (2007). A

goal programming approach to vehicle routing problems with soft time

windows. European Journal of Operational Research, 177(3), 1720–

1733.

Caramia, M., & Onori, R. (2008). Experimenting crossover operators to

solve the vehicle routing problem with time windows by genetic

algorithms. International Journal of Operational Research, 3(5), 497–

514.

Chang, T., & Yen, H. (2012). City-courier routing and scheduling problems.

European Journal of Operational Research, 223(2), 489-498.

Chen, H. K., Hsueh, C. F., & Chang, M. S. (2006). The real-time time-

dependent vehicle routing problem. Transportation Research E, 42,

383–408.

Cherrett, T., Allen, J., McLeod, F., Maynard, S., Hickford, A. & Browne, M.

(2012), Understanding urban freight activity - key issues for freight

planning, Journal of Transport Geography, 24, 22-32.

Comi, A., Delle Site, P., Filippi, F., & Nuzzolo, A., (2010). Ex-post

assessment of city logistics measures: the case of Rome. In: Crisalli, U.,

Mussone, L. (Eds.), Proceedings of SIDT International Conference,

Franco Angeli, Milan, Italy.

Conrad, R. G., & Figliozzi, M. A. (2010). Algorithms to quantify impact of

congestion on time-dependent real-world urban freight distribution

networks. Transportation Research Record, 2168, 104–113.




Crainic, T. G., Ricciardi, N., & Storchi, G. (2004). Advanced freight

transportation systems for congested urban areas. Transportation

Research C, 12, 119–137.

Crainic, T. G., Perboli, G., Mancini, S., & Tadei, R. (2010). Two-echelon

vehicle routing problem: a satellite location analysis. Procedia Social

and Behavioral Sciences, 2(3), 5944-5955.

Dablanc, L. (2007). Goods transport in large European cities: Difficult to

organize, difficult to modernize. Transportation Research A, 41 (3),

280-285.

Dablanc, L., (2008). Urban Goods movement and air quality policy and

regulation issues in European cities. Journal of Environmental Law, 20,

245–266.

Dablanc, L., (2010). Freight transport, a key element of the urban economy:

guidelines for practitioners. In: Paper Presented at the Transportation

Research Board 89th Annual Meeting, Washington, DC.

Dalal-Clayton, B., & Bass S., (2002). Sustainable development strategies,

1st edn. Earthscan Publications Ltd, London, p 358.

Dasburg, N., & Schoemaker, J., (2008). Quantification of Urban Freight

Transport Effects II, Deliverable D5.2, BESTUFS Project.

<http://www.bestufs.net/download/BESTUFS_II/key_issuesII/BESTUF

S_Quantification_of_Urban_Feight_Transport_Effects_II.pdf>.

Daugherty, P.J. (2011). Review of logistics and supply chain relationship

literature and suggested research agenda, International Journal of

Physical Distribution & Logistics Management, 41 (1), 16 – 31.

Deflorio, F., Gonzalez-Feliu, J., Perboli, G. & Tadei, R. (2012), The

influence of time windows on the costs of urban freight distribution

services in city logistics applications, European Journal of Transport

and Infrastructure Research, 12(3), 256-274.

Donati, A. V., Montemanni, R., Casagrande, N., Rizzoli, A. E., &

Gambardella, L. M. (2008). Time dependent vehicle routing problem

with a multi ant colony system. European Journal of Operational

Research, 185, 1174–1191.

Donnelly, R. (2009). A hybrid microsimulation model of urban freight

transport demand, The University of Melbourne.

Duan, Z. Y., Yang, D. Y., & Wang, S. (2010). An improved genetic

algorithm for time dependent vehicle routing problem. In Proceedings




of the 2010 2nd international conference on future computer and,

communication, 1835–1839.

Eksioglu, B., Vural, A. V., & Reisman, A. (2009). The vehicle routing

problem: A taxonomic review. Computers and Industrial Engineering,

57(4), 1472-1483.

Elkington, J. (1997). Cannibals with Forks: The Triple Bottom Line of 21st

Century Business. Oxford: Capstone.

Escuín, D., Millán, C. & Larrodé, E. (2012), Modelization of Time-

Dependent Urban Freight Problems by Using a Multiple Number of

Distribution Centers, Networks and Spatial Economics, 12(3), 321-336.

European Commission, (2007). Preparation of the Green Paper on Urban

Transport: Background Paper,. European Commission, Brussels.

<http://ec.europa.eu/transport/clean/green_paper_urban_transport/doc/2

007_01_31_urban_transport_background_paper_en.pdf>.

Figliozzi, M. A. (2010). The impacts of congestion on commercial vehicle

tour characteristics and costs. Transportation Research E, 46, 496–506.

Figliozzi M. A. (2012), The time dependent vehicle routing problem with

time windows: Benchmark problems, an efficient solution algorithm,

and solution characteristics, Transportation Research Part E: Logistics

and Transportation Review, 48( 3), 616-636.

Fleischmann, B., Gnutzmann, S., & Sandvoß, E. (2004). Dynamic vehicle

routing based on online traffic information, Transportation Science,

38(4), 420–433.

Frosini, P., Huntingford, J. & Ambrosino, G., (2005). Urban mobility and

freight distribution service. best practices and lessons learnt in the

MEROPE Interreg III B project. European Transport, 28, 44–56.

Garcia-Najera, A., & Bullinaria, J. A. (2011). An improved multi-objective

evolutionary algorithm for the vehicle routing problem with time

windows. Computers and Operations Research, 38(1), 287-300.

Gendreau, M., Guertin, F., Potvin, J. Y., & Taillard, E. (1999). Parallel Tabu

search for real-time vehicle routing and dispatching. Transportation

Science, 33(4), 381–390.

Gendreau, M., Potvin, J.-Y., Bräysy, O., Hasle, G., & Løkketangen, A.

(2008). Metaheuristics for the vehicle routing problem and its

extensions: A categorized bibliography. Operations Research/Computer

Science Interfaces Series, 43(1), 143–169.




Getchell, A. (2008). Agent-based modeling.

Giannopoulos, G., (2002). Integrating freight transportation with intelligent

transportation systems: some European issues and priorities.

Transportation Research Record, 1790, 29–35.

Golden, B., Raghavan, S., & Wasil, E. (Eds.). (2008). The vehicle routing

problem: Latest advances and new challenges. New York: Springer.

Goldman, T., & Gorham, R. (2006). Sustainable urban transport: Four

innovative directions. Technology in Society, 28(1-2), 261-273.

Gonzalez-Feliu, J., Ambrosini, C., Pluvinet, P., Toilier, F., & Routhier, J. -.

(2012). A simulation framework for evaluating the impacts of urban

goods transport in terms of road occupancy. Journal of Computational

Science, 3(4), 206-215.

Grawe, S.J. (2009). Logistics innovation: A conceptual-based framework.

The International Journal of Logistics Management, 20 (3), 360-377.

Groër, C., Golden, B. & Wasil, E. (2010). A library of local search heuristics

for the vehicle routing problem, Mathematical Programming

Computation, 2(2), 79-101.

Grosso, R., Muñuzuri, J., Rodríguez, M. & Teba J. (2012a). Optimization of

recyclable waste collection using real-time information. XVI Congreso

de Ingeniería de Organización, Vigo , 202-209.

Grosso, R., Muñuzuri, J., Rodríguez Palero, M. & Aparicio, P. (2012b).

Estimating the effects of access time windows in the management of

urban delivery fleets, WIT Transactions on the Built Environment, 335-

345.

Hannan, M.A., Arebey, M., Begum, R.A. & Basri, H. (2011), Radio

Frequency Identification (RFID) and communication technologies for

solid waste bin and truck monitoring system, Waste Management,

31(12), 2406-2413.

Hart, T., (1994). Transport choices and sustainability: A review of changing

trends and policies. Urban Studies, 31(4/5), 705–728.

Hesse, M., & Rodrigue, J.-P., (2004). The transport geography of logistics

and freight distribution. Journal of Transport Geography, 12, 171–184.

Holguín-Veras, J., Wang, Q., Xu, N., Ozbay, K., Cetin, M., & Polimeni, J.,

(2006). The impacts of time of day pricing on the behavior of freight

carriers in a congested urban area: Implications to road pricing.

Transportation Research Part A: Policy and Practice, 40, 744–766.




Hunt, J. D., Stefan, K. J. (2007). Tour-based microsimulation of urban

commercial movements, Transportation Research Part B, 14(9), 981-

1013.

INRETS, (2010). Good Practices Analysis, Deliverable 3.3, SUGAR Project.

Islam, M.S., Hannan, M.A., Arebey, M. & Basri, H. (2012), An overview for

solid waste bin monitoring system, Journal of Applied Sciences

Research, 8(2), 879-886.

Jung, S., & Haghani, A. (2001). Genetic algorithm for the time-dependent

vehicle routing problem. Transportation Research Record, 1771, 164–

171.

Kok, A.L., Hans, E.W. & Schutten, J.M.J. (2012), Vehicle routing under

time-dependent travel times: The impact of congestion avoidance,

Computers and Operations Research, 39(5), -918.

Kolck, A. (2010). Multi-agent model for the urban distribution centre.

Faculty Technology, Policy and Management, Delft University of

Technology.

Kunze, O. (2004). A new interactive approach on route planning with tight

delivery time windows. In Taniguchi, E., Thompson, R. G. (eds.)

Logistics systems for sustainable cities, 83-96.

Kytöjoki, J., Nuortio, T., Bräysy, O. & Gendreau, M. (2007), An efficient

variable neighborhood search heuristic for very large scale vehicle

routing problems, Computers and Operations Research, 34(9), 2743-

2757.

Laporte, G. (2009). Fifty years of vehicle routing. Transportation Science,

43(4), 408–416.

Larrañeta, J., Muñuzuri, J., Montero, G. (1999). Analysis of urban freight

requirements and alternative solutions – An application in Sevilla. In

Taniguchi, E., Thompson, R. G. (eds.) City Logistics II, Institute for City

Logistics, Kyoto, 245-259.

Li, X., Tian, P., & Leung, S. C. H. (2010). Vehicle routing problems with

time windows and stochastic travel and service times: Models and

algorithm. International Journal of Production Economics, 125(1), 137-

145.

Ligocki, C., & Zonn, L. E. (1984). Parking problems in central business

districts. Cities, 1(4), 350–355.




Lozano, R., (2008). Envisioning sustainability three-dimensionally. J Clean

Prod, 16, 1838–1846.

Macário, R., Galelo, A., & Martins, P. (2008). Business models in urban

logistics. Ingeniería y Desarrollo, 77–96.

Maggi, E. (2007). La logistica urbana delle merci. Aspetti economici e

normativi. Polipress, Milano.

Malandraki, C., & Daskin, M. S. (1992). Time dependent vehicle routing

problems: Formulations, properties and heuristic algorithms.

Transportation Science, 26(3), 185–200.

Marcucci, E., & Danielis, R., (2008). The potential demand for a urban

freight consolidation centre. Transportation, 35, 269–284.

Montgomery R, Stren R, Cohen B, Reed HE. (2003). Cities transformed:

demographic change and its implications in the developing world.

Washington, DC: The National Academies Press.

Muñuzuri, J., Larrañeta, J., Onieva, L., & Cortés, P. (2005). Solutions

applicable by local administrations for urban logistics improvement.

Cities, 22(1), 15–28.

Muñuzuri, J., Cortés, P., Onieva, L. & Guadix, J. (2010). Modelling peak-

hour urban freight movements with limited data availability, Computers

and Industrial Engineering, 59(1), 34-44.

Muñuzuri, J., Cortés, P., Grosso, R. & Guadix, J. (2012a). Selecting the

location of minihubs for freight delivery in congested downtown areas,

Journal of Computational Science, 3(4), 228-237.

Muñuzuri, J., Cortés, P., Guadix, J., & Onieva, L. (2012b). City logistics in

Spain: Why it might never work. Cities, 29(2), 133–141.

Muñuzuri, J., Cortés, P., Onieva, L. & Guadix, J. (2012c). Estimation of

daily vehicle flows for urban freight deliveries, Journal of Urban

Planning and Development, 138(1), 43-52.

Muñuzuri, J., Grosso, R., Cortés, P., & Guadix, J. (2012d). Estimating the

extra costs imposed on delivery vehicles using access time windows in

a city. Computers, Environment and Urban Systems, in press.

Nagy, G., & Salhi, S. (2007). Location routing: Issues, models and methods,

European Journal of Operational Research, 177, 649–672.

Observatorio de costes del transporte de mercancías por carretera. Secretaría

de Estado de Transportes, Dirección General de Transporte Terrestre.




OECD (2003). Delivering the goods - 21st century challenges to urban

goods transport. OECD working group on urban freight logistics, Paris.

Ogden, K. W. (1992). Urban Goods Movement: A Guide to Policy and

Planning. Ashgate, Aldershot.

Perboli, G., Pezzella, F., Tadei, R. (2008). EVE-OPT: an Hybrid Algorithm

for the Capability Vehicle Routing Problem. Mathematical Methods of

Operations Research, 68, 361-382.

Pratheep, P. & Hannan, M.A. (2011), Solid waste bins monitoring system

using RFID technologies, Journal of Applied Sciences Research, 7(7),

1093-1101.

Quak, H.J., & De Koster, R. (2006). The impacts of time access restrictions

and vehicle weight restrictions on food retailers and the environment.

European Journal of Transport and Infrastructure Research, 6(2), 151–

160.

Quak, H.J., & De Koster, M.B.M. (2007). Exploring retailers’ sensitivity to

local sustainability policies. Journal of Operations Management, 25,

1103–1122.

Quak, H.J, & De Koster, M.B.M. (2009). Delivering goods in urban areas:

How to deal with urban policy restrictions and the environment.

Transportation Science, 43(2), 211–227.

Qureshi, A. G. & Hanaoka, S. (2006). Analysis of the effects of a

cooperative delivery system in Bangkok. In Taniguchi, E., Thompson,

R. G. (eds.) Recent advances in city logistics, Elsevier, Amsterdam,

293-306.

Qureshi, A.G., Taniguchi, E., & Yamada, T. (2009). An exact solution

approach for vehicle routing and scheduling problems with soft time

windows. Transportation Research E, 45, 960–977.

Qureshi, A. G., Taniguchi, E. & Yamada, T. (2010). Exact solution for the

vehicle routing problem with semi soft time windows and its

application, Procedia Social and Behavioral Sciences, 2(3), 5931-5943.

Richardson, B.C. (2005). Sustainable transport: Analysis frameworks.

Journal of Transport Geography, 13, 29–39.

Robusté, F. (1999). Logística de la distribución urbana de mercancías. I

Congreso Internacional de Ingeniería de Tráfico Urbano, Madrid 14-

16.




Robusté, F., Campos, J.M. & Ganván, D. (2000). Nace la Logística Urbana,

IV Congreso de Ingeniería del Transporte. Valencia.

Rossi, R., Gastaldi, M. & Gecchele, G. (2012), Comparison of fuzzy-based

and AHP methods in sustainability evaluation: a case of traffic

pollution-reducing policies, European Transport Research Review, 1-

16.

Rotaris, L., Danielis, R., Marcucci, E., & Massiani, J. (2010). The urban

road pricing scheme to curb pollution in milan, italy: Description,

impacts and preliminary cost-benefit analysis assessment.

Transportation Research Part A: Policy and Practice, 44(5), 359-375.

Routhier J. L., & F. Toilier (2010). FRETURB: simuler la logistique urbaine.

In Antoni, J. P. (ed.). Modéliser la ville. Formes urbaines et politiques

de transport, Economica, Paris, 246-283.

Ruan, M., Lin, J.J. & Kawamura, K. (2012), Modeling urban commercial

vehicle daily tour chaining, Transportation Research Part E: Logistics

and Transportation Review, 48(6), 1169-1184.

Russo, F., & Comi, A. (2010). A modelling system to simulate goods

movements at an urban scale. Transportation, 37(6), 987-1009.

Russo, F., & Comi, A., (2011). A model system for the ex-ante assessment

of city logistics measures. Research in Transportation Economics, 31,

81–87.

Schrank, D., & Lomax, T. (2007). The 2007 urban mobility report. The

Texas A&M University System, 1–53.

Seasons, M. (2003). Monitoring and evaluation in municipal planning.

Journal of the American Planning Association, 69(4), 430–440.

Spanish Ministry of Public Works (2011).

Stank, T.P. & Daugherty, P.J. (1997). The impact of operating environment

on the formation of cooperative logistics relationships, Transportation

Research Part E: Logistics & Transportation Review, 33 (1), 53-65.

Stantchev, D., & Whiteing, T., (2006). Urban Freight Transport and

Logistics: An Overview of the European Research and Policy,

EXTR@Web Project. DG Energy and Transport, Brussels.

Stathopoulos, A., Valeri, E., Marcucci, E., Gatta, V., Nuzzolo, A. & Comi,

A., (2011). Urban freight policy innovation for Rome’s LTZ: a

stakeholder perspective. In: Macharis, C., Melo, S. (Eds.), City




Distribution and Urban Freight Transport: Multiple Perspective., 75–

101.

Stathopoulos, A., Valeri, E. & Marcucci, E., (2012). Stakeholder reactions to

urban freight policy innovation. Journal of Transport Geography, 22,

4–45.

Tamagawa, D., Taniguchi, E., & Yamada, T. (2010). Evaluating city

logistics measures using a multi-agent model. Procedia – Social and

Behavioral Sciences, 2(3), 6002–6012.

Taniguchi, E., Thomson, R. G., & Yamada, T. (1999a) Modelling City

Logistics. City Logistics. Institute of Systems Science Reearch, 3–37.

Taniguchi, E., Yamada, T., & Tamagawa, D. (1999b). Probabilistic vehicle

routing and scheduling on variable travel times with dynamic traffic

simulation. In Taniguchi, E., Thompson, R. G. (eds.) City Logistics I,

Institute for City Logistics, Kyoto, 85-99.

Taniguchi, E., Yamada, T., & Tamaishi, M. (2001). Dynamic vehicle routing

and scheduling with real time information. In Taniguchi, E., Thompson,

R. G., City Logistics II, Institute for City Logistics, Kyoto, 111-125.

Taniguchi, E., & Thompson, R. G. (2002). Modeling city logistics,

Transportation Research Record, 1790, 45–51.

Taniguchi, E., Thompson, R. G., & Yamada, T. (2010). Incorporating risks

in City Logistics, Procedia Social and Behavioral Sciences, 2(3), 5899-

5910.

Taş, D., Dellaert, N., Van Woensel, T., & De Kok, T. (2013). Vehicle

routing problem with stochastic travel times including soft time

windows and service costs. Computers and Operations Research, 40(1),

214-224.

Taylor, I., & Sloman, L., (2008). Masterplanning Checklist for Sustainable

Transport in New Developments. Campaign for Better Transport,

London.

Toth, P., & Vigo, D. (2002). The vehicle routing problem. SIAM

monographs on discrete mathematics and applications. Philadelphia:

Society for Industrial and Applied Mathematics.

Transport for London, (2007). London Freight Plan. Transport for London,

London.




TRB (1997) Toward a sustainable future; addressing the long-term effects of

motor vehicle transportation on climate and ecology. TRB Special

Report 251, National Academy Press, Washington, DC.

United Nations, (2006). World Urbanization Prospects: The 2005 Revision,

Department of Economic and Social Affairs: Population Division.

United Nations, New York. http://www.un.org/esa/population/

publications/WUP2005/2005WUP Highlights_Final_Report.pdf .

Van Duin, J. H. R., & Muñuzuri, J. (2006). Fighting the windmills: Survey

results on urban freight policies between Spain and the Netherlands. In

Taniguchi, Thompson (Eds.), Recent advances in city logistics, 331–

345.

Vickerman, R. (2000). Evaluation methodologies for transport projects in the

United Kingdom. Transport Policy, 7, 7–16.

Visser, J., Binsbergen, A.v., & Nemoto, T., (1999). Urban freight transport

policy and planning. In: Taniguchi, E., Thompson, R.G. (Eds.), City

Logistics I, 1st International Conference on City Logistics in Cairns,

Australia, 12–14 July.

World commission on environment and development. Our common future.

(1987) New York: Oxford University Press;.

Zegras, P. C. (2007). As if Kyoto mattered: The clean development

mechanism and transportation. Energy Policy, 10, 5136–5150.

Zhao, J. Y., Wu, L. Q., & Liu, D. X. (2008). Heuristic genetic algorithm of

vehicle routing problem with time windows. Journal of Traffic and

Transportation Engineering, 8(1), 113–117.

Zhou, J.-. & Dai, S. (2012), Urban and metropolitan freight transportation: a

quick review of existing models, Journal of Transportation Systems

Engineering and Information Technology, 12(4), 106-114.

Zunder, T. H., & Ibáñez, J. N. (2004). Urban freight logistics in the

European Union. European Transport, 28, 77–84.

http://www.un.org/esa/population/%20publications/WUP2005/2005WUP%20Highlights_Final_Report.pdf

http://www.un.org/esa/population/%20publications/WUP2005/2005WUP%20Highlights_Final_Report.pdf

EVALUACIÓN CUANTITATIVA DE LA LOGÍSTICA URBANA...

Documents

Transcript of EVALUACIÓN CUANTITATIVA DE LA LOGÍSTICA URBANA...