Available online at www.sciencedirect.

com

ScienceDirect
Transportation Research Procedia 00 (2018) 000–000
www.elsevier.com/locate/procedia

World Conference on Transport Research - WCTR 2019 Mumbai 26-31 May 2019

Problema de ubicación de instalaciones para el envío de carga

internacional desde diferentes ciudades de Colombia hasta
diferentes puertos por fuera del país.
Ruben Casalinsa, Luis Garzónb*
ab
Universidad del Norte, Barranquilla, Colombia

Abstract

The objective of this paper is to propose a multimodal freight transport model that allows the delivery of
goods from the origins located in different cities in Colombia, through any of the ports chosen for this
study; and finalizing with the distribution to different cities of the world based on the established demands.
In the first stage of the model, the best way to distribute the load that will be carried from the origin to the
three main ports must be defined. The second stage consists of a change of mode made in the ports, where
warehouses will also be available for the temporary storage of merchandise; taking into account the flow
capabilities of each port. Finally, the delivery of the merchandise to the ports of different cities of the world,
keeping the number of quantities demanded from the origin to the destination. This process must be carried
out in order to minimize total operation costs, defining what is the optimum number of facilities that should
be used to achieve the objective. The observed results showed that it is not necessary to use all the possible
facilities in a related scenario, while, by restricting certain shipping routes when sending cargo to certain
destinations or by reducing the capacities of the ports, a greater number of facilities are necessary. Finally,
a comparison is made between these hypothetical situations with the initial situation where the ports are
related to the destinations and work with their real capacities.

© 2018 The Authors. Published by Elsevier B.V.

Peer-review under responsibility of WORLD CONFERENCE ON TRANSPORT RESEARCH SOCIETY.

Keywords: Port; FLP; Capacity; Routs; Storage.

2352-1465 © 2018 The Authors. Published by Elsevier B.V.

Peer-review under responsibility of WORLD CONFERENCE ON TRANSPORT RESEARCH SOCIETY
2 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000

1. Resumen

Esta investigación tiene como objetivo plantear un modelo de transporte de carga multimodal que
permita la entrega de mercancía desde los orígenes ubicados en distintas ciudades en Colombia, pasando
por cualquiera de los puertos escogido para este estudio; y finalizando la distribución hacia distintas
ciudades del mundo en función de las demandas establecidas. En la primera etapa del modelo, se debe
definir la mejor forma de repartir la carga que llevará se desde el origen hacia los tres puertos principales.
La segunda etapa consiste en un cambio de modo realizado en los puertos, donde también se dispondrá de
bodegas para el almacenamiento temporal de mercancía; tomando en cuenta las capacidades de flujo de
cada puerto. Finalmente, la entrega de la mercancía hacia los puertos de distintas ciudades del mundo,
manteniendo el número de cantidades demandadas desde el origen hasta el destino. Este proceso ha de
realizarse con el fin de minimizar los costos de envío, definiendo cuál es el número óptimo de instalaciones
que deben ser utilizadas para alcanzar el objetivo. Los resultados observados mostraron que se requiere una
sola instalación en un escenario conexo; mientras que al integrar restricciones como enviar carga a ciertos
destinos o al reducir las capacidades de los puertos, un mayor número de instalaciones son necesarias. Por
último, se realiza una comparación entre escenarios hipotéticos con la situación inicial, donde los puertos
son conexos con los destinos y trabajan con sus capacidades reales.

2. Introducción

Existe una estrecha correlación estadística entre el crecimiento del Producto Interior Bruto (PIB) y el
crecimiento en el sector del transporte, tanto de pasajeros como de carga, Banister et al. (2010). El
crecimiento en los niveles de ingreso per cápita ha tenido un efecto positivo en el uso de vehículos privados,
tendiendo a aumentar la dependencia de estos para satisfacer la demanda de movilidad de personas y carga,
especialmente en las economías emergentes. La actividad económica y el comercio son los principales
impulsores de la demanda de transporte, OECD/ITF (2017).

Según las proyecciones realizadas por la OECD/ITF (2010), con escenario base en el año 2015, la
demanda mundial de transporte de mercancías crece al 3,3% anual antes de 2030, mientras que para el
período comprendido entre 2015 a 2050 la tasa de crecimiento promedio es ligeramente menor. Los
volúmenes de carga aérea crecen más rápido que otros modos, al 5% anualmente, debido a la producción
de bienes de mayor valor. El transporte marítimo, crece el 71% en 2015 y 75% para el año 2050. El
transporte carretero y el ferrocarril representan una proporción marginal, OECD/ITF (2017).

En 2014, en promedio los países que conforman la Organización para la Cooperación Económica y el
Desarrollo - OECD gastaron el 0,75% de su PIB en la inversión en infraestructura de transporte terrestre
(carretera, ferrocarril, vías navegables). Esta cifra es una tendencia descendente para el conjunto de países
OECD, a pesar de que se produjo un aumento en el gasto en 2008 y 2009 debido a los estímulos económicos
decididos por muchos países después de la crisis económica. Es necesario comprender que cada país a
medida que concluye con la planificación de construcción de las redes de transporte, así también los niveles
de la inversión disminuyen, razón por la cual en algunos países europeos la inversión en relación al PIB
está disminuyendo, OECD/ITF (2017). También es preciso tomar en cuenta que, aunque una inversión sea
alta en infraestructura para el transporte, no se puede esperar que cada inversión produzca una fuerte
retribución en el crecimiento de la producción. Los efectos de inversión demuestran que los efectos del
crecimiento son demasiado difusos en el tiempo y el espacio como para poder evaluarlos y valorarlos,
OECD/ITF (2017).
 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000 3

En lo que respecta al sistema de infraestructura para el transporte en Colombia, a lo largo de la historia

se ha instaurado una política de planificación de corto y mediano plazo; que no ha permitido la construcción
de infraestructura que impulse el flujo comercial, Ministerio de Transporte (2014). Adicionalmente, la
mitad de los costos de transporte corresponden al pago de los impuestos, aduanas y costos de transacción
comercial, lo que debilita la competitividad de las exportaciones, Vasco (2012).

Desde el punto de vista de potencialidades de uso de los modos de transporte en Colombia, el transporte
fluvial a lo largo del río Magdalena es limitado, aun cuando podría complementarse como medio de
transporte multimodal con infraestructura carretera y ferroviaria funcional, Restrepo et al. (2016). Otro de
los modos disponibles es el transporte ferroviario, éste se concentra principalmente para el sector privado
como enlace de productos limitados como carbón, Márquez (2017). Ambos sistemas cuentan con menor
inversión pública para su mejoramiento en cuanto a infraestructura, Ministerio de Transporte (2014). El
modo aéreo en lo referente al transporte de carga pesada no es significativa, Roda et al. (2012). El modo
que se ha beneficiado de manera permanente con inversión es el carretero, ya que se ha instituido muchas
políticas de desarrollo e inversión su favor, siendo mayormente utilizado para el trasporte de personas y
carga, Vasco (2012). Es necesario tomar en cuenta que el inconveniente en el uso de este modo para el
comercio son las largas distancias que enlazan las ciudades, pudiendo alcanzar una elasticidad de comercio
con respecto a la distancia de alrededor de 0,60, Duranton (2015).

Las principales rutas carreteras que propician el comercio entre ciudades Colombianas, tienen su origen
en los caminos históricos precolombinos, utilizados como paso de personas y luego ser mejorados durante
el tiempo de la colonización del siglo XVII, Roda et al. (2012). Los ramales viales con mayor flujo de
tráfico se muestran en la figura (1a), la intensidad de color muestra la relación flujo versus capacidad de la
vía y el grosor de las líneas ilustran los volúmenes de tráfico, siendo notorio la congestión producida sobre
todo en las entradas a las ciudades. En la figura (1b) se muestran los flujos de comercio exterior y se observa
la relevancia de la troncal occidental.

Fig. 1. (a) Flujo de transporte volumen-capacidad; (b) Flujos de comercio exterior de corredores viales.
Fuente: Roda et al. (2012)

La eficiencia y la efectividad del transporte de bienes y mercancías desde los puntos de fabricación,
ensamblaje, centros de distribución, hacia los clientes es fundamental en el entorno de comercio
internacional. El costo de envío de una mercancía al consumidor final puede exceder fácilmente el valor de
producción Daskin et al. (2005). Por lo tanto, es necesario determinar la ruta óptima de entrega entre una o
4 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000

varias opciones para diferentes modos de transporte entre uno o varios orígenes y destinos. En cuanto a la
selección de los modos de transporte de carga, es importante realizar previamente un análisis de uso.
Infraestructura en mal estado, ausencia de sistemas multimodales, políticas públicas para la planificación
de inversiones a corto y mediano plazo, pensamiento regional, representan para el comercio costos de
exportación más elevados.

Existe una infinidad de propuestas de modelos logísticos de transporte, entre ellas se destaca el problema
de localización de plantas, conocido en la literatura como Facility Location Problem.
Los problemas de ubicación de instalaciones (FLP) constituyen un área de gran interés para los
investigadores y profesionales en investigación de operaciones (OR). La estructura matemática de algunos
FLP, ha demostrado ser útiles en el desarrollo de metodologías de solución, y compatible con su
aplicabilidad a problemas de la vida real. El problema es encontrar las ubicaciones de las instalaciones para
una planta o bodega y el patrón de envío entre las instalaciones y los clientes para minimizar la ubicación
combinada de la instalación y los costos de envío, sujeto a restricciones para cumplir con todas las
demandas de los clientes Daskin et al. (2005). En Colombia existen aplicaciones de la aplicación de TPS
para productos que se exportan con buenos resultados y utilizando sistemas multimodales de transporte.

Los problemas de diseño de sistemas de distribución normalmente ocurren de la siguiente manera: un

número M de plantas de producción abastece un número N de bodegas las cuales distribuyen la producción
a un número P de clientes con distintas especificaciones de demanda. A partir de esto, se requiere determinar
el número óptimo de plantas de producción y bodegas que puedan cumplir con condiciones específicas de
demanda en un espacio de tiempo, a menor costo posible Pirkul et al. (1998), confrontan este tipo de
problemas con el desarrollo de una solución de tipo heurística que determine el número óptimo de
instalaciones a utilizar, con el fin de minimizar los costos totales de la actividad teniendo en cuenta las
restricciones de capacidades de producción y almacenaje, y la demanda solicitada de los diferentes
productos.

Los investigadores Fernandes et al. (2014), también proceden a optimizar el número de instalaciones que
deben ser habilitadas utilizando métodos heurísticos, en este caso utilizando un algoritmo genético. El
objetivo de este algoritmo es minimizar los costos de operación de transporte un único producto, que es
producido en diferentes plantas y debe pasar por un número N de almacenes antes de ser enviados a los
clientes, sin violar las restricciones de capacidad y demanda de los diferentes agentes involucrados.

Variaciones de este problema han surgido con el paso del tiempo, el objetivo permanece constante, pero
se agregan ciertas variables de interés dentro de la operación que pueden no ser relevantes en la mayoría de
los casos. Tal como es el escenario de los investigadores Harris et al. (2014), que buscan minimizar el costo
total de la operación incluyendo un costo por externalidades, dicha externalidad es contaminación
producida por emisión de gases CO2 durante el transporte. Los costos de operación y los costos de emisión
de gases no son optimizados en la misma función objetivo, sino que son optimizados simultáneamente,
pero por separado aplicando modelos de relajación de Lagrange.

Wesolowsky (2018) realiza un modelo unidimensional en el cual los “pesos” del sistema, que pueden
representar la demanda o sumatoria de demanda y costo, solo son conocidos de manera probabilística,
asumiendo que los pesos de los puntos de demanda poseen una distribución normal multivariable. Donde
la variable de decisión toma los valores de la diferencia entre los costos de la actual mejor ubicación de las
instalaciones y la ubicación óptima de las instalaciones.

Zhang et al. (2012) desarrollan un modelo en el cual se simula una catástrofe de gran escala en una
ciudad, por el cual, el objetivo de los investigadores es establecer la ubicación óptima de facilidades la cual
pueda minimizar el impacto de la catástrofe en la ciudad y maximizar la cobertura de la demanda. Para el
 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000 5

cumplimiento de este objetivo, utilizaron un modelo de programación bi-nivel el cual estudia la ubicación
de las instalaciones a través del uso de métodos de análisis de escenarios y optimización robusta; este
modelo es comparado con modelos clásicos de ubicación de instalaciones, pero con el objetivo de
minimizar costos totales y maximizando la cobertura de la demanda.

Veenstra et al. (2018) combinan problemas de ruteo con problemas de ubicación de instalaciones en
logística farmacéutica en Países Bajos. El envío de medicinas desde una farmacia local puede ocurrir a
través de casilleros, donde los clientes que se encuentran dentro del rango de cobertura pueden recoger los
medicamentos directamente en la farmacia o puede ser enviado a la dirección de domicilio. El objetivo es
determinar el número de casilleros que deben ser puestos a disposición y generar rutas de envío a los clientes
dentro del rango de cobertura, mientras que se minimizan los costos fijos y los costos de envío.

Kung et al. (2018) proponen que un local es más atractivo para los clientes si más locales son construidos
alrededor del mismo. Para capturar estos efectos, los autores construyen un modelo de ubicación discreto
con el fin de maximizar utilidades teniendo en cuenta la demanda del consumidor endógenos y los efectos
de la red. La demanda efectiva es entonces una función cóncava de la suma de los beneficios de los locales
abiertos debido a la disminución marginal del beneficio.

Beresnev et al. (2016) realizan un problema de ubicación de instalaciones basado en competencia. Dos
empresas compiten por capturar el mayor número de clientes posibles para así maximizar sus ganancias. El
modelo es formulado como programación matemática entera bi-nivel. Demuestran que el modelo puede ser
reformulado como una maximización pseudo-booleana donde el número de argumentos es igual al número
de ubicaciones posibles para nuevas instalaciones. El modelo busca una solución óptima con base en la
cooperación de las empresas.

Shiode et al. (2012) realizan un modelo para solucionar un escenario como el mencionado en Beresnev
et al. (2016), pero adicionando una empresa más, es decir, un competidor más. Aplicando el equilibrio de
Stackelberg, el problema es resuelto en tres etapas: localizando la instalación A, óptimamente ubicada
según las ubicaciones de las instalaciones B y C; ubicando la instalación B, que se encuentra óptimamente
localizada según la ubicación de C; por último, localizando la instalación C, utilizando la información de
posibles ubicaciones de la instalación A. El modelo resuelve esta problemática ubicando primero la
instalación C, luego B y finalizando con A.

Ortiz-Astorquiza et al. (2018) llevaron a cabo una revisión exhaustiva de los problemas de ubicación de
instalaciones de niveles múltiples que se extiende como varios problemas clásicos de ubicación de
instalaciones y pueden considerarse como una subclase dentro del campo de ubicación de instalaciones
jerárquicas. Con base en los tipos de decisiones involucradas en el proceso de optimización, se identificaron
tres categorías diferentes de problemas de ubicación de instalaciones de niveles múltiples, y se presentaron
descripciones generales de las formulaciones, algoritmos y aplicaciones.

3. Datos y metodología

3.1. Descripción de la zona de estudio

Colombia cuenta con 164,000 km de caminos, de los cuales solo el 10% corresponde a la red primaria.
De la red principal solo el 9.82% están en muy buenas condiciones, el 31.09% en buenas condiciones, y un
gran porcentaje del otro 59.12% se encuentra en condiciones buenas, malas y muy malas según el Instituto
Nacional de Carreteras, Vasco (2012). La red de carreteras se concentra principalmente en la región andina,
donde se encuentran las tres ciudades más grandes, Bogotá, Medellín y Cali, sin una red troncal o
6 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000

transversal a una autovía para interconectar las ciudades con los puertos o entre ellos. Casi dos tercios de
la red están en mal estado, en lugares geográficamente inestables, lo que hace que su mantenimiento y
operación sean extremadamente difíciles en condiciones estándar. Más del 80% del flujo de carga se lleva
por estos medios, en detrimento de aprovechar los beneficios que ofrecen los otros modos. El Estado asigna
casi en su totalidad todos los recursos de inversión en transporte en las carreteras, Ministerio de Transporte
(2014).

3.2. Metodología

El modelo realizado consiste en un problema de localización de instalaciones, FLP por sus siglas en
inglés (Facility Location Problem), el cual consiste en un número de N de instalaciones que pueden ser
utilizadas para atender M puntos de demanda. El objetivo consiste en encontrar un subgrupo F de
instalaciones (F ≤ N) que minimicen los costos totales de mover o producir carga que va a satisfacer la
demanda, Qian (2012).

El diseño del sistema de distribución es un tema estratégico para casi todas las empresas. El FLP abarca
temas centrales del diseño del sistema de distribución. Existen muchas formulaciones de modelos y
soluciones de los algoritmos que varían en términos de suposiciones, complejidad matemática y
rendimiento computacional.

El FLP es un tema muy difundido en el campo de investigación de operaciones; el desafío de ubicar el

sitio para las instalaciones ha inspirado a la colaboración de investigación en la comunidad científica. Los
modelos cubren formulaciones que varían en complejidad desde simples modelos lineales, de una sola etapa,
de un solo producto, incapacitados, deterministas hasta no lineales García et al. (2015).El problema
planteado por Toregas et al. (1971) se refiere al costo total de ubicar un conjunto de instalaciones para que
cada cliente esté cubierto y ser minimizado el costo de envío. Si todas las instalaciones tienen el mismo
costo de ubicación, esto es equivalente a minimizar el total número de instalaciones que se ubicarán. Dado
que no es factible localizar tantas instalaciones como sea posible, debido a limitaciones presupuestarias,
una variante natural es maximizar el número de clientes que están cubiertos o, de manera equivalente,
minimizan el costo no cubierto de clientes al ubicar un número fijo de instalaciones Klose et al. (2005).

Atributos adicionales tales como modelos de objetivos únicos versus de objetivos múltiples o
instalaciones deseables frente a instalaciones no deseables se pueden distinguir Aikens (1985); Brandeau
et al. (1989); Brandeau et al. (1989); Daskin (1995); ReVelle et al. (1996); Hamacher et al. (1998).

Se utilizará un modelo de cobertura general de FLP como caso particular de ubicación existente en la
literatura, precisándose la notación matemática de la siguiente manera:

Entradas y conjuntos,

I Conjunto de las ubicaciones de los clientes, indexadas por i

J Conjunto de ubicaciones de las plantas o bodegas candidatas, indexadas por j
hi Demanda en la ubicación del cliente i  I
fj Costo fijo de localización de una instalación candidata j  J
cij costo unitario de envío entre el sitio de la instalación candidato j  J y cliente
en la ubicación i  I
 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000 7

Variables de decisión

1, Si se ubica en un sitio candidato j  J

xj  
0, Si no
yij  Fracción de la demandaen la ubicación del cliente i  I
que sirve para una instalación en el sitio j  J

Variables de decisión que servirán para

Con esta notación, el problema de ubicación de una instalación de costo fijo puede ser formulado Balinski,
1965.

minimize  f x   h c Y
jJ
j j
jJ iI
i ij ij (1)

Sujeto a

Y
jJ
ij 1 i  I (2)

Yij  X j  0 i  I ; j  J (3)
X j  0,1 j  J (4)
Yij  0 i  I ; j  J (5)

La función objetivo (1) minimiza la suma de los costos de las instalaciones fijas y los costos de
transporte. Restricción (2) estipula que cada nodo de demanda está completamente asignado. Restricción
(3) establece que un nodo de demanda no se puede asignar a una instalación a menos que abre esa
instalación. Restricción (4) es una restricción de integralidad estándar y la restricción (5) es una restricción
simple no negativa.

Un modelo de FLP permite diseñar la entrega de mercancía desde los orígenes ubicados en distintas
ciudades en Colombia, pasando por uno o varios de los puertos disponibles para este estudio; y finalizando
la distribución en distintas ciudades del mundo en función de las demandas establecidas. El problema de
localización de una o varias instalaciones de costo fijo es un problema clásico que se han utilizado en el
diseño de la cadena de suministro. El problema puede expresarse bajo un conjunto de ubicaciones de
clientes con demandas conocidas y un conjunto de ubicaciones de plantas o bodegas. Al ubicar una
instalación en un sitio candidato, se incurre en un costo conocido de ubicación fija. Se fija el costo de envío
unitario entre cada sitio candidato para la instalación y la ubicación de los clientes. El modelo consiste en
encontrar la ubicación para las instalaciones y minimizar los costos en función del patrón de envío entre las
instalaciones y los clientes. Los costos de envío sujetos a un conjunto de restricciones que deben cumplirse
en relación con todas las demandas de los clientes.

El presente modelo consiste en optimizar los costos de transporte entre un conjunto de puntos de venta
con demandas conocidas hacia varios clientes, movilizando la carga desde el origen en vehículos hacia
varios puertos, donde se efectuará el almacenamiento y posterior exportación del producto. En cada puerto
seleccionado se deberá disponer de bodegas para el almacenamiento temporal de mercancía. Finalmente,
la entrega de mercancía hacia los puertos de distintas ciudades del mundo, manteniendo el número de
cantidades demandadas desde el origen hasta el destino.

Se precisa la notación matemática de la siguiente manera:

8 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000

Entradas y conjuntos,

I Ciudades de origen (empresas)

J Puertos disponibles
K Ciudad es de destino
xikj Cantidad de producto transportado desde el origen i hasta el destino k que pasan por el puerto j
cij Costo unitario transporte carretero de los productos desde el origen i hasta el puerto j
ukj Costo unitario de transporte marítimo de los productos desde el puerto j hasta el destino k
fj Costo fijo asociado a la operación del puerto j
yj Variable binaria de decisión de apertura del puerto j
vj Costo variable de manejo y almacenamiento de la carga en el puerto j
Bik Demanda establecida del destino k hacia el origen i

Variables de decisión

Con esta notación, el problema de ubicación de una instalación de costo fijo puede ser formulado de la
siguiente forma:

Min z=   x
iI jJ kK
c   y j f j    xikj v j    xikj ukj
ikj ij
jJ iI jJ kK iI jJ kK
(6)

Sujeto a:

x
jJ
ikj  Bik i, k (7)

y j P (8)

 x
iI kK
ikj  qj yj j (9)

y j  0,1 (10)
xikj  0 (11)

Donde la ecuación (6) denota la función objetivo que busca minimizar el costo total de la operación,
seleccionando el número de puertos necesarios para satisfacer la demanda de los destinos al menor costo
posible. Las ecuaciones restantes son restricciones del modelo: (7) restricción de satisfacción de la demanda
presentada en la tabla 1; (8) el número de puertos escogidos no puede superar el número de puertos
disponibles; (9) la sumatoria de las cantidades enviadas a través de cada puerto no puede superar la
capacidad del mismo; (10) variable binaria que denota la escogencia de un puerto, donde toma el valor de
1 si el puerto será utilizado y 0 en caso contrario; (11) las cantidades enviadas desde cada origen no pueden
ser negativas.
 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000 9

Tabla 1. Demanda promedio mensual de carga en toneladas.

Orígenes/Destinos La Guaira Guayaquil Mar del Plata New York Rotterdam San Antonio (Chile) Tokio
Albania 29.28 0.00 0.00 0.00 0.00 0.00 0.00
Barranquilla 310.30 76.68 2.09 27.46 162.93 95.33 303.86
Bogota 96.29 131.87 10.58 612.56 52.69 52.83 21.51
Buenaventura 155.36 1,362.40 138.48 9.59 55.08 2,216.30 244.19
Cartagena 1,344.78 4,335.10 31,535.04 237.82 4,510.95 9,304.71 576.09
Ciénaga 21.80 8.62 0.00 0.49 8.23 0.00 33.82
Cucuta 5,156.31 287.69 14.05 49.48 43.25 237.58 65.77
Florida 343.55 7.55 0.02 94.36 158.96 54.04 1.13
Gutierrez 0.00 134.91 0.00 0.00 0.00 24.00 0.00
Ipiales 0.00 5,014.18 0.00 0.00 0.00 3.57 4.53
Ituango 4.38 9.97 0.54 8.39 4.71 7.90 1.36
La-Jagua 3,810.29 0.00 0.00 0.00 0.00 0.00 0.00
Pereira 0.00 0.00 0.00 0.00 0.30 2.58 0.00
Fuente: Elaboración propia.

El primer componente del modelo se encarga de calcular los costos de transporte carreteros desde las
ciudades de origen, donde saldrá la mercancía, hasta el puerto de mayor conveniencia. La cantidad de
mercancía transportada está definida por las demandas de los clientes en toneladas mensuales.

Se calibra el modelo con los costos de fletes de carga que sugiere el Ministerio de Transporte. Las
características seleccionadas para el presente trabajo fue el uso de un camión tracto-camión de tres ejes
(3S3) que transporte un contenedor desde la ciudad hasta un puerto seleccionado.

El segundo término calcula el costo fijo de los puertos que son utilizados. El tercer componente, una vez
escogido el puerto, calcula es costo de almacenamiento y manejo de la carga dentro del puerto. Por último,
el término restante calcula los costos de envío desde el puerto seleccionado hasta el puerto de destino,
dichos costos de envío fueron obtenidos de los precios presentados en la web ProColombia.com.

4. Resultados

El modelo fue probado en tres diferentes escenarios que variaban un poco las condiciones de operación.
En el primer escenario se utilizaron datos reales de costos dentro de cada uno de los puertos, así mismo se
utilizaron datos reales de su capacidad de almacenamiento y se estableció que todos los puertos de origen
se podrán conectar con todos los puertos de destino, es decir, sin restricción de ruta. El segundo escenario
se planteó con restricciones de ruta, es decir, todos los puertos de origen no se conectan con todos los
puertos de destino sino con un subgrupo de estos, los costos y capacidades no sufrieron variación. Por
último, en el tercer escenario se planteó de nuevo un escenario conexo pero cada puerto sufrió una reducción
de capacidad, de tal forma que el modelo debería escoger al menos dos puertos para poder transportar toda
la carga.

Los resultados de los escenarios se presentan a continuación:

4.1. Escenario 1

En este primer escenario toda la carga es movilizada a través del puerto de Barranquilla, ver tabla 2. El
motivo por el cual toda la carga es enviada a través de un solo puerto radica en dos aspectos: la capacidad
de almacenamiento y los costos fijos. Los costos fijos de los puertos no son muy diferentes entre sí, pero la
capacidad de estos entra en juego; las capacidades de los tres puertos son suficiente para poder almacenar
toda la carga demandada en la operación, por ende, al abrir un puerto se puede realizar toda la operación
10 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000

ahorrando los costos fijos de la apertura de otro puerto. Esto se debe a que la suma de los costos de abrir
un puerto más movilizar la carga hasta y desde el mismo, superan el costo de enviar la carga hasta el puerto
que ya se encuentra en funcionamiento, sin importar que el costo de transportes hasta y desde el puerto en
funcionamiento sea alto.
Tabla 2. Toneladas enviadas por el puerto de Barranquilla

Orígenes/Destinos La Guaira Guayaquil Mar del Plata New York Rotterdam San Antonio (Chile) Tokio
Albania 29.28
Barranquilla 310.30 76.68 2.09 27.46 162.93 95.33 303.86
Bogotá 96.29 131.87 10.58 612.56 52.69 52.83 21.51
Buenaventura 155.36 1,362.40 138.48 9.59 55.08 2216.30 244.19
Cartagena 1,344.78 4,335.10 31,535.04 237.82 4,510.95 9,304.71 576.09
Ciénaga 21.80 8.62 0.49 8.23 33.82
Cúcuta 5,156.31 287.69 14.05 49.48 43.25 237.58 65.77
Florida 343.55 7.55 0.02 94.36 158.96 54.04 1.13
Gutiérrez 134.91 24.00
Ipiales 5,014.18 3.57 4.53
Ituango 4.38 9.97 0.54 8.39 4.71 7.90 1.36
La-Jagua 3,810.29
Pereira 0.30 2.58
Fuente: Elaboración propia.

El costo de este escenario es USD $ 9,577,376.72; utilizando únicamente el puerto de Barranquilla.

4.2. Escenario 2

El segundo escenario sufrió modificaciones a los parámetros de entrada. Se prohibieron rutas al azar con
el fin de obligar al modelo a variar los puertos escogidos, dicha prohibición se realizó aumentando
fuertemente los costos de ciertas rutas para que, dentro de la optimización, estas no fueran escogidas.

La modelación presentó el uso de dos puertos, Buenaventura y Cartagena. La repartición de carga (ver
tabla 3 y tabla 4), en mayoría de los casos, se realizó de tal manera que la carga fue enviada al puerto de
mayor cercanía al destino, es decir, cuyo costo de transporte era el más económico. El costo de este
escenario es USD $ 10,042,299.69.
Tabla 3. Toneladas enviadas por el puerto de Buenaventura

Orígenes/Destinos La Guaira Guayaquil Mar del Plata New York Rotterdam San Antonio (Chile) Tokio
Albania
Barranquilla 76.68 95.33
Bogotá 131.87 10.58 52.83 21.51
Buenaventura 1,362.40 138.48 2,216.30 244.19
Cartagena 4,335.10 9,304.71
Ciénaga 21.80 8.62
Cúcuta 287.69 237.58 65.77
Florida 7.55 0.02 54.04 1.13
Gutiérrez 134.91 24.00
Ipiales 5,014.18 3.57 4.53
Ituango 9.97 0.54 7.90 1.36
La-Jagua
Pereira 2.58
Fuente: Elaboración propia.
 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000 11

Tabla 4. Toneladas enviadas por el puerto de Cartagena

Orígenes/Destinos La Guaira Guayaquil Mar del Plata New York Rotterdam San Antonio (Chile) Tokio
Albania 29.28
Barranquilla 310.30 2.09 27.46 162.93 303.86
Bogotá 96.29 612.56 52.69
Buenaventura 155.36 9.59 55.08
Cartagena 1,344.78 31,535.04 237.82 4,510.95 576.09
Ciénaga 0.49 8.23 33.82
Cúcuta 5,156.31 14.05 49.48 43.25
Florida 343.55 94.36 158.96
Gutiérrez
Ipiales
Ituango 4.38 8.39 4.71
La-Jagua 3,810.29
Pereira 0.30
Fuente: Elaboración propia.

4.3. Escenario 3

El tercer escenario comprende la restricción de la capacidad de almacenamiento en los puertos. Tomando

en cuenta un envío de carga promedio de 74,000 ton/mes, se ha restringido el almacenamiento en cada uno
de los puertos de Barranquilla, Buenaventura y Cartagena a 40,000 ton/mes.

El resultado del escenario 3 es la apertura del puerto de Buenaventura en el Pacífico y el puerto de

Barranquilla en el Atlántico, cuyos repartos se observan la tabla 5 y tabla 6, siguiendo la lógica del segundo
escenario en el cual en la mayoría de los casos la carga fue enviada por el puerto con menor valor de flete
marítimo entre el par O-D. El costo total de la optimización es de USD $ 9,664,627.97.

Tabla 5. Toneladas enviadas por el puerto de Barranquilla

Orígenes/Destinos La Guaira Guayaquil Mar del Plata New York Rotterdam San Antonio (Chile) Tokio
Albania
Barranquilla 310.30 2.09 27.46 162.93
Bogotá
Buenaventura
Cartagena 1,344.78 4,335.10 31,535.04 237.82 4,510.95
Ciénaga 21.80 0.49
Cúcuta 14.05
Florida
Gutiérrez
Ipiales
Ituango
La-Jagua 3,810.29
Pereira
Fuente: Elaboración propia.

Tabla 6. Toneladas enviadas por el puerto de Buenaventura.

Orígenes/Destinos La Guaira Guayaquil Mar del Plata New York Rotterdam San Antonio (Chile) Tokio
Albania 29.28
Barranquilla 76.68 95.33 303.86
Bogotá 131.87 10.58 612.56 52.69 52.83 21.51
Buenaventura 155.36 1,362.40 138.48 9.59 55.08 2,216.30 244.19
12 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000

Orígenes/Destinos La Guaira Guayaquil Mar del Plata New York Rotterdam San Antonio (Chile) Tokio
Cartagena 9,304.71 576.09
Ciénaga 8.62 33.82
Cúcuta 287.69 49.48 43.25 237.58 65.77
Florida 343.55 7.55 0.02 94.36 158.96 54.04 1.13
Gutiérrez 134.91 24.00
Ipiales 5,014.18 3.57 4.53
Ituango 4.38 9.97 0.54 8.39 4.71 7.90 1.36
La-Jagua 3,810.29
Pereira 0.30 2.58
Fuente: Elaboración propia.

Conclusiones

Se modeló un problema de localización de instalaciones con el fin de enviar carga de tipo internacional
desde Colombia hacia diferentes puertos en del mundo al menor costo posible, cumpliéndose restricciones
de demanda y origen de la misma carga. Para ello tres puertos candidatos para usar en el modelo:
Barranquilla, Buenaventura y Cartagena. Con esta situación actual, el modelo debía escoger en número de
puertos que se requieren para enviar la carga hacia los diferentes destinos, minimizando los costos de
transporte, manejo y almacenamiento de la carga.

El modo carretero fue seleccionado para el envío de fletes internos desde su origen hasta los puertos,
debido a su disponibilidad frente a los demás sistemas, siendo también elegido por otras características
como: flexibilidad, autonomía; aun cuando, en ciertos trayectos de transporte interno los fletes son más
costos de flete marítimo.

Tres escenarios fueron planteados, siendo el primero un contexto global en cual cada uno de los tres
puertos funcionan para enviar carga a cualquier destino. Los resultados arrojaron que solo era necesario
usar un puerto, Barranquilla, para realizar la actividad, sin infringir ninguna de las restricciones escritas;
dado que la suma de los costos variables y fijos de abrir otro puerto suponían un aumento en el gasto mucho
mayor en comparación con enviar la carga hasta el puerto ya en operación, a pesar de que el costo de
traslado en modo carretero hasta el puerto sea mayor en comparación con puertos más cercanos.

El segundo escenario presentó cambios en los datos de entrada, ciertas rutas marítimas fueron bloqueadas
con el fin de realizar la actividad acorde a rutas existentes en los puertos; esto conllevó a la utilización de
dos puertos y un costo operacional considerablemente mayor que en el primer escenario, es pertinente
recordar que ninguna restricción fue infringida.

Por último, el tercer escenario las rutas marítimas volvieron a ser conexas entre orígenes y destinos, pero
los puertos sufrían una reducción drástica en sus capacidades de almacenamiento; esto tuvo como
consecuencia que fuera necesario usar dos puertos para la operación, cuyos costos totales fueron un poco
mayor al escenario 1 pero mucho menores que el escenario 2.

Los tres escenarios resaltan la importancia de los costos fijos en la modelación, la optimización evita
tener que utilizar dos o más instalaciones sin importar que en la práctica esta no sea una repartición óptima
si tenemos en cuenta ventanas de tiempo y tiempos de entrega; esto requeriría un término adicional que
agregara el valor del tiempo y la duración total del recorrido en orden de obtener una repartición que se
asemeje de mejor manera a la realidad.
 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000 13

Referencias

Aikens, C. H. (1985). Facility location models for distribution planning. European Journal of Operational
Research, 22(3), 263–279. https://doi.org/10.1016/0377-2217(85)90246-2
Banister, D., & Stead, D. (2010). Moving Freight with Better Trucks. HVTT11 International Heavy Vehicle
Symposium, Melbourne. https://doi.org/10.1787/9789282102961-en
Beresnev, V. L., & Melnikov, A. A. (2016). A capacitated competitive facility location problem. Journal
of Applied and Industrial Mathematics, 10(1), 61–68. https://doi.org/10.1134/S1990478916010075
Brandeau, M. L., & Chiu, S. S. (1989). An Overview of Representative Problems in Location Research.
Management Science, 35(6), 645–674. https://doi.org/10.1287/mnsc.35.6.645
Daskin, M. S. (1995). Network and Discrete Location. https://doi.org/10.1002/9781118032343
Daskin, M. S., Snyder, L. V, & Berger, R. T. (2005). Chapter 2 FACILITY LOCATION IN SUPPLY
CHAIN DESIGN. Logistics Systems: Design and Optimization, (2).
Duranton, G. (2015). Roads and trade in Colombia. Economics of Transportation, 4(1–2), 16–36.
https://doi.org/10.1016/j.ecotra.2014.11.003
Fernandes, D. R. M., Rocha, C., Aloise, D., Ribeiro, G. M., Santos, E. M., & Silva, A. (2014). A simple
and effective genetic algorithm for the two-stage capacitated facility location problem. Computers
and Industrial Engineering, 75(1), 200–208. https://doi.org/10.1016/j.cie.2014.05.023
García, S., & Marín, A. (2015). Location Science, 93–114. https://doi.org/10.1007/978-3-319-13111-5
Harris, I., Mumford, C. L., & Naim, M. M. (2014). A hybrid multi-objective approach to capacitated facility
location with flexible store allocation for green logistics modeling. Transportation Research Part E:
Logistics and Transportation Review, 66, 1–22. https://doi.org/10.1016/j.tre.2014.01.010
Klose, A., & Drexl, A. (2005). Facility location models for distribution system design. European Journal
of Operational Research, 162(1), 4–29. https://doi.org/10.1016/j.ejor.2003.10.031
Kung, L. C., & Liao, W. H. (2018). An approximation algorithm for a competitive facility location problem
with network effects. European Journal of Operational Research, 267(1), 176–186.
https://doi.org/10.1016/j.ejor.2017.11.037
Márquez, L. (2017). El ferrocarril colombiano: 4 temas recurrentes en la literatura. Estudios Gerenciales,
33(143), 187–194. https://doi.org/10.1016/j.estger.2017.04.003
Ministerio de Transporte. (2014). Transporte en cifras, 73.
OECD/ITF. (2017). ITF Transport Outlook 2017. https://doi.org/10.1787/9789282108000-en
Ortiz-Astorquiza, C., Contreras, I., & Laporte, G. (2018). Multi-level facility location problems. European
Journal of Operational Research, 267(3), 791–805. https://doi.org/10.1016/j.ejor.2017.10.019
Pirkul, H., & Jayaraman, V. (1998). a Multi-Commodity , Multi-Plant , Capacitated Facility Location
Problem : Formulation and, 25(10), 869–878.
Qian, F. (2012). The Facility Location Problem: Modeling and Solution Methods. Molde University
College. https://doi.org/10.1016/j.enconman.2012.06.006
Restrepo, J. D., Escobar, R., & Tosic, M. (2016). Fluvial fluxes from the Magdalena River into Cartagena
Bay, Caribbean Colombia: Trends, future scenarios, and connections with upstream human impacts.
Geomorphology. https://doi.org/10.1016/j.geomorph.2016.11.007
Roda, P., Perdomo, F., & Sánchez, J. (2012). Conectividad interurbana en Colombia. Informe final Contrato
No. DNP 585 – 2012, 1–57.
Shiode, S., Yeh, K. Y., & Hsia, H. C. (2012). Optimal location policy for three competitive facilities.
Computers and Industrial Engineering, 62(3), 703–707. https://doi.org/10.1016/j.cie.2011.12.019
Vasco Correa, C. A. (2012). Economic evaluation of current conditions of competition and efficiency of
automotive and rail systems in Colombia. Energy Policy, 46, 78–87.
https://doi.org/10.1016/j.enpol.2012.03.029
Veenstra, M., Roodbergen, K. J., Coelho, L. C., & Zhu, S. X. (2018). A simultaneous facility location and
14 Casalins, R. Garzón, L. / Transportation Research Procedia 00 (2018) 000–000

vehicle routing problem arising in health care logistics in the Netherlands. European Journal of
Operational Research, (August). https://doi.org/10.1016/j.ejor.2018.01.043
Wesolowsky, G. (2018). Probabilistic Weights in the One-Dimensional Facility Location Problem, 24(2),
224–229.
Zhang, M., Huang, J., & Zhu, J. (2012). Reliable facility location problem considering facility failure
scenarios. Kybernetes, 41(10), 1440–1461. https://doi.org/10.1108/03684921211276666