Impacto de fenómenos naturales en la confiabilidad de vías de
transporte interurbanas: Caso aplicado a una red vial Colombiana
Juan Esteban Muriel Villegas
Instituto Tecnológico Metropolitano- ITM – Universidad de Antioquia
Carmen Elena Patino Rodríguez
Departamento de ingeniería Industrial - Universidad de Antioquia
Karla Cristina Alvarez Uribe
Instituto Tecnológico Metropolitano - ITM
Juan Guillermo Villegas Ramírez
Departamento de ingeniería Industrial - Universidad de Antioquia
Resumen
Este estudio analiza la confiabilidad en la conectividad y vulnerabilidad de la red de transporte primaria
del departamento de Antioquia, Colombia, el cual fue el más afectado por cierres viales durante la última
temporada invernal 2010 - 2011. El análisis se realiza con base en 3.688 datos reales de las principales
vías del departamento. Los resultados permiten identificar los diferentes tipos de fallas que pueden
presentarse en la red vial, cuantificarlos y usarlos para calcular la tasa de riesgo, la confiabilidad, la
vulnerabilidad y su efecto en las poblaciones adyacentes.
1. Introducción
El incremento de desastres y catástrofes naturales en los últimos años, y la fuerte dependencia de países
en desarrollo de sus sistemas de transporte, han incrementado la necesidad de realizar análisis de
confiabilidad y vulnerabilidad en vías de transporte tanto urbanas como interurbanas. Uno de los campos
de aplicación de la confiabilidad en redes de transporte se centra en el estudio de la congestión de redes
urbanas y la probabilidad de que la red cumpla con estándares de capacidad y tiempos de tránsito. A pesar
de que garantizar la movilidad en redes urbanas es uno de los motivos de preocupación en las mega
ciudades actuales, a nivel estratégico regional y nacional, la accesibilidad, la vulnerabilidad, la cobertura
regional y la conectividad interurbana son consideraciones primarias, debido a las consecuencias adversas
potencialmente graves de la degradación de la red [1]. En Colombia las distancias existentes entre una
comunidad y otra, sumado a una red vial con un alto estado de deterioro, implican que la probabilidad de
acceder a servicios alternos como hospitales en caso de desastres naturales es escasa. Dada la importancia
del estudio de las redes de transporte interurbanas, especialmente en países en vía de desarrollo, se lleva a
cabo un análisis de confiabilidad en la conectividad y vulnerabilidad en la red de transporte primaria del
departamento de Antioquia, Colombia.
2. Revisión de la literatura
La confiabilidad en la conectividad de la red vial es referida a la probabilidad de que los nodos de la red
permanezcan conectados cuando uno o más enlaces en la red han sido removidos [2]–[4] [5]. En [6] se
presenta un modelo considerando el riesgo de cierre o falla asociado a la ocurrencia de fenómenos como
hielo y nieve, erupciones volcánicas, terremotos y accidentes de tráfico. En [7] se presenta un método
eficiente para la pre-planeación de caminos de emergencia, probado en redes generadas aleatoriamente
para reducir el tiempo de tránsito cuando la ruta más corta ha sufrido fallas ocasionadas por terremotos.
Otros estudios se centran en el impacto de la variabilidad de factores que afectan el sistema (frecuencia de
ocurrencia o eventos anormales) y abarcan otros como (a) confiabilidad en el tiempo de tránsito, definida
como la probabilidad de que un viaje entre un origen y un destino dado se pueda realizar con éxito dentro
de un intervalo de tiempo especificado [3], [8], [5]; (b) confiabilidad en la capacidad, definida como la
probabilidad de que una red pueda servir con éxito un determinado nivel de demanda de tránsito [4]; (c)
Vulnerabilidad, está basada en la degradación de la accesibilidad a un determinado nodo si se presenta
una falla en un determinado número de arcos [9], [10].
La tabla 1 muestra estudios relevantes de confiabilidad en redes de transporte, de acuerdo al método
aplicado, sistema de información geográfica (GIS), clasificación por fenómeno y vía analizada.
Tabla 1. Aplicaciones de confiabilidad en redes de transporte
Autor Año Confiabilidad
Empleada Método aplicado GIS
Tipo de
Red Vía (s) analizada (s)
Fenómenos considerados
Chen, A., & Yang, H. [11] 1999 Capacidad
Teoría de transporte, redes complejas y simulación de Monte Carlo
I Carretera Tuen Mun en Hong Kong
Simulación de Desastres naturales
Dalziell, E., & Nicholson, A. [6] 2001 Conectividad Confiabilidad en redes I Carretera Desert Road en Nueva Zelanda
Desastres naturales y accidentes de tránsito
D’Este, G., & Taylor, M. [12] 2001 Conectividad Teoría de transporte y redes complejas
I Carretera entre la ciudad de Perth y Adelaide en Australia
Inundación
G. D’Este and M. Taylor [9] 2003 Vulnerabilidad Teoría de transporte y redes complejas
I Red de autopistas de Australia
Desastres naturales
Jenelius, E., Petersen, T., & Mattsson, L.-G. [10]
2005 Vulnerabilidad Teoría de grafos y redes complejas
x I Carreteras en el norte de Suecia
Congestión
Taylor, M. A. P., Sekhar, S. V. C., & D’Este, G. M. [4]
2006 Vulnerabilidad Teoría de transporte y redes complejas
x I Red de autopistas de Australia
Desastres naturales y fenómenos de tránsito
Taylor, M., & D’Este, G. [13] 2007 Vulnerabilidad Teoría de transporte y redes complejas
x I Red de autopistas de Australia
Desastres naturales
Berdica, K., & Mattsson, L. [14] 2007 Vulnerabilidad Teoría de transporte y redes complejas
U Carreteras de Estocolmo, Suecia
Nieve
Das, I., Kumar, G., Stein, A., Bagchi, A., & Dadhwal, V. K. [15]
2010 Vulnerabilidad Confiabilidad estadística
x I Carreteras de los Himalayas, India
Derrumbe
Hernández, L. G., & Gómez, O. G. [16]
2011 Vulnerabilidad Teoría de transporte y redes complejas
x I Carreteras de México Desconexión
Burgholzer, W., Bauer, G., Posset, M., & Jammernegg, W. [17]
2012 Conectividad Simulación M Transporte Férreo y carretero en el nordeste de Austria
Inundación
Jenelius, E., & Mattsson, L.-G. [18]
2012 Vulnerabilidad Teoría de transporte y redes complejas
x I Red de Carreteras de Suecia
Desastres naturales
Chen, B. Y., Lam, W. H. K., Sumalee, A., Li, Q., & Li, Z.-C. [19]
2012 Vulnerabilidad
Teoría de transporte y redes complejas y Confiabilidad estadística
I
Carretera de la ciudad Sioux Falls, Estados Unidos y Bangkook, Tailandia
Congestión
Nyberg, R., & Johansson, M. [20] 2013 Vulnerabilidad Teoría de transporte y redes complejas
x I Carreteras del condado de kronoberg, Suecia
Árboles caídos por tormenta
Arşık, İ., & Sibel Salman, F. [21] 2013 Vulnerabilidad Teoría de grafos y confiabilidad estadística
I Carreteras en Estambul, Turquía
Terremoto
Yang, J., Sun, H., Wang, L., Li, L., & Wu, B. [22]
2013 Vulnerabilidad Teoría de transporte y redes complejas y lógica difusa
I Carreteras de Hangzhou, China
Derrumbe
El-Rashidy, R. A., & Grant-Muller, S. M. [23]
2014 Vulnerabilidad Teoría de transporte y redes complejas, lógica difusa y optimización
x U Carreteras en la ciudad de DELF - Holanda
Congestión y flujo de tránsito
U= Vía urbana, I= Vía interurbana, M=Transporte intermodal
3. Modelo de confiabilidad de la red vial
Los enfoques de confiabilidad en la conectividad basados en probabilidades pueden ocultar problemas
potenciales [9], sin embargo, en [6] se presentan las condiciones bajo las cuales este enfoque cobra
relevancia: (1) Tener disponible un historial confiable y de tamaño adecuado que describa los fenómenos
pasados, y (2) la garantía de condiciones bajo las cuales los datos recolectados no hayan cambiado o
cambien en un futuro cercano.
Este estudio está basado en el análisis de 3.688 cierres viales, proporcionados por el Departamento
Nacional de Vías (INVIAS) y el consorcio DEVIMED S.A. Las temporadas invernales en Colombia están
asociadas a fenómenos cíclicos, conocidos como “La niña” – condiciones contrarias al fenómeno del niño
– (El Niño-Southern Oscillation, ENSO, por sus siglas en inglés), los cuales tienen una estacionalidad
conocida y pueden ser anticipados con relativa anterioridad.
El modelo desarrollado se basa en los siguientes supuestos:
- El usuario de la red desconoce el estado de la red vial.
- El usuario está dispuesto a esperar el tiempo necesario hasta que la vía sea reparada.
- No se considera congestión en la red vial.
- A lo máximo, sucede una interrupción por vía en el mismo intervalo de tiempo.
Notación empleada:
𝑅(𝑡) = 𝐹𝑢𝑛𝑐𝑖ó𝑛 𝑑𝑒 𝑐𝑜𝑛𝑓𝑖𝑎𝑏𝑖𝑙𝑖𝑑𝑎𝑑
𝑋(𝑡) = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑓𝑎𝑙𝑙𝑎𝑠 𝑞𝑢𝑒 𝑠𝑒 𝑝𝑟𝑒𝑠𝑒𝑛𝑡𝑎𝑛 𝑒𝑛 𝑢𝑛 𝑎𝑟𝑐𝑜 𝑑𝑒 𝑙𝑎 𝑟𝑒𝑑 𝑣𝑖𝑎𝑙 𝑒𝑛 𝑢𝑛 𝑝𝑒𝑟𝑖𝑜𝑑𝑜 𝑡
𝑁𝑖→𝑗 = 𝑁ú𝑚𝑒𝑟𝑜 𝑑𝑒 𝑣𝑒ℎí𝑐𝑢𝑙𝑜𝑠 𝑣𝑖𝑎𝑗𝑎𝑛𝑑𝑜 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑖 𝑎𝑙 𝑗
𝐶𝑖→𝑗 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒𝑙 𝑣𝑖𝑎𝑗𝑒 𝑑𝑒𝑠𝑑𝑒 𝑒𝑙 𝑛𝑜𝑑𝑜 𝑖 𝑎𝑙 𝑗
𝐾𝑤 = 𝐶𝑜𝑠𝑡𝑜 𝑑𝑒 𝑒𝑠𝑝𝑒𝑟𝑎 𝑝𝑜𝑟 𝑢𝑛𝑖𝑑𝑎𝑑 𝑑𝑒 𝑡𝑖𝑒𝑚𝑝𝑜
𝐷𝑖→𝑗 = 𝐷𝑢𝑟𝑎𝑐𝑖ó𝑛 𝑒𝑠𝑝𝑒𝑟𝑎𝑑𝑎 𝑑𝑒 𝑙𝑎 𝑓𝑎𝑙𝑙𝑎 𝑒𝑛 𝑒𝑙 𝑡𝑟𝑎𝑚𝑜 𝑖 → 𝑗
3.1. Definición de la red vial
El departamento de Antioquia es una zona altamente vulnerable debido a la conjunción de factores
geomorfológicos, climáticos y antrópicos [24], situación agravante durante las temporadas invernales del
año 2010 - 2011, donde se registraron un total de 1.984 días acumulados con cierres viales (3.688 cierres
divididos en los 8 principales corredores viales) correspondientes al 13.78% sobre el total nacional, el
porcentaje más alto del país [25]. La cartografía del departamento y la información del sistema vial es
obtenida del Sistema de Información Geográfica para la Planeación y el Ordenamiento Territorial –
SIGOT y modelada en el software ArcGis®.
La figura 1, muestra el mapa de la división política del departamento de Antioquia con los corredores
viales analizados y la densidad poblacional con la ubicación de los centros urbanos. La ubicación de cada
uno de los puntos en color rojo representa el lugar donde se presentó una falla, mientras que su tamaño
indica el total de fallas acumuladas. Se evidencia que corredores viales como Medellín – Caucasia
presentan una distribución de fallas aproximadamente uniforme, mientras que vías como Medellín –
Puerto Berrio, Medellín – Puerto Triunfo y Medellín – Urabá, presentan gran cantidad de fallas en los
primeros sub-tramos de vía. Este comportamiento se debe a la difícil geografía de la zona que se
encuentra sobre la ramificación central y occidental de la cordillera de los Andes en Colombia y por tanto
son las más afectadas en temporadas invernales.
3.2. Análisis de confiabilidad
La confiabilidad en este estudio corresponde a la probabilidad de que en un día de operación, la vía
funcione presentando el mínimo número de fallas, es decir que la variable aleatoria se puede considerar
que proviene de un proceso Poisson [26]. Para un proceso Poisson, se puede definir 𝑋(𝑡), t ≥ 0 como el
número de fallas que se presentan en un día, para un sistema que opera durante el intervalo de tiempo
[0, τ]. Las probabilidades R(τ) y F(τ) de eventos {X(t)ϵD, 0 ≤ t ≤ τ} y {X(t)ϵD, 0 ≤ t ≤ τ}C se refieren a
la confiabilidad del sistema y la probabilidad de falla respectivamente (ver ecuación (1)) [27].
𝑅(𝜏) = ∑ 𝑝𝑟,𝑛𝑃(𝑁(𝜏) = 𝑛);
∞
𝑛=0
𝑃(𝜏) = 1 − 𝑅(𝜏) (1)
donde pr,n denota la probabilidad del {𝑋(𝑡)𝜖𝐷, 0 ≤ 𝑡 ≤ 𝜏} en el evento{𝑁(𝜏) = 𝑛} y {𝑃(𝑁(𝜏) = 𝑛)} se
refiere a la probabilidad acumulada de la variable aleatoria. Se hace necesario definir un desempeño
específico, así como las condiciones y el período de utilización. En consecuencia, la confiabilidad
siempre decrece en el tiempo, por tanto cuanto mayor sea el tiempo de operación, menor será la
probabilidad de que el sistema funcione adecuadamente.
Figura 1. Cierres viales presentados en el departamento de Antioquia
Análisis de datos
El estudio se aborda para analizar el número de fallas que se presentan diariamente en las vías del
departamento de Antioquia. Existe un gran número de días que poseen datos nulos, es decir, días en que
no hubo fallas en las vías, por tanto la distribución que modela adecuadamente los datos de la mayoría de
las vías es una distribución Poisson Cero Inflada (Zero Inflated Poisson – ZIP). La distribución ZIP
introducida por Lambert [28], asume que los conteos nulos pueden provenir de dos fuentes diferentes, por
lo que considera una mezcla de dos procesos estadísticos, el que genera sólo conteos iguales a cero y otro
que genera tanto conteos ceros como distintos de cero. Todos los análisis y pruebas estadísticas se
realizaron en el software estadístico R®. Algunos de los histogramas de los datos analizados se muestran
en la figura 2.
Figura 2. Histogramas de la información de fallas en las vías
Primavera - Mansa Medellín - Caucasia Medellín – La Pintada Medellín – Pto Berrío
La tabla 2 presenta los valores ajustados de la distribución ZIP para las fallas en las vías. El número de
fallas proviene de una distribución ZIP a excepción de la vía Medellín – Puerto Triunfo, donde la mejor
distribución para esta vía es la distribución Poisson. El resultado más frecuente es al menos una falla
diaria. El parámetro λ indica número promedio de fallas que se presentan en un día y el parámetro p
indica la probabilidad de obtener cero cierres viales en un día.
Tabla 2. Ajuste de los parámetros para la distribución del número de fallas
Tramo de Vía Distribución λ p Valor
P Tramo de Vía Distribución λ p
Valor
P
Medellín – Pto Berrio ZIP 2,22 0,54 0,11 La Pintada – Sta Fe de Ant. ZIP 11,71 0,87 0,01
Primavera – Mansa ZIP 2,28 0,66 0,08 Medellín – Sonsón ZIP 32,00 0,96 0,01
Medellín – Urabá ZIP 3,49 0,83 0,02 Medellín – Caucasia ZIP 16,68 0,75 0,02
Medellín – La Pintada ZIP 3,43 0,89 0,01 Medellín – Puerto Triunfo Poisson 0,76 ----- 0,10
La figura 3, muestra el comportamiento de la probabilidad de que las vías funcionen presentando el
mínimo número de fallas en un día. Medellín - Sonsón, Medellín - Caucasia y La Pintada - Santa Fe de
Antioquia, son las vías que presentan mayor número de fallas diarias. De las curvas de confiabilidad se
observa que la vía Medellín – Puerto Triunfo tiene una mayor probabilidad de presentar menos fallas,
considerándose la ruta más adecuada desde el punto de vista de confiabilidad, mientras que la vía
Medellín - Sonsón muestra una probabilidad de funcionar aproximadamente constante, pero dicha
probabilidad es muy baja, siendo no adecuada desde el punto de vista de confiabilidad.
Figura 3. Confiabilidad y Tasa de Riesgo para las vías en Antioquia.
Las vías que presentan una mayor probabilidad de presentar menos fallas son: Medellín - Puerto Triunfo,
seguida de Medellín – Puerto Berrio y Mansa - Primavera, aunque el comportamiento no es el ideal dado
que la probabilidad decae rápidamente. Su número de fallas promedio está por encima de dos,
demostrando que las vías no tienen capacidad de recuperación, si ocurren fallas por encima del promedio.
Además, si se considera la posibilidad de que la vía presente menos de dos fallas, la confiabilidad es igual
a 0.5, 0.4, 0.3 para las vías más adecuadas, indicando que la probabilidad de que en las vías se presenten
más de dos fallas, sobrepasa el 50%. Al analizar la tasa de riesgo para las vías inter-urbanas, la
probabilidad de que el número de fallas aumente en el siguiente día, respecto al anterior es creciente,
cuando ya han ocurrido 2 fallas para las vías de Medellín - Puerto Berrio, Medellín - Puerto Triunfo,
Primavera - Mansa y Medellín - La Pintada, siendo esto un indicador de la poca capacidad que tienen
estas vías en recuperarse cuando se han presentado dos fallas. La vía Medellín - Sonsón, muestra la mayor
capacidad de recuperación. La vía La Pintada - Santa Fe de Antioquia, se muestra con capacidad de
recuperación hasta la quinta falla, después la tendencia es a aumentar en el día siguiente. Para la vía
Medellín - Caucasia, esta tendencia es después de la decimoprimer falla.
0 5 10 15 20
0.0
0.1
0.2
0.3
0.4
x: Número de fallos en un día
Co
nfia
bili
da
d
Medellín.PuertoBerrio
Medellín.PuertoTriunfoPrimavera.MansaMedellín.Uraba
Medellín.LaPintadaLaPintada.SantaFe
Medellín.SonsónMedellín.Caucasia
0 5 10 15 20
0.0
0.1
0.2
0.3
0.4
x: Número de fallos en un día
Co
nfia
bilid
ad
Medellín.PuertoBerrio
Medellín.PuertoTriunfoPrimavera.MansaMedellín.Uraba
Medellín.LaPintadaLaPintada.SantaFe
Medellín.SonsónMedellín.Caucasia
0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20
0.0
0.2
0.4
0.6
0.8
1.0
x: Número de Fallos
Ta
sa d
e R
iesg
o
Medellín.PuertoBerrio
Medellín.PuertoTriunfoPrimavera.MansaMedellín.Uraba
Medellín.LaPintadaLaPintada.SantaFe
Medellín.SonsónMedellín.Caucasia
0 5 10 15 20
0.0
0.1
0.2
0.3
0.4
x: Número de fallos en un día
Co
nfia
bilid
ad
Medellín.PuertoBerrio
Medellín.PuertoTriunfoPrimavera.MansaMedellín.Uraba
Medellín.LaPintadaLaPintada.SantaFe
Medellín.SonsónMedellín.Caucasia
3.3. Análisis de vulnerabilidad
3.3.1. Cálculo del costo esperado de viaje
La importancia de la red vial analizada, radica en el abastecimiento de bienes básicos y de valor agregado
desde y hacia la ciudad principal en el centro de la red a cada una de las poblaciones. Por tanto, se analiza
el costo general del viaje de la ciudad principal a cada una de las poblaciones que se encuentran en los
extremos de las vías analizadas. Los costos de viaje pueden representar una medida de la vulnerabilidad
de la red que representa el cambio en las condiciones del tiempo de viaje, la distancia o el costo [4]. Si
𝐶𝑖→𝑗 representa el costo de viaje del nodo 𝑖 (La ciudad principal) al 𝑗 en ausencia total de fallas. El valor
esperado del costo de viaje cuando se presentan fallas puede ser expresado como se muestra en la
ecuación (2), donde 𝐾𝑤 es el costo de espera por unidad de tiempo, 𝐷𝑖→𝑗 es la duración esperada de la
falla y 𝑃(𝑥) es la probabilidad de que se presente una falla en una vía determinada.
𝐸[𝐶𝑖→𝑗] = 𝐶𝑖→𝑗 + 𝐾𝑤𝐷𝑖→𝑗𝑃(𝑥) (2) 𝑓(𝑥, 𝑝, 𝜆) = {1 − 𝑝 + 𝑝 ∙ 𝑒−𝜆 𝑠𝑖 𝑥 = 0
𝑝 ∙ 𝑃0(𝑥, 𝜆) 𝑠𝑖 𝑥 > 0 (3)
Dado que la función de distribución de probabilidad de las vías se distribuye como una Poisson para la vía
Medellín – Puerto Triunfo y ZIP para las demás vías de la red vial. La función de densidad de
probabilidad para las vías con distribución ZIP se muestra en la ecuación (3), donde 𝑃0 se refiere a la
probabilidad de obtener k fallas en una vía en un período específico de análisis.
La ecuación (4) y (5), muestra la probabilidad de que se presente una falla 𝑃(𝑥) para las vías con
distribución ZIP, donde 𝑝 indica la probabilidad de obtener cero cierres viales en un día y el parámetro λ
indica número promedio de fallas que se presentan en un día.
𝑃(𝑥) = ∫ 𝑓(𝑥, 𝑝, 𝜆)𝑋𝑖→𝑗
0
𝑑𝑥 = ∫(1 − 𝑝)𝑓(𝑥, 𝜆)𝑑𝑥 − ∫ 𝑝 + (1 − 𝑝)𝑒𝜆 𝑑𝑥 (4)
𝑃(𝑥) = 𝐹(𝑥𝑖→𝑗 , 𝑝, 𝜆) − 𝐹(0, 𝑝, 𝜆) (5)
3.3.2. Indicador de Accesibilidad
Un arco de una red se considera crítico si su pérdida o degradación sustancial disminuye
significativamente la accesibilidad de la red o de un nodo particular [4]. Para medir el indicador de
accesibilidad de una vía en particular, el método más frecuentemente utilizado es la accesibilidad relativa
o indicador de accesibilidad de Hansen [29], el cual provee una medida global de accesibilidad de un
lugar (Ciudad o municipio) a un conjunto de poblaciones diferentes (ver ecuación (6)).
𝐴𝑖 = ∑ 𝑂𝑖→𝑗𝑓(𝐸[𝐶𝑖→𝑗]) (6) 𝐹𝑁 = ∑ 𝑤𝑖𝐴𝑖
𝑚
𝑖=1
(7)
𝑛
𝑗=1,𝑗≠𝑖
donde 𝐴𝑖 es la accesibilidad del nodo 𝑖, n es el número de nodos de la red, 𝑂𝑖→𝑗 es la oportunidad presente
en el nodo 𝑗, que para este estudio es el tráfico vehicular generado y 𝑓(𝐸[𝐶𝑖→𝑗]) = 1/𝐸[𝐶𝑖→𝑗] es una
función de impedancia monotónica decreciente de costos generales [30]. En este caso 𝑂𝑖→𝑗 representa el
número de vehículos o tráfico que circula por una vía determinada y 𝐸[𝐶𝑖→𝑗] es el costo esperado del
viaje. A pesar de que este indicador mide el nivel de dificultad en la accesibilidad a un lugar específico,
no provee suficiente información acerca del comportamiento total de la red vial, por tanto, se implementa
el Indicador de Confiabilidad de la red (𝐹𝑁) (Ecuación 7) propuesto por [30], como una medida global de
la accesibilidad total de la red. Con el objeto de identificar los tramos de vía de mayor criticidad, se
calcula el costo esperado de viaje y la accesibilidad en ausencia y presencia de fallas, obteniendo la
degradación o reducción en la accesibilidad para cada uno de los nodos (Figura 4).
De los resultados es posible observar que en presencia de fallas, las poblaciones más afectadas son Mansa
(88.5%), La Pintada (89.9%), Sonsón (91.8%), y Puerto Triunfo (92.7%), comunicadas por las vías
Medellín – Mansa, Medellín – La Pintada, Medellín – Sonsón y Medellín – Puerto Triunfo, evidenciando
su vulnerabilidad. Aunque el cambio en el indicador de accesibilidad no supera el 10% y el indicador de
confiabilidad de la red es del 95.6%, la degradación de los tramos impactan una población de cerca de 6
millones de habitantes, por lo que las consecuencias económicas y sociales resultantes de una falla en la
red (desabastecimiento de productos básicos, cobertura de servicios de emergencia, disminución de la
productividad industrial, etc) son lo suficientemente significativos como para considerar una acción
preventiva inmediata.
Figura 4. Cambio en el indicador de Accesibilidad e Indicador de confiabilidad de la red
4. Discusión
A pesar de que las investigaciones recientes en confiabilidad y vulnerabilidad en redes de transporte se
centran en carreteras y vías urbanas, donde los principales problemas son la congestión vehicular y la
variabilidad en los tiempos de tránsito, el estudio de la confiabilidad y vulnerabilidad de redes
interurbanas que analiza el impacto y las consecuencias socio-económicas en la población, especialmente
las que se encuentran en regiones rurales apartadas, cobra una gran relevancia debido a las consecuencias
potencialmente graves de las fallas en la infraestructura de transporte.
Este estudio presenta el desarrollo y aplicación de métodos para diagnosticar la confiabilidad y
vulnerabilidad de la red vial del departamento de Antioquia, identificando los tramos y nodos de mayor
criticidad donde la ocurrencia de una falla tiene consecuencias severas sobre la accesibilidad a
poblaciones específicas y sobre el desempeño total del sistema. A pesar de que la red de carreteras de
Antioquia se usa como caso de estudio para aplicar la metodología propuesta, los conceptos y técnicas
descritos tienen el potencial de ser aplicados a redes de transporte nacionales de mayor complejidad. Una
de las principales conclusiones de esta investigación, es la caracterización geográfica y topológica de la
confiabilidad y vulnerabilidad del sistema vial y la evaluación del impacto socio-económico en términos
del cambio en la accesibilidad a poblaciones remotas como resultado de una falla en la infraestructura de
transporte.
Los resultados presentados no están aislados sólo al ámbito de las redes de transporte, sino que tiene
aplicaciones prácticas a sistemas de ayuda humanitaria, respuesta a emergencias y a la planeación,
mantenimiento y control de vías departamentales. El modelo propuesto permite tomar decisiones con
información cuantitativa al momento de seleccionar una vía de distribución o aprovisionamiento bajo
condiciones de alta incertidumbre como las producidas por la temporada invernal colombiana en el año
2010-2011. A pesar de presentar una baja reducción en la accesibilidad y un indicador de confiabilidad de
la red relativamente alto, es posible resaltar que las vías del departamento de Antioquia presentan una
confiabilidad por debajo del 40%, con poca capacidad de recuperarse en caso de fallas.
80%
84%
88%
92%
96%
100%
Medellín
Puerto Berrio
Mansa
Uraba
Caucasia
Puerto triunfo
Sonson
La Pintada
Accesibilidad sin presencia de fallos
Degradación (Cambio en la accesibilidad)
Indicador de Confiabilidad de la Red
Bibliografía
[1] G. D’este and M. Taylor, “Concepts of network vulnerability and applications to the identification of critical elements of
transport infrastructure,” 26th Australas. Transp. Res. Forum Wellington, New Zeal., pp. 1–15, 2003.
[2] H. Wakabayashi and Y. Iida, “Upper and lower bounds of terminal reliability of road networks: An efficient method with
Boolean algebra,” J. Nat. Disaster Sci., vol. 14, no. 1, pp. 29–44, 1992.
[3] M. G. H. Bell and Y. Iida, Transportation network analysis. 1997, p. 210.
[4] M. A. P. Taylor, S. V. C. Sekhar, and G. M. D’Este, “Application of Accessibility Based Methods for Vulnerability
Analysis of Strategic Road Networks,” Networks Spat. Econ., vol. 6, no. 3–4, pp. 267–291, Aug. 2006.
[5] Y. Iida, “Basic concepts and future directions of road network reliability analysis,” J. Adv. Transp., vol. 33, no. 2, pp. 125–
134, Mar. 1999.
[6] E. Dalziell and A. Nicholson, “Risk and impact of natural hazards on a road network,” J. Transp. Eng., 2001.
[7] Y. Chen, M. Bell, and I. Kaparias, “Reliability analysis of road networks and preplanning of emergency rescue paths,” in
Critical Infrastructure - Reliability and Vulnerability, M. . Fischer and G. . Hewings, Eds. 2007.
[8] K. Berdica, “An introduction to road vulnerability: what has been done, is done and should be done,” Transp. Policy, vol.
9, no. 2, pp. 117–127, Apr. 2002.
[9] G. M. D’Este and M. A. P. Taylor, “Network vulnerability: An approach to reliability analysis at the level of national
strategic transport networks,” in The Network Reliability of transport - Proceedings of the first international symposium
of transportation network reliability (INSTR), 2003.
[10] E. Jenelius, T. Petersen, and L.-G. Mattsson, “Importance and exposure in road network vulnerability analysis,” Transp.
Res. Part A Policy Pract., vol. 40, no. 7, pp. 537–560, Aug. 2006.
[11] A. Chen, H. Yang, H. K. Lo, and W. Tang, “A Capacity Related Reliability For Transportation Networks,” J. Adv. Transp.,
vol. 33, no. December 1998, pp. 183–200, 1999.
[12] G. M. D’Este and M. A. P. Taylor, “Modelling network vulnerability at the level of the national strategic transport
network,” J East Asia Soc Transp Stud, vol. 4, no. 2, 2001.
[13] M. A. P. Taylor and G. M. D’Este, “Transport network vulnerability: a method for diagnosis of critical locations in
transport infrastructure systems,” in Critical Infrastructure - Reliability and Vulnerability, M. . Fischer and G. .
Hewings, Eds. 2007.
[14] K. Berdica and L. Mattsson, “Vulnerability: A model-based case study of the road network in Stockholm,” in Critical
Infrastructure, M. . Fischer and G. . Hewings, Eds. 2007.
[15] I. Das, G. Kumar, A. Stein, A. Bagchi, and V. K. Dadhwal, “Stochastic landslide vulnerability modeling in space and time
in a part of the northern Himalayas, India.,” Environ. Monit. Assess., vol. 178, no. 1–4, pp. 25–37, Jul. 2011.
[16] L. G. Hernández and O. G. Gómez, “Identification of critical segments by vulnerability for freight transport on the paved
road network of Mexico,” Investig. Geográficas, no. July 2009, pp. 48–57, 2011.
[17] W. Burgholzer, G. Bauer, M. Posset, and W. Jammernegg, “Analysing the impact of disruptions in intermodal transport
networks: A micro simulation-based model,” Decis. Support Syst., vol. 54, no. 4, pp. 1580–1586, Mar. 2013.
[18] E. Jenelius and L.-G. Mattsson, “Road network vulnerability analysis of area-covering disruptions: A grid-based approach
with case study,” Transp. Res. Part A Policy Pract., vol. 46, no. 5, pp. 746–760, Jun. 2012.
[19] B. Y. Chen, W. H. K. Lam, A. Sumalee, Q. Li, and Z.-C. Li, “Vulnerability analysis for large-scale and congested road
networks with demand uncertainty,” Transp. Res. Part A Policy Pract., vol. 46, no. 3, pp. 501–516, Mar. 2012.
[20] R. Nyberg and M. Johansson, “Indicators of road network vulnerability to storm-felled trees,” Nat. Hazards, vol. 69, no. 1,
pp. 185–199, Apr. 2013.
[21] İ. Arşık and F. Sibel Salman, “Modeling Earthquake Vulnerability of Highway Networks,” Electron. Notes Discret. Math.,
vol. 41, pp. 319–326, Jun. 2013.
[22] J. Yang, H. Sun, L. Wang, L. Li, and B. Wu, “Vulnerability Evaluation of the Highway Transportation System against
Meteorological Disasters,” Procedia - Soc. Behav. Sci., vol. 96, no. Cictp, pp. 280–293, Nov. 2013.
[23] R. A. El-Rashidy and S. M. Grant-Muller, “An assessment method for highway network vulnerability,” J. Transp. Geogr.,
vol. 34, pp. 34–43, Jan. 2014.
[24] A. Moreno, V. Velez, J. . Montoya, and L. Rhenals, “La lluvia y los deslizamientos de tierra en antioquia : análisis de su
ocurrencia en las escalas interanual, intraunal y diaria,” Rev. EIA, vol. 5, pp. 59–69, 2006.
[25] Colfecar, “Informe Vial,” 2010.
[26] M. Grigoriu, “Numerical solution of stochastic differential equations with Poisson and Lévy white noise,” Phys Rev E Stat
Nonlin Soft Matter Phys., vol. 80, no. 2, 2009.
[27] M. S. Ridout, C. G. B. Demetrio, and J. P. Hinde, “Models for count data with many zeros,” in Proceedings of the XIXth
International Biometric Conference, 1998, no. December.
[28] D. Lambert, “Zero-Inflated Poisson Regression, with an Application to Defects in Manufacturing.,” Technometrics, vol. 34,
no. 1, pp. 1–14, 1992.
[29] W. G. Hansen, “How accessibility shapes land use,” J. Am. Plan. Assoc., vol. 25, no. 2, pp. 73–76, 1959.
[30] M. Sanchez-Silva, M. Daniels, G. Lleras, and D. Patino, “A transport network reliability model for the efficient assignment
of resources,” Transp. Res. part B, vol. 39, no. 1, pp. 47–63, Jan. 2005.